Apa itu mesin rekomendasi?

Mesin rekomendasi membantu pengguna menemukan konten, produk, atau layanan yang mungkin tidak mereka temukan sendiri. Sistem ini merupakan bagian integral dalam menghasilkan penjualan dan menumbuhkan keterlibatan bagi banyak bisnis daring, termasuk situs web e-commerce, platform streaming media, mesin pencari, dan jaringan media sosial.

Pemberi rekomendasi menyarankan film atau video berikutnya untuk ditonton, lagu serupa untuk didengarkan, hasil pencarian yang relevan, atau produk yang melengkapi pesanan tertentu.

Saran yang dibuat oleh sistem rekomendasi juga memainkan peran penting dalam mempersonalisasi pengalaman pengguna. Menurut penelitian oleh perusahaan konsultan manajemen McKinsey , personalisasi dapat meningkatkan pendapatan sebesar 5%-15%. Selain itu, 76% pelanggan merasa frustrasi ketika mereka tidak merasakan interaksi yang dipersonalisasi.

Pasar untuk sistem rekomendasi sedang berkembang. Pada tahun 2024, pasar mesin rekomendasi diperkirakan mencapai 6,88 miliar USD, dan ukuran pasar ini diproyeksikan meningkat tiga kali lipat dalam 5 tahun.

Untuk menargetkan pengguna dengan saran yang sesuai, mesin rekomendasi memadukan ilmu data dan machine learning.

Rekomendasi biasanya beroperasi dalam 5 fase untuk memprediksi rekomendasi yang paling akurat:

Rekomendasi berbeda berdasarkan metode penyaringan yang mereka gunakan. Umumnya ada 3 jenis mesin rekomendasi:

Sistem penyaringan kolaboratif menyaring saran berdasarkan kemiripan pengguna tertentu dengan orang lain. Sistem rekomendasi kolaboratif mengandalkan data eksplisit dan implisit dan mengasumsikan bahwa pengguna dengan preferensi yang sama kemungkinan akan tertarik pada item yang sama dan berpotensi berinteraksi dengan item tersebut dengan cara yang sama di masa mendatang.

Amazon , misalnya, menggunakan pemfilteran kolaboratif untuk rekomendasi produknya, seperti yang dilakukan Spotify untuk konten audionya.

Rekomendasi penyaringan kolaboratif dapat memberikan saran yang efektif dan biasanya tidak memerlukan deskripsi item yang mendetail. Namun demikian, penyaringan kolaboratif juga rentan terhadap masalah cold start, yang terjadi ketika sistem memiliki data historis yang terbatas, terutama untuk pengguna baru.

Ada 2 jenis utama sistem penyaringan kolaboratif: berbasis memori dan berbasis model.

Sistem berbasis memori merepresentasikan pengguna dan item sebagai matriks. Itu merupakan ekstensi dari algoritma k-tetangga terdekat (KNN) karena bertujuan untuk menemukan ‘tetangga terdekat’ mereka, yang dapat berupa pengguna atau item serupa. Sistem berbasis memori dibagi lagi menjadi 2 jenis:

• Pemfilteran berbasis pengguna menghitung kemiripan antara pengguna tertentu dan semua pengguna lain dalam matriks. Fungsi kesamaan berbasis pengguna dihitung antara baris dalam matriks item pengguna.

• Penyaringan berbasis item menghitung kemiripan item melalui perilaku pengguna (cara pengguna berinteraksi dengan item dan bukan fitur item). Fungsi kesamaan berbasis item dihitung antara kolom dalam matriks item pengguna.

Atau, sistem berbasis model membuat model machine learning prediktif dari data. Matriks item pengguna berfungsi sebagai kumpulan data pelatihan untuk model, yang kemudian menghasilkan prediksi untuk nilai yang hilang, yaitu item yang belum ditemukan oleh pengguna dan oleh karena itu akan direkomendasikan.

Salah satu algoritma penyaringan kolaboratif berbasis model yang paling umum digunakan adalah faktorisasi matriks. Metode pengurangan dimensi ini memecah matriks pengguna-item yang biasanya berukuran besar menjadi dua matriks kecil, satu untuk pengguna dan satu untuk item, yang memiliki beberapa dimensi yang dipilih. Kedua matriks tersebut kemudian digandakan bersama untuk memprediksi nilai yang hilang (atau rekomendasi) dalam matriks yang lebih besar.

Implementasi faktorisasi matriks yang lebih maju memanfaatkan pembelajaran mendalam neural network. Sistem berbasis model lainnya menggunakan algoritma machine learning seperti pengklasifikasi Bayes, klustering, dan decision trees.

Sistem penyaringan berbasis konten menyaring rekomendasi berdasarkan fitur item. Sistem rekomendasi berbasis konten mengasumsikan bahwa jika pengguna menyukai item tertentu, mereka juga akan menyukai item lain yang serupa. Pemfilteran berbasis konten mempertimbangkan deskripsi item seperti warna, kategori, harga, dan metadata lain yang ditetapkan oleh kata kunci dan tag, bersama dengan data eksplisit dan implisit.

