x

Tavsiye Sistemleri: Long Tail (Uzun Kuyruk) İle Karlılığı Artırmak

Açıklama: Deniz Oktar, tavsiye sistemleri alanında çalışan iletken recommendation technologies’in kurucu ortağıdır ve bu yazısı konuk yazar olarak Webrazzi’de yayınlanmıştır.

longtail1

Her ürünün bir alıcısı vardır. Ancak doğru alıcı ile doğru ürünü buluşturmak zor bir uğraştır. Özellikle internet üzerinde yapılan satışların büyük bölümü (e-ticaret ve müzik) en popüler ürünler üzerinden gerçekleşir ve bu aslında önemli bir problemdir. Bunun ana sebebi, en çok satılacak ürünün ana sayfaya konması ve reklamının yapılabilmesidir. Örneğin Hande Yener’in yeni albümü Türkiye’de çok satıyor iken, kullanıcılara Megadeth reklamı yapmak yanlış olacaktır. Oysa çok satan ürünlerin kar marjı düşüktür. Bütün rakipler aynı ürünleri aynı fiyattan satmak zorundadır. Diğer yandan, az satılan ve stokta yer tutan ürünler devamlı kayıp yaşatır. Gerçek hayatta bu problem daha azdır. Satış temsilcileri sizin ne alacağınızı tahmin ederek tüm ürünleri sattırmaya çalışırlar.

Yapılan analizler gösteriyor ki, Amazon gibi Uzun Kuyruk etkisini başarıyla kullanan firmaların gelirlerinin önemli bir bölümü çok satılan ürünlerden değil, grafiğin uzun kuyruk bölümünden gelmektedir. Eğer başarılı bir mekanizma ile az satılan ürünler, doğru kullanıcılar ile buluşturulursa karlılık önemli ölçüde artmaktadır. Grafikte de gözükebileceği gibi, ürün sayısına bağlı olarak, az satılan ürünlerin getirdiği hacim çok satan ürünlerden çok daha fazla olabilmektedir.

Uzun Kuyruk’a ek olarak, Çapraz Satış da önemli bir konudur. Birden fazla ürünün beraber paketlenerek satılmasına çapraz satış denir. E-ticaret sitelerinde bunu yapmanın iki yolu vardır. 1- Beraber satılacak ürünlere bir moderatörün karar vermesi, 2- Bu işi yapacak akıllı bir tavsiye sisteminin hazırlanması.

İşte bu iki durum için de kişiselleştirme için kullanılan tavsiye sistemleri gibi akıllı mekanizmalar devreye girer. Her kullanıcının hareketini analiz ederek, onların hangi ürünlerden hoşlanacaklarını tahmin etmek önemli bir iş haline gelir. Bu sayede normalde satışı az olacağı için tanıtımı yapılamayan ürünler, muhtemelen bu ürünü alacağı hesaplanan kişilere tanıtılırlar. Hesaplanan tavsiyeler kullanıcıya özgü bir tavsiye sayfası hazırlanmasında veya e-mail pazarlamasında kullanılabilir. Tavsiye sistemi hizmeti sunan firmaların deneyimlerine göre, tavsiye sistemi kullanımı sonunda satışlarda %10 ile %35 arasında artış öngörülmektedir. 2006 yılı verilerine göre Amazon’un satışlarının %35’i tavsiye sistemi üzerinden gerçekleşmiştir.

Tavsiye sistemleri, öğrenebilen yapıları sayesinde kullanıcıların her etkileşimi sonrasında yeni bir ürün tavsiyesi yaparlar. Machine Learning temelli algoritmalar ile belirlenen hedeflere doğru kendilerini eğitirler. Bu hedef, e-ticaret’de genellikle en çok satışı yapmak üzerine kurulur. Gerçek zamanlı çalışmaları sayesinde kullanıcının karşılaşacağı sayfalar sadece o kullanıcı için anlık olarak hazırlanmış sayfalar olur.

tavsiye2

Tavsiye sistemlerinin e-ticaret sitelerinde kullanım alanlarına örnek vermek gerekirse:

