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

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.