Sistem penyaringan berbasis konten merepresentasikan item dan pengguna sebagai vektor dalam ruang vektor. Kedekatan digunakan untuk menentukan kesamaan antara item. Makin dekat 2 vektor di ruang angkasa, makin mirip mereka dianggap. Vektor yang serupa dengan item sebelumnya sesuai dengan fitur yang disediakan akan direkomendasikan kepada pengguna.

Rekomendasi berbasis konten menerapkan pengklasifikasi berbasis pengguna atau model regresi. Deskripsi dan fitur item yang diminati pengguna bertindak sebagai kumpulan data pelatihan model, yang kemudian menghasilkan prediksi untuk item yang direkomendasikan.

Sistem rekomendasi berbasis konten dapat ditingkatkan lebih lanjut dengan menggunakan tag pemrosesan bahasa alami. Namun, proses penandaan ini bisa melelahkan untuk volume data yang sangat besar.

Tidak seperti penyaringan kolaboratif, masalah cold start tidak terlalu menjadi masalah karena penyaringan berbasis konten didasarkan pada karakteristik metadata dan bukan pada interaksi pengguna sebelumnya. Namun demikian, penyaringan berbasis konten bisa jadi terbatas dalam menjelajahi item baru, karena sering kali menyarankan item yang mirip dengan apa yang pengguna sukai sebelumnya.

Seperti namanya, sistem rekomendasi hibrida menggabungkan penyaringan kolaboratif dan penyaringan berbasis konten.

Hasilnya, pendekatan hibrida dapat sangat meningkatkan kinerja mesin rekomendasi, tetapi membutuhkan arsitektur canggih dan daya komputasi yang intensif.

Netflix, misalnya, menggunakan sistem rekomendasi hybrid untuk rekomendasi film dan acara TV-nya.

Mesin rekomendasi dapat membawa nilai bagi bisnis dan pengguna. Berikut adalah beberapa keuntungan yang dapat diperoleh organisasi dari berinvestasi dalam sistem rekomendasi:

Merekomendasikan produk atau layanan yang tepat menghemat waktu pengguna dari menggulir tanpa henti melalui katalog yang luas. Misalnya, 80% dari apa yang ditonton pemirsa di Netflix berasal dari saran yang didukung oleh algoritma rekomendasi. Selain itu, menyarankan konten yang relevan mengarah pada pengalaman yang dipersonalisasi.

Menurut penelitian dari McKinsey, pengalaman pelanggan yang lebih baik akan menghasilkan kepuasan pelanggan yang lebih tinggi, tepatnya 20% lebih tinggi. Pelanggan yang puas menjadi lebih terlibat dan menumbuhkan loyalitas terhadap suatu merek, sehingga memungkinkan perusahaan membangun kepercayaan dan mempertahankan lebih banyak pelanggan.

Memberikan rekomendasi yang dipersonalisasi mendorong pengguna untuk melihat dan mengklik lebih banyak item, yang pada akhirnya dapat mengubah pengguna menjadi pembeli. McKinsey menemukan peningkatan 10% — 15% dalam tingkat konversi penjualan dari pengalaman pelanggan yang lebih positif dan personal.

Konversi pelanggan mendorong penjualan, dan penjualan mendorong pendapatan. McKinsey mencatat bahwa 35% dari apa yang dibeli pembeli di Amazon berasal dari rekomendasi produk. Sementara itu, Netflix memperkirakan penghematan lebih dari 1 miliar USD karena sistem rekomendasinya.

Sistem rekomendasi memiliki keterbatasan dan menimbulkan tantangan bagi organisasi. Berikut adalah beberapa yang paling umum:

Mesin rekomendasi memerlukan analisis dan penyaringan data dalam jumlah besar. Ini membutuhkan arsitektur yang kompleks dan investasi yang signifikan dalam sumber daya komputasi.

Sistem pemberi rekomendasi harus cukup cepat untuk menentukan dan menampilkan rekomendasi yang tepat secara real time. Hal ini menjadi lebih sulit ketika saran real-time disajikan secara bersamaan kepada ratusan atau ribuan pengguna, apalagi jutaan pengguna.

Mengoptimalkan algoritma machine learning di sekitar metrik yang salah dapat menyebabkan rekomendasi yang tidak relevan. Item yang sering dinilai tinggi mungkin disarankan lebih sering daripada yang baru atau tidak jelas atau yang memiliki ulasan lebih sedikit. Namun, barang yang paling populer atau paling banyak dibeli mungkin bukan yang diminati pelanggan.

Algoritma machine learning mungkin mempelajari bias sosial yang ada dalam data—baik itu data yang dikumpulkan, data yang ditandai, data pelatihan, atau sumber data eksternal—atau dari evaluator manusia yang menyetel model. Hal ini dapat mengakibatkan rekomendasi yang tidak akurat.

Beberapa pengguna mungkin memilih keluar dari inisiatif pengumpulan data perusahaan untuk sistem rekomendasi karena masalah privasi. Bisnis mungkin juga perlu mempertimbangkan persyaratan peraturan dan standar kepatuhan saat mengumpulkan dan menyimpan data.

Berikut adalah beberapa cara perusahaan dapat menggunakan sistem rekomendasi. Contoh penggunaan dan penerapan lain mungkin muncul seiring berkembangnya teknologi pemberi rekomendasi.