  • Kişisel ana sayfa tavsiyesi: Kullanıcının geçmiş hareketleri göz önüne alınarak genel profiline göre ana sayfa oluşturulması
  • Ürün sayfası benzer ürün / yeni ürün tavsiyesi: Kullanıcının anlık amacı(intent) göz önüne alınarak yeni ürün tavsiyesi
  • Çapraz ürün satışı: Beraber satılan ürünlerin gösterilmesi, toplu indirim uygulanması.
  • Kişiselleştirilmiş kampanya / reklam / e-mail tavsiyesi: Kullanıcının ilgilenebileceği kampanyaların otomatik oluşturulması ve reklam e-maillerinin kişiye göre hazırlanması.

Tavsiye sistemleri akademik bir araştırma konusudur. Genellikle zor bir çalışma alanı kabul edilirler ve bu nedenle çeşitli yarışmalar hazırlanmıştır. Netflix’in geçtiğimiz ay sona eren ve 3 yıl süren yarışması, var olan tavsiye sistemlerini %10 oranında geliştirecek ekibe 1 milyon dolar kazandırdı (resmi sonuçlar bekleniyor). Bu ekibin toplam 23 ekibin birleşmesinden oluşması ilginç bir noktadır.

Tavsiye sistemleri değişen kullanıcı profilleri ve site yapısıyla birlikte devamlı konfigüre edilmesi gereken yapılardır. En iyi sonuç için her firmaya özel bir motor hazırlanması gerekir. Algoritmik zorluklarının yanında scalability ve donanım zorluklarını da beraberinde getirirler. Çok sayıda ürün ve kullanıcı olan sistemlerin yüksek memory ve işlemci gücü ihtiyacı vardır.

Tavsiye sistemlerinin düzgün çalışmadığı durumlarda firmayı yanlış ve zor duruma düşürücü sonuçlar ürettikleri de gözlemlenmiştir. Friendfeed‘de tartışma konusu olan Hepsiburada‘nın tavsiye sistemi, Şule Özmen‘in e-ticaret kitabının yanında kamasutra oyun seti zarları satmaya çalışmaktadır. Benim de Hepsiburada’nın tavsiyeleriyle ilgili deneyimim, 2 sene boyunca bilgisayar parçası almış bir kişi olarak devamlı Bayan Ayakkabısı reyonundan tavsiyeler almamla sınırlıdır.

hb-tavsiye1

Bu nedenlerden ötürü dünyadaki büyük oyuncular dışında e-ticaret firmaları tavsiye sistemlerini bu hizmeti sunan firmalardan alırlar. Software as a Service metoduyla çalışan bu firmalar hosting ve algoritma geliştirmesi dahil olarak hizmet vermektedirler.

Türkiye’de tavsiye sistemi kullanan bildiğimiz tek e-ticaret firması Hepsiburada’dır.

NOT: Görseller www.strands.com‘dan alınmıştır.

Yorumlar (15)

  1. Gayet açıklayıcı, öğretici bir yazı olmuş Deniz. Teşekkürler..

    Cevapla
  2. Açıklayıcı bir yazı olmuş. Türkiyede bu işi yapan siteler ve hizmetlerinizden de bahsetseydiniz keşke

    Cevapla
  3. Merhaba Yalçın,

    Bildiğim kadarıyla Türkiye’de ve hatta yakın bölgelerde tavsiye sistemi üreten iletken dışında bir firma yok.

    e-ticaret, telekom ve medya sektöründe kullanılmak üzere tavsiye sistemlerimiz var.

    Cevapla
  4. Mehmet MUTLU |

    Mükemmel bir yazı olmuş, tebrik etmeden geçemedim. Elinize sağlık

    Cevapla
  5. Bahriye Sarıkaya |

    Güzel bir yazı, paylaşımlarınız için teşekkürler Deniz Bey. Başarılarınızın devamını dilerim.

    Cevapla
  6. Amazon sistemi ciddi şekilde değerlendirilmesi gereken bir sistem. Bu sistemin e-ticaret sitelerinin yanında ticaret yapmayan sitelere de uygulanabilecek bir yapısı var.

