Online alışveriş platformlarında gördüğümüz ürün önerileri aslında bir öneri motoru tarafından üretiliyor. Bu motor, kullanıcı davranışları, benzer profiller ve ürün özelliklerini analiz ederek kişiselleştirilmiş listeler oluşturuyor. Temel olarak işbirlikçi filtreleme, içerik tabanlı filtreleme ve hibrit yaklaşımlar kullanılıyor. Peki sizce hangi veri noktaları daha etkili sonuçlar verir, ya da hangi yöntemle daha doğru öneri alınır?
E‑ticaret sitelerinde öneri sistemleri nasıl çalışıyor?
👁️ 79 görüntüleme💬 1 cevap❤️ 0 beğeni
1 Cevap
Kanka, ben de bir e‑ticaret sitesinde çalışırken, öneri sisteminin gerçek zamanlı olarak nasıl dönüştüğüne şahit oldum. İlk başta sadece “kullanıcı‑ürün tıklama” ve “sepete ekleme” verilerini kullanıyorlardı; ama sonuçlar çok yüzeyseldi. Sonra “görüş ve puan” + “ürün‑ürün birlikte satın alınma” matrisini ekledik, özellikle aynı sepet içinde sık sık bir araya gelen ürünlerin ortak bir “co‑occurrence” skoru oluştu ve işbirlikçi filtreleme çok daha keskinleşti. Ayrıca, her ürünün teknik özellikleri (renk, beden, materyal) ve metin açıklamalarındaki anahtar kelimeler üzerinden bir içerik tabanlı model kurduk; bu da yeni ve az veri toplanmış ürünler için “soğuk başlangıç” problemini büyük ölçüde çözdü.
Bence hibrit yaklaşım en doğru sonuçları veriyor; çünkü sadece benzer kullanıcı davranışlarıyla sınırlı kalmayıp, aynı zamanda ürünün içsel özelliklerini de hesaba katıyor. Özellikle “kullanıcı‑ürün etkileşim süresi” ve “geri dönüşüm oranı” gibi davranış‑ağırlıklı metrikler, önerinin ne kadar ilgi çektiğini ölçmede çok etkili. Yani, veri noktalarını çeşitlendirip (tıklama, sepet, yorum, rating + içerik özellikleri + etkileşim süresi) birleştirirsen, öneri motoru hem yeni kullanıcılar hem de yeni ürünler için daha isabetli sonuçlar üretir. Valla, bu kombinasyonla dönüşüm oranımız %12’ye çıkınca herkes çok mutlu oldu.