Recommendation Engine (Tavsiye-Öneri Sistemleri)

Recommendation Engine (Tavsiye-Öneri Sistemleri)

Teknolojinin gelişmesi ve yaygınlaşması e-ticaret sitelerinin sayısının artmasına katkı sağlamıştır. Bu durum tavsiye sistemlerinin ortaya çıkmasına ve önem kazanmasına sebep olmuştur. Recommendation Engine yani Tavsiye (Öneri) Sistemi adı verilen yöntemler kullanıcılara kişiselleştirilmiş ürün veya hizmet sunmak amacıyla hazırlanmıştır. Sistemin amacı kullanıcıların tercih ve beğenilerini belirleyerek buna göre ürün veya hizmet sunulmasını sağlamaktır. Öneri sistemleri çeşitli machine learning algoritmaları kullanmaktadır.

Günümüzde birçok insan tarafından kullanılan Youtube, Netflix, Insatgram, Pinterest, Amazon gibi çok sayıda site tavsiye sistemlerini kullanarak bize çeşitli önerilerde bulunmaktadır. Bu öneriler kullanıcıların memnuniyetini arttırırken, şirketlerin satışlarının da artmasına katkı sağlamaktadır. Doğru pazarlama stratejileri şirketlerin satışlarının artmasını sağlamaktadır. Bu doğrultuda öneri sistemleri kullanıcıların ihtiyaçlarını anlamakta ve çeşitli ürün veya hizmetlerin önerilerini sunmaktadır.

Özetle tavsiye sistemleri kullanıcılara kişiselleştirilmiş reklam sunmakta ve kolay satın alma imkânı sağlamaktadır. Ayrıca ürünün kolay bulunması ve kişinin tercihlerine uygun yeni ürünlerin keşfedilmesi de bu sistemlerle kullanıcı için kolaylaşmaktadır. Öte yandan tavsiye sistemleri şirketler için de fayda sağlamaktadır. Bu faydaların başında satışların artması gelmektedir. Ardından müşteri memnuniyetinin sağlanması ve bu sayede müşteri bağlılığının artması sistemin faydalarındandır. Ayrıca sistem ile şirket geri plandaki ürünleri satmaktadır. Bu yöntem ile Amazon arka planda kalmış çok sayıda ürünü müşteri ile buluşturmuştur. Amazon, az satılan ürünleri doğru müşteriler ile eşleştirmiş ve böylece arka planda kalmış ürünlerin de satılmasını sağlamıştır.

Tavsiye sistemleri öneri sunmak için gerekli bilgileri nasıl elde ediyor?

Yazılım teknolojilerindeki gelişmeler veri toplama işlemlerini kolaylaştırmıştır. Bu doğrultuda web üzerinde yapılan her işlem depolanmaktadır. Şirketler kullanıcıların bu işlemlerini analiz ederek kullanıcılara özgü kişisel içerikler sunmaktadır. Örneğin Udemy’den Veri Bilimi kursu almış olduğunuzu varsayalım. Udemy’nin size önereceği eğitimler arasında veri bilimine ilişkin kurslar olacaktır.

Tavsiye sistemleri kişilerin web sitelerindeki davranışlarını izleyerek bir sonraki hareketini tahmin etmeye çalışmaktadır. Tavsiye sistemlerinin etkin olarak kullanıldığı bir diğer platform Netflix’tir. Netflix, kullanıcıların yaptığı her işlemi kaydetmektedir. Sizin Netflix’te izlediğiniz içerikler, bu içerikleri izlediğiniz gün ve saat vb. her işlem kaydedilmektedir. Böylece sistem sizin hangi içeriklere ilgi duyduğunuzu veya hangi içeriği izlemeyi bıraktığınızı bilmektedir.

Tavsiye sistemlerinin önemli özelliklerinden biri farklı ürün veya hizmetler arasında benzerlik bulmasıdır. Youtube’da izlediğiniz videolara benzer içerikte videoların önerilmesi veya Netflix’te izlenen filme benzer filmlerin önerilmesi tavsiye sistemlerinin önemini ortaya koymaktadır. Bu durum kullanıcıyı hizmete daha çok bağlamaktadır. Peki bunu nasıl yapar? Şöyle ki, başlangıçta sistem kullanıcı hakkında yeterli bilgiye sahip değildir. Ancak kullanıcının yaptığı her işlem sisteme yeni şeyler katmakta ve kullanıcı hakkında daha çok bilgi vermektedir. Böylece kullanıcının başlangıçta izlediği bir komedi filmi kullanıcıya komedi filmi önerisi yapılmasını sağlamaktadır.