    Müzik merağı dolayısıyla Amazon’dan çok alışveriş yapan bir insanım. Ayrıca web sitemin konusu itibarı ile çok sayıda okuyucumuzda Amazon müşterisi. Hatta olayı bir adım ilerletip Amazon Association programa da katıldık. Özellikle film ve müzik konusunda Amazon’un dikkat çekici bazı özellikleri var.

    Bunlardan en önemlisi sayfaların en altında bulunan yorum ve puanlama sistemleri. Kullanıcılar çok özgür şekilde burada daha önce satın aldıkları ürünler konusunda yorumlar yazıyor ve zaman zaman bilgi dolu tartışmalar yapıyorlar. Amazon’da bu durumu uzun zamandır desteklemekte.

    Bir “potansiyel” alıcı buradaki “ciddi” yorumları okuyup alışveriş kararını verebiliyor. Çoğunlukla bilgi dolu yazılarda önerilen ürünlere de yönlenebiliyor müşteriler. Aslında aynı sayfada hem çapraz, hem uzatılmış hemde kullanıcı tavsiyesi şeklinde çok sayıda yönlendirme bulunuyor. Olayın en kritik noktası ise yukarıda saydığım tarz bilgilendirmelerin her sayfada varolması.

    Ülkemizdeki durumda bu bilgilendirmenin tam aksine firmalardan verilen bilgiler haricinde düzgün işleyen bir sistem yok. Bazı sitelerde kullanıcı görüşlerinin daha etkin şekilde kullanılması için özendirici çalışmalar yapılmış olsa da, ne yazık ki amacına ulaşamamıştır. Hatta olumsuz yorumlarda zaman zaman silinerek ve yayınlanmayarak stratejik hatalar yapılmaktadır.

    Bu noktada internet alışverişlerinde bir çok insanın uygun fiyattan ziyade anlık karar vermesinin önemli olduğunu biliyorum. Bu durumda gelir gruplarının etkisi gözönüne alınırsa – ki örnekler A(+ ve -) ve B (+) gruplarına atfendir- tabii ki durumlar değişecektir. Ancak hedef kitleye karar verecek olanlarda e-ticaret siteleridir.

    Yazı gayet iyiydi, yorum yapmadan geçmek istemedim.

    Okuyanlara teşekkürler.

    Cevapla
  7. Tavsiye sistemleri bence kişiselleştirildiği zaman çok daha yararlı olacaktır. Ürün bazlı tavsiye sisteminden dönüşüm oranını düşük olacağı kanatindeyim.

    Web 3.0 da zaten bu yönde olacak bizleri tanıyan bizlerin ihtiyaçlarını bilen ona göre tavsiye üreten sistemler.

    Cevapla
  8. Biz Garanti Alışveriş’e özellikle tavsiye sistemi kurmamıştık. Çünkü bir bayan eşine doğum gününüde traş seti hediye aldığında bir sonraki alışverişlerinde sürekli kravat vb. erkek ürünleri öneriliyor. Eğer müşterilerin demografik bilgileri ile ürünlerin demografik bilgilerini(ürün özellikleri değil erkek kullanımı, seyahat kullanımı vb.) ciddi bir şekilde alabilirseniz(ki kimse bu kadar bilgi vermek ya da girmek istemiyor) belki akıllı bir algoritma ile bir şeyler yapılabilir. ama belirli bir süre önce aldığım bir şeyin belirli bir süre sonra biteceğini öngörerek(migros gibi yerler) bana öneride bulunabilirler belki.

    Cevapla
  9. Tavsiye sistemlerinden negatif etkilecek kullanıcı sayısını göz ardı etmemek gerekir…Alış veriş merkezlerinde yan satıştan ne kadar rahatsız olduğunuzu bir düşünün.

    Cevapla
  10. Merhaba Savaş Bey,

    Düzgün kurulmuş tavsiye sistemleri dediğiniz problemi bir miktar çözebiliyor. Ancak genel olarak tavsiye sistemlerinin sağladığı avantaj bahsettiğiniz gibi durumlarda ortaya çıkan dezavantajdan çok daha fazla oluyor.

