სანამ გადავალთ იმაზე, შეიძლება თუ არა რეკომენდაციების გაცემა სისტემურად, ალბათ ჯერ უნდა დავფიქრდეთ ყოველდღიურ ცხოვრებაში რამდენად მნიშვნელოვანია ჩვენთვის იმ ადამიანების რეკომენდაციები, რომლებსაც ვენდობით.

ხშირ შემთხვევაში ჩვენ მივმართავთ ახლობელ ადამიანებს რჩევისთვის, მაგალითად:

• ტანსაცმლის არჩევისას რეკომენდაციას ვიღებთ იმ მეგობრისა თუ ოჯახის წევრისგან, რომლის გემოვნებასაც ვენდობით.

• ფილმის არჩევისას ფილმების მოყვარულ მეგობრებს მივმართავთ თხოვნით, გვირჩიონ რაიმე განწყობის შესაბამისი ან უბრალოდ კარგი ფილმი.

• პროფესიული წიგნების შერჩევისას აზრს ვეკითხებით, ჩვენს პროფესორებს ან თანამშრომლებს, რომლებსაც დიდი გამოცდილება აქვთ.

• მხატვრული ლიტერატურის შერჩევისას, მათ მივმართავთ ვისზეც მიგვაჩნია, რომ ჩვენი მსგავსი გემოვნება აქვთ და ა.შ.

რომ შევაჯამოთ, გვჭირდება ისეთი რჩევები, რომლებიც დაგვეხმარება მაქსიმალურად შევამციროთ შესაძლო არჩევანის არეალი ან სულაც მივიღოთ კონკრეტული მზა რეკომენდაცია.

იქედან გამომდინარე, რომ დღევანდელ, ციფრულ, სამყაროში პროდუქტების არჩევანი უსაზღვროდ გაზრდილია, რთულად წარმოსადგენია ყოველი მომდევნო არჩევანის გაკეთებისას ახლობლებს ვთხოვოთ დახმარება. შესაბამისად ჩნდება ისეთი სისტემის არსებობის აუცილებლობა, რომელიც კარგად იცნობს ჩვენს გემოვნებას/საჭიროებებს და გვეხმარება არჩევანის გაკეთებაში. სწორად ამ მიზანს ემსახურება რეკომენდაციის სისტემა - გვირჩიოს ისეთი პროდუქტი თუ სერვისი, რომელიც ჩვენ მოგვეწონება.

ვინ იყენებს რეკომენდაციის სისტემებს?

ალბათ ყველაზე ნათელი და დასამახსოვრებელი მაგალითია Youtube. როდესაც ჩვენ ვასრულებთ რაიმე ვიდეოს ყურებას, გვერდი ავტომატურად გვთვაზობს 12 ვიდეოს. რა თქმა უნდა, ეს შეთავაზებები არ არის შემთხვევითი და ეყდრნობა ჩვენს მიერ წარსულში ნანახ, მოწონებულ ან მოძებნილ ვიდეოებს.

Amazon-ზეც, როდესაც კონკრეტული პროდუქტის გვერდზე გადადიხართ, ის გთავაზობთ ნივთებს, რომლებიც არის მსგავსი. ასევე amazon რეკომენდაციას უწევს პროდუქტებს, რომლებსაც ყიდულობენ მომხმარებებლები თქვენ მიერ გაკეთებულ არჩევანთან ერთად.

დარწმუნებული ვარ Facebook-მაც არაერთხელ შემოგთავაზათ ისეთი ადამიანის მეგობრებში დამატება, რომელიც შეიძლება სულაც არ გახსოვდათ.

რა თქმა უნდა, არც Netflix ჩამორჩენია მოვლენებს, პირიქით შეიძლება ითქვას რომ სწორად მათ გააკეთეს ყველაზე დიდი გარღვევა რეკომენდაციის სისტემებში თავიანთი ბრწყინვალე შემოთავაზებებით.

სია უსასრულოდ გრძელია, ნებისმიერი დიდი ციფრული კომპანია იყენებს შესაბამის ალგორითმებს, რათა თქვენზე მორგებული შეთავაზებები გაგიკეთონ. 

იმისათვის, რომ უკეთესი წარმოდგენა გვქონდეს თუ რამხელა მნიშვნელობას ანიჭებენ კომპანიები რეკომენდაციის სისტემებს, მაგალითად მოგიყვანთ 2009 წელს Netflix-ის მიერ ორანიზებულ კონკურსს, “Netflix prize".

კონკურსის მიზანი იყო, მათი სისტემის 10%-ით გაუმჯობესება, ხოლო ჯილდო 1 მილიონი დოლარი. ეს 10% წარმოადგენს ბიზნესისთვის ძალიან მნიშვნელოვან ნაწილს, მიახლოებითი შეფასებებით რეკომენდაციის სისტემები იწვევს კომპანიის შემოსავლების10-25%-ით ზრდას.

რა ტიპის რეკომენდაციის სისტემები არსებობს?

როდესაც თქვენ შედიხართ წიგნების მაღაზიაში და ხედავთ ცალკე სექციას, სადაც განლაგებულია ბესტსელერები, ეს ყველაზე მარტივი და ცხადი, პოპულარობაზე დაფუძნებული, რეკომენდაციის სისტემაა.

ხშირია ერთად მოხმარებული პროდუქტების რეკომენდაცია, რომლიც მაგალითიც უკვე მოვიყვანეთ Amazon-ზე საუბრისას.

არსებობს პროდუქტის აღწერილობაზე დაფუძნებული ალგორითმები, რომლის მიზანიცაა მიხვდეს რომელი პროდუქტებია ერთმანეთის მსგავსი.

კიდევ მრავალი სხვა სახის ალგორითმი არსებობს თუმცა, თქვენს ყურადღებას შევაჩერებ ყველაზე გავრცელებულ და მძლავრ სისტემაზე, „კოლაბორაციული გაფილტვრა“ (collaborative filtering). 

მთვარი დაშვება, რასაც ეს ალგორითმი ეყრდნობა არის შემდეგი: მომხარებლები, რომლებიც თანხმდებოდნენ წარსულში, მომავალშიც შეთანხმდებიან. სხვა სიტყვებით რომ ვთქვათ, მოდელი ცდილობს გაანალიზოს თქვენ მიერ წარსულში მოწონებული პროდუქტები, ასევე იპოვოს ადამიანები ვისაც მსგავსი გემოვნება აქვს (ანუ წარსულში მსგავსი არჩევანი გააკეთა) და შემდეგ გააკეთოს ისეთი შემოთავაზება, რაც თქვენ ჯერ არ გიცდიათ მაგრამ „თქვენნაირი გემოვნების/საჭიროებების“ მქონე ადამიანებს მოეწონათ.

თიბისის მხარდაჭერით 15-დან 24 ივნისამდე, საქართველოში პირველად ბიზნეს მონაცემთა და ანალიტიკის კონფერენცია ჩატარდება. TIDA (Tbilisi International Data Analytics) რვა დღის განმავლობაში, საერთაშორისო მასშტაბით, მონაცემთა ანალიტიკის პროფესიონალებსა და ანალიტიკის გამოყენებით დაინტერესებულ ბიზნესის წარმომადგენლებს გააერთიანებს.

ავტორები: ლევან ბორჩხაძე, გიორგი ჭკადუა