Každý den dělají miliony lidí rozhodnutí o nákupu na základě online vyhledávání - ať už jde o produkty, restaurace v okolí nebo cokoli jiného. Přestože se zákazníci často spoléhají na názory ostatních uživatelů na internetu nebo na online srovnávače cen, podle zprávy společnosti Nielsen nazvané “Global Trust in Advertising” je nejefektivnějším nástrojem přímé ústní doporučení. Nejdůvěryhodnější reklamy se lidem dostává přímo od těch, které znají a věří jim. Na názor rodiny nebo kamarádů se jich úplně nebo alespoň zčásti spoléhá 83 %.
Když zákazníci dělají konečné rozhodnutí o nákupu, je pochopitelné a zřejmé, že se nejprve poradí se svou druhou polovičkou, příbuzným nebo kamarádem. Jsou to totiž oni, kdo zná je, jejich chutě i preference, i to, jakou módu mají rádi. Ale co kdyby je počítač mohl znát lépe než jejich blízcí?
Co o lidech počítače ví teď
V digitálním období se stalo online nakupování dostupnějším, ale také komplikovanějším. Vybírat si ze stovek nebo dokonce milionů možností totiž není vůbec jednoduché. Systémy online doporučení produktů mění způsob, jakým si je lidé prohlížejí a vybírají - zužují rozhodovací prostor tím, že ukazují produkty, které se jim líbí, nebo jim nabízí komplementární či alternativní zboží.
Tyto informace o nákupním charakteru jsou většinou založeny na tom, co si zákazníci jako vy nebo ti s podobnými profily a preferencemi již v minulosti na daném e-shopu prohlédli nebo koupili. Systémy zaznamenávají také datum a čas prohlížení. Doporučovací technologie zkrátka naslouchají tomu, co shání, a navrhují jim podle toho produkty ke koupi. Shromažďují a analyzují miliony dat o preferencích zákazníků, aby byla jejich doporučení co nejpřesnější.
Zní to jednoduše, ale tyto technologie k přesným předpovědím vyžadují obrovské množství dat. Čím více informací, tím lépe. Tady do hry přichází hloubkové učení - inovativní odvětví umělé inteligence, které problémy řeší napodobováním práce lidského mozku při zpracování dat a vytváření vzorců rozhodování.
Umělá inteligence předpoví, co lidé chtějí
Většina z nás už má zkušenost s nabídkami založenými na datech, jak jsme je popsali výše. Na Amazonu si koupili předměty ze sekce “Často kupované společně s ...” nebo si na LinkedIn přidali kontakty z rubriky “Lidé, které možná znáte”. Dokonce i filmy na Netflixu jsou doporučovány s použitím umělé inteligence.
Stroje jsou čím dál chytřejší, uplatňují nástroje hloubkového učení, které personalizují zákaznickou zkušenost tím, že se snaží odhadnout zvyky už po několika prvních návštěvách, někdy hned během té první. Společně s okamžitými analýzami mohou algoritmy schopné samostatného učení pozvednout doporučení až na úroveň předpovědi. Služby jako Spotify jsou schopny doporučit další píseň, YouTube zařazuje do fronty další video podle toho, které návštěvníci zrovna sledují.
Vysoce precizní hloubkové učení se používá v mnoha oblastech digitálního průmyslu stejně jako v reklamní branži. Podle nás pomáhají algoritmy schopné samostatného učení dosáhnout ještě přesnějšího doporučení produktů. Reklamní aktivity jsou s jejich pomocí o 50 % efektivnější. Ale jak to funguje v praxi?
Jak hloubkové učení pracuje s doporučeními
Vezměme si například obyčejný nákup nových šatů. Jakmile zákazník klikne na jakoukoli položku umístěnou v e-shopu, doporučující mechanismus zachytí každý kousek dostupné informace. Prozkoumá barvu šatů, detaily, na které se při hledání zaměřil, cenovou škálu, velikost i tucty dalších charakteristik. Veškeré vzorce, které se shodovaly, následně propojí. Jejich měřením a analýzou v reálném čase může systém pochopit historii, chutě, zájmy a dokonce i náladu - a poté dokáže předpovědět zajímavé zboží. Podle toho, které volby počítač vyhodnotí jako nejefektivnější, nabídne různé kombinace obuvi a šperků, navrhne outfity pro různé příležitosti či zkombinuje oblečení na léto. To vše se děje bez jakéhokoli zásahu člověka na straně inzerenta. Na poli předpovědi nákupů získaly algoritmy schopné samostatného učení tolik znalostí, že není jakýkoli lidský zásah nutný a byl by spíše škodlivý.
Typické doporučovací modely toto udělat nemohou. Starší mechanismy fungovaly na jednoduchém principu shromažďování informací a produkty k doporučení vybíraly dle člověkem předem nastavených pravidel. To mohlo vypadat například takto: ,,Šperky ukázat uživatelům, kteří navštívili sekci s dámskou módou. Pravděpodobně to totiž budou ženy.” Dnešní mechanismus ví, že návštěva dámské sekce je určitým indikátorem pro nákup šperků, ovšem rozpozná také muže, kteří je rovněž plánují nakoupit, ať už pro sebe nebo jako dárek.
Algoritmy hloubkového učení napodobují náš způsob myšlení, ale jejich proces učení probíhá pouze procvičováním a bez jakékoli lidské pomoci. Stroj poté dokáže vytrvale analyzovat nespočet dat bez jakékoli známky únavy či nudy. Vyprodukuje navíc logická a téměř neprůstřelná rozhodnutí bez stresu, pochybností a emocí. Poslušně se bude řídit obecnými pravidly inzerenta, ale co je mnohem důležitější, napíše a naučí se pravidla nová. To vše mnohem výkonněji, než dokáže člověk. To je pravá podstata algoritmů schopných samostatného učení a také odpověď na otázku, proč jsou tak efektivní v reklamním průmyslu.
Podle studie Janrain&Harris je až 74 % zákazníků frustrováno obsahem webu, který pro sebe považují za irelevantní. Infosys dospěl k závěru, že pro 86 % z nich je personalizace důležitá při rozhodování o nákupu.
Používáním vysoce precizních doporučení lze posílit vztah značky s jejími klienty, urychlit prodej, zlepšit konverzní poměr a zvýšit zisk bez ohledu na to, jestli jde o film, hudbu či reklamní průmysl. Díky lepší přesnosti a přesvědčivějšímu přístupu se toto řešení stalo nezbytným nejen pro hráče z oblasti e-commerce, ale také bankovnictví, pojišťovnictví, cestování a každodenního nákupu potravin.
Steve Jobs říkal, že lidé neví, co chtějí, dokud jim to neukážete. Pomocí technologií hloubkového učení se můžeme dočkat toho, že to pro každého uživatele digitálních technologií bude každodenní, automatický zážitek.
Vladimír Houba - regionální ředitel RTB House. Od července roku 2014 zodpovídá za aktivity společnosti RTB House v České republice. Zodpovídá také za další trhy v zemích střední a východní Evropy. V minulosti pracoval na různých pozicích ve výzkumné společnosti Gemius.
Vystudoval management a business administration na City University of Seattle a Ekonomické Univerzitě v Bratislavě.