    Tavsiye sisteminin sadece geçmiş alışverişlere göre değil, kullanıcının o andaki amacını tahmin etmeye yönelk çalıştığından da yazıda bahsetmiştim. Buna örnek vermem gerekirse, O session içerisinde saat ürünlerine bakan ve/veya arama motorundan saat aratarak gelen bir kişinin saat almak amacında olduğunu söyleyebiliriz. Tavsiye sistemleri gerçek zamanlı sonuç üreten sistemler oldukları için, sadece alışveriş değil browsing datasıyla da sonuç üretmektedirler. Yani kullanıcının gezdiği sayfalar incelenerek anlık tavsiye sayfaları oluşturulur. Buna ek olarak, geçmiş alışverişler şu anki amacına göre yorumlanabilir.

    Bu konuda da bir örnek vermek gerekirse, bir müşterimiz için yaptığımız çalışmada, anycool marka(çin malı) cep telefonu alan kişilerin saat reyonundan Casio marka saat aldıkları sonucu çıkarken, Nokia’nın pahalı modellerini tercih eden kullanıcılar Seiko gibi pahalı saat markalarını tercih ediyorlardı. Bu durumda, o an saat alma eğilimindeki bir kullanıcının geçmiş alışverişlerini inceleyerek hangi saatlerin önplanda gösterileceği hesaplanabiliyordu. Bu sonuçların bir admin tarafından girilmediğini, sistemin kendini eğiterek bulduğunu söylemek gerekiyor.

    Bir bayanın yaptığı alışveriş hediyesi sorunu örneğine geri dönersek, yukarıda bahsettiğim duruma ek olarak son alışverişin etkisini mantıklı hale getirmek için yapılan çözümler mevcut. Bunlara 2 örnek:

    1- Yapılan satışın hediye paketi olup olmadığına bakmak. Amazon bu yolu kullanıyor. Ayrıca manuel olarak kullanıcı yaptığı alışverişin tavsiye sisteminin hesaplamalarından çıkmasını isteyebiliyor. (hatta tavsiyeler tamamen kapatılabiliyor)

    2- Tavsiye sistemleri zaten bu gibi durumları doğaları gereği bir miktar çözebiliyor. Son 3 alışverişi kadın ayakkabısı olan ancak son alışverişinde traş seti almış bir kişinin bir sonraki adımda hangi ürün alacağı onun gibi benzer hareketler sergilemiş kişiler tarafından belirleniyor. Genellikle 3 bayan ürünü – 1 erkek ürünü patterninin sonunda tekrar bir bayan ürünü olabiliyor. Ancak bunlar tavsiye sistemini kuran kişinin kafa yürüterek bulduğu sonuçlar değil, o sitenin kendi kullanıcılarının bıraktıkları izler takip edilerek sistemin kendini eğitmesi sonucunda ortaya çıkan sonuçlardır.

    Peki ne kadar veriye ihtiyaç var? Gerçekten demografik bilgi gerekiyor mu?

    Demografik bilgilerin değerli olup olmadığı eldeki tüm bilgilere bakarak ortaya çıkarılmalı. Hangi verilerin sistem için daha önemli olduğu yapılan çalışma sonucunda belli oluyor. Örneğin netflix yarışmasında sadece “film ID, user ID, verilen puan” şeklindeydi. Yarışmacılar gördüler ki, bu sistemlere ek olarak “kategori, yönetmen” gibi bilgiler girildiği zaman sonuçlar daha kötü oluyor. Temel olarak datamining benzeri uygulamalardan ayrılan nokta burası oluyor. Elde yeterli veri varsa ve Machine Learning algoritmalarının çalışabileceği pozitif/negatif feedback bilgisi bu veriden elde edilebiliyorsa sistem kendini eğitmek ve en iyi sonucu bulmak için çalışabiliyor. Teknik detay vermem gerekirse Netflix’de ve diğer birkaç çalışmada kullandığımız yöntem temel olarak : çok boyutlu bir ürün-kullanıcı puanı matrix’ini daha küçük boyutlu feature matrix’lere bölüyoruz. Ancak bu feature ları biz seçmiyoruz. Biraz akıl karıştırıcı olacak ancak, sisteme filmlerin yönetmeni vs… gibi puan ve ID dışı hiçbir bilgi girmemiş olsa bile ortaya çıkan feature matrixleri ineclendiği zaman yönetmen, genre, film uzunluğu veya belki de hiç akla gelmeyecek “ölen adam sayısı” gibi çeşitli featurelara göre bölündüğünü gözlemleyebiliyoruz. İşin ilginci ortaya çıkan feature’ın “yönetmen” feature ı olduğunu analiz öncesinde ne biz ne de bilgisayar bilmiyor. Çünkü böyle bir veri kendisinde yok. Yani sisteme “yönetmene göre filmleri ayır” denmemiş. Yapılan hesaplar sonucunda insanların karar verme patternleri incelenerek bazı ortak noktalar bulunuyor ve bu ortak noktalar birere feature oluyor. Eğer merak edip acaba sistem bu sonuçları nasıl bulmuş sorusunu cevaplamamız gerektiğinde ortaya çıkan featureları bulabiliyoruz.