Tavsiye sistemleri ile çalışmak isteyen şirketler farklı pazarlama stratejileri uygulamaktadır. Herhangi bir ürünü alan müşteriye o ürünün tamamlayıcısını önermek söz konusu stratejilerdendir. Bu öneri müşteriye mail, uygulama bildirimleri veya sayfada gösterilerek yapılmaktadır. Diğer bir strateji ise herhangi bir ürün alan müşteriyi ilgili ürüne ilişkin yeniliklerden bildirim, mail vb. yoluyla haberdar etmektir. E-ticaret sitelerinin en çok kullandığı yöntemlerden bir diğeri de sepetinize atmış olduğunuz ürünü almadığınızda size hatırlatma bildirim ve/veya mailleri göndermektir. Bahsi geçen öneri sistemleri 4 başlıkta incelenmektedir.

  • İçeriğe Dayalı Öneri Sistemleri (Content-Based Filtering Systems)

Bu öneri sisteminde kullanıcı bilgileri ön planda tutulur. Yukarıda verilen örnek tam olarak içeriğe dayalı öneri sistemlerini tanımlamaktadır. Yani kullanıcıların daha önce yaptığı işlemlerden yola çıkarak tavsiyede bulunulmasıdır. E-ticaret sitelerinde buna örnek olarak satın aldığınız bir ürünün tamamlayıcısının size öneri olarak sunulması verilebilir. Örneğin tenis raketi almanız durumunda size tenis topu önerilecektir. Söz konusu öneri sistemleri e-ticaret sitelerinde bu şekilde işlemektedir.

Aşağıda verilen çizimde, müşterinin sabun ve çamaşır suyu aldığı görülmektedir. Bu doğrultuda tavsiye sistemi ilgili müşteriye hijyen grubu ürünlerinden önermektedir. Bu durum içeriğe dayalı öneri sistemlerine örnektir.

 

  • İşbirliğine Dayalı Öneri Sistemleri (Collaborative Filtering Systems)

Benzer kullanıcı davranışlarını belirleyerek bu doğrultuda öneri sunan sistemlerdir. Bu sistemler benzer veya aynı türde içerikleri takip eden kullanıcıları eşleştirmektedir. Ardından ortak ürün/hizmet tercih eden kullanıcılara birbirinin tercihlerini önermektedir.

Aşağıda verilen çizimde bir müşterinin el sabunu, lateks eldiven ve sirke aldığı görülmektedir. Bir diğer müşterinin ise el sabunu ve lateks eldiven aldığı görülmektedir. Bu durumda bu iki müşterinin benzer tüketim eğilimleri gösterdiği görülmektedir. Sonuç olarak sistem diğer müşteriye de sirke önerisinde bulunacaktır.

  • Popülarite Tabanlı Öneri Sistemleri (Popularity Based Recommendation Systems)

Popülarite tabanlı öneri sistemleri kullanıcının davranışından etkilenmez. Bu öneri sistemlerinde esas olan o günün trend ürün veya hizmetlerinin ön plana çıkarılmasıdır. Bu öneri sisteminde müşteri eğilimleri kullanılmamaktadır. Örneğin günümüzde COVID-19 etkisi sebebiyle hijyen ürünleri, temel gıda ürünleri vb. e-ticaret sitelerinde önerilen ürünler arasındadır.

  • Hibrit Öneri Sistemleri (Hybrid Recommendation Systems)

Hibrit öneri sistemlerinde İçeriğe Dayalı ve İşbirliğine Dayalı Öneri Sistemleri birlikte kullanılmaktadır. Söz konusu iki sistemin zayıf yönlerini en aza indirerek en iyi performansı elde etmek amacıyla bu sistem kullanılmaktadır. Bu öneri sistemlerinin sıkça kullanıldığı platformlardan biri Spotify’dır. Spotify’ın düzenli aralıklarla çıkardığı öneri listeleri kullanıcının dinlediği ve kullanıcı ile benzer eğilimleri olan diğer kullanıcıların dinlediği şarkıları bir araya getirerek tavsiye etmektedir.

KAYNAKÇA

Aras, Murat Efe. «Birliktelik Kuralları İle Web Siteleri İçin Tavsiye Motoru Uygulaması.» 2010.

Bell, Robert. «The BigChaos Solution to the Netflix Grand Prize.» 09 2009.

Korbut, Daniil. Recommendation System Algorithms. 06 07 2017.

Sevim, Seçkin, ve Aydın Sevim. «İzleyicinin Nabzını Tutmak: Büyük Veri, Tavsiye Algoritmaları ve Netflix.» Journal Academic Marketing Mysticism Online 10, no. 36 (12 2019): 560-569.

Tyagi, Neelam. 6 Dynamic Challenges in Formulating the Imperative Recommendation System. 26 10 2019.

Utku, Anıl, ve Mehmet Ali Akçayol. «Tavsiye Sistemlerinde Büyük Verinin Kullanımı Üzerine Kapsamlı Bir İnceleme.» Marmara Fen Bilimleri Dergisi, no. 4 (2018): 339-357.