Soovitussüsteemi ülesanne on lihtne − teha toodete ja teenuste seast kasutajatele võimalikult personaalseid ja huvipakkuvaid soovitusi. Alates kliendi esimesest klikist veebilehel kuni personaalse soovituse saamiseni teeb süsteem läbi aga mitmekülgse protsessi.
Vaatame lähemalt, kuidas soovitused klientideni jõuavad. Teeme seda veebipoe näitel. Kui klient siseneb veebipoodi, salvestab poe taustsüsteem kõik tegevused – klikid toodetel, toodete lisamise ostukorvi või toote ostmise – ning saadab need soovitussüsteemile. Kliendi igal tegevusel on erinev kaal, mida arvestatakse soovituse väljaarvutamisel. Näiteks toote ostukorvi lisamine on süsteemi jaoks suurema väärtusega kui tootel klikkimine. Ostukorvi lisamisest omakorda suurema kaaluga on toote ostmine, sest see on kõige selgem märk kliendi eelistusest.
Teave kliendi tegemistest veebipoes jõuab soovitussüsteemi “toorel” kujul. Süsteemi esimeseks ülesandeks on leida andmetest vead ja tühimikud ning viia need masinõppemudelite jaoks sobivasse vormi. Soovitussüsteemid kasutavad soovituste tegemiseks masinõpet. See aitab süsteemil leida suurtest andmehulkadest seaduspärasid ja mustreid, mida lihtne statistika tuvastada ei suuda.
Andmete puhastamisele järgneb masinõppemudelite treenimine. Kuna mudeleid on mitmeid, toimub ka nende treenimine erinevalt. Sisuliselt on masinõppemudel matemaatiline algoritm, mis treenimise käigus otsib vigu ja püüab neid parandada seni, kuni mudel suudab võimalikult täpselt prognoosida kliendi eelistusi.
Uue mudeli treenimise juurde kuulub alati ka soovituste testimine. STACC kasutab selleks nii canary deployment testimist kui A/B testimist. Esimese puhul proovib süsteem enne kõikide klientide peal rakendamist soovitusi testgrupi, näiteks 10% veebipoe kasutajate peal. Testimise käigus hinnatakse, ega mudel vigu tee. Kui mudel prognoosib klientide eelistusi võimalikult täpselt ehk veaprotsent on minimaalne, siis rakendatakse mudelit ka teistele veebikeskkonna kasutajatele. Kogu see protsess toimub reaalajas. A/B testimise puhul hinnatakse mitme erineva arendatud mudeli tulemuslikkust ning valitakse mudel, mis saavutab paremaid tulemusi.
Samal ajal saab veebipoe omanik jälgida rakendatud soovitussüsteemi tulemuslikkust läbi kasutajaliidese ehk dashboard’i. Näiteks näeb kasutajaliidesest kõiki soovitussüsteemi poolt mõjutatud kliente, kes soovitust järgisid. Periooditi saab ka näha, kui suur osa müügitulust on tulnud läbi soovitussüsteemi.
E-kirjade personaliseerimine
Turunduslikult kasutatakse soovitussüsteeme ka e-kirjade personaliseerimisel. Veebipoe ehk online-soovitussüsteemi puhul on oluline, et süsteem salvestaks veebipoodi sissetulevat uut infot koheselt ning teeks soovitusi reaalajas. E-kirjade personaliseerimisel reaalajas soovituste andmist aga vaja ei ole.
E-kirjade personaliseerimist kasutatakse peamiselt e-kampaaniate läbiviimisel. Kampaania loomisel määratakse soovitusmudelid, kampaaniatooted, sihtgrupp ning kampaaniale rakendatavad ärireeglid. Nende andmete põhjal pannakse soovitusmudelid ennast treenima. Treenimine toimub kampaania loomise hetkel.
Treenitud soovitusmudel koostab nimekirja klientidest ja personaalselt neile soovitatavatest kampaaniatoodetest. Viimase sammuna saadetakse kampaaniapakkumised kliendi e-postkasti.
Sarnaselt online-süsteemile saab ka e-kampaania raames viia läbi A/B testimist. Samuti saab kampaania tulemuslikkust jälgida kasutajaliidesest.