    Biraz uzattım ve teknik oldu ancak Tavsiye sistemi konusunun detaylı bir konu olduğunu anlatmak istedim. E-ticaret müşterilerinin ihtiyacı ve kaynağı doğrultusunda en uygun sistemi tasarlamak mümkün. Genellikle eldeki verinin biçimi ve donanım imkanları nedeniyle başlangıç olarak basit çözümler kullanılıyor.

    Cevapla
    • 2003 yılında biz seninde bahsettiğin gibi detaylı ve akıllı bir izleme sistemi isteyemezdik çünkü bu kadar bilgi sahibi değildik. Öte yandan istediğimiz her bilginin saklanacak olması veri büyüklüğünü(o zamanın şartlarında önemliydi) ki bizim 100.000 üyemiz vardı çok büyük bir sayı deniyordu, şimdi ise komik. Attığın taşın değmesi ürküttüğün kuşa değmesi lazım. Seninde söylediğin detayda bir şeyler tasarlanıp uygulanması binlerce dolasr ve aylarca sürmezse bence yapılabilir. Ama tavsiye sistemi ile ayda 100 dolar ekstra kazanacaksam daha efektif uygulamalara yönelebilirim. Yazın çok güzek akıllı eticaret firmaları okuyup değerlendirmeli.

      Cevapla
    • hadi eryaman |

      Siz netflixe ne zaman katıldınız turkiyeden katılımcı olduğunu bilmiyordum ?

      Cevapla
  11. Orhan Yıldırım |

    Müşterilerinizden birinde çalışan bir örnek görebilirmiyiz?

    Cevapla
  12. Merhaba Orhan,

    Şu an aktif olarak çalışan bir VAS (telekom sektörü – vas melodi) ürünümüz var ancak arka planda olduğu için göremiyorsunuz. Diğer çalışmalarımız geliştirme aşamasında.

    Onun yerine playalike konsept demomuzu inceleyebilirsiniz: http://www.playalike.com

    Cevapla
  13. Binlerce müşterinin uzun dönem boyunca tüm alışverişlerini bir yazılıma girebilirsiniz. Böylece, hata oranı çok düşük bir teklif sistemi oluşur.

    Ancak, deneyimlerimin bana gösterdiği şudur. İlk 3 – 4 seviyedeki baskın özelliklerin ne olduğunu bulmak daha önemlidir.

    “Baskın özellik” deyiminin altını da çiziyorum. İlk seviye herkes için aynı olabilir (Satın alma kararında cinsiyet en önemli rolu oynayabilir).

    Ancak bir sonraki seviye, kadınlarda medeni hal olurken, erkeklerde yaş olabilir. İki sonraki seviye de kadınlarda çocuk sayısı iken, erkeklerde gelir durumu olabilir.

    Ben de “3 – 4 basamağı alıp iyi incelemelerini” öneriyorum herkese… Aksi takdirde, yazılım öğrenir. Ama siz müşterinizi öğrenemezsiniz.

    Cevapla

Bir Cevap Yazın