Relevanttia tuotesuosittelua isossa skaalassa

Valtaosa meistä näkee tuotesuosittelua usein erityisesti verkkokauppoja selaillessa. Ne ovat osa arkea. On yksinkertaista ”eniten katsotut” tai ”eniten ostetut” -tyyppistä suosittelua, moderoitua suosittelua ja jokaiselle asiakkaalle erikseen personoitua suosittelua. Yksinkertaistaen näistä jälkimmäisessä on kyse joko asiakashistoriaan perustuvista sääntöpohjaisista yksinkertaisista nostoista tai sitten koneoppimisen ja data sciencen piiriin laskettavista, asiakashistoriasta oppivien algoritmien avulla tehdyistä, tarkemmista kohdennuksista. On kyse kummasta tahansa, niin suosittelulaskenta perustuu isojen asiakasmassojen yli tehtävään laskentaan, vaikka lopputuloksena tuleekin asiakaskohtaisesti personoidut suositukset.

Kuva 1: Esimerkki verkkokaupan tuotesuosittelusta

Seuraavaksi avaan hiukan omiin kokemuksiini pohjautuen mielestäni tärkeitä asioita koneoppivien tuotesuositteluiden konseptointiin, suunnitteluun ja kehittämiseen liittyen.

Mahtavia suosittelukonsepteja etsimässä

”Tuotesuosittelu” aihealueena kuulostaa ainakin periaatteessa simppeliltä. Dataa sisään, vähän koneoppivan mallin laskentaa ja suosittelut ulos, eikö? No periaatteessa kyllä, mutta todellisuudessa myös aika paljon muuta, kuten olen – taas kerran – SOK:lla näitä pohtiessani huomannut.

Kun tuotesuosittelua suunnitellaan ja tehdään, niin kaiken pitää lähteä relevanttiudesta asiakkaalle. Mutta mikä on ylipäätään relevanttia erilaisille asiakkaille – puhumattakaan kun heitä on yli kolme miljoonaa? Ja eihän pelkkä ”relevantti” edes riitä. Mikä adjektiivikombo valitaan? Kiinnostava, yllättävä, ajankohtainen ja tarpeellinen? Tavoitteeksi on hyvä ottaa juuri siihen tilanteeseen, johon suosittelu kehitetään, paras ja relevantein suosittelu.

Avataanpa hiukan tuota edellistä. Ensinnäkin pitää pohtia mitä relevanttius on eri käyttötapauksissa, koska ei ole yhtä suositusta, joka toimisi aina. Täytyy siis pitää asiakas ja asiakkaan tarve, asiointitilanne, mielessä kun suosittelualgoritmeja suunnitellaan. Eli tehdäänkö tuotesuosittelua, kun asiakas on verkkokaupassa tekemässä vaateostoksia, jokapäiväisemmän fyysisessä kaupassa tapahtuvan ruoan ostamisen yhteydessä vai esimerkiksi siihen hetkeen, kun asiakkaalla on aikaa lukea sähköpostinsa kotisohvallaan? Halutaanko inspiroida, tuoda esiin kiinnostavia uutuuksia vai esimerkiksi tarjota vaihtoehtoja? Variantteja on lukuisia. Pelkästään yksittäisessä digitaalisessa palvelussa voi olla - ja kuuluukin olla - lukuisia eri tuotesuosittelutoiminnallisuuksia, joista kukin toimii vähän omalla twistillään.

S-ryhmän satoja tuhansia erilaisia myyntiartikkeleita sisältävä valikoima tuo tuotesuositteluiden kehittämiseen oman mausteensa. Miten eri ketjujen valikoiman kiinnostavuus ja relevanttius kullekin asiakkaalle vaihtelee? Ketä kiinnostaa vain yksi ketju ja ketä valtaosa? Onko jokin Sokoksella oleva vaate relevantimpi kuin vaikka jokin Prismassa oleva lelu? Miten siis verrataan ”omenia” ja ”päärynöitä” keskenään? Olisi huomattavasti yksinkertaisempaa suositella ”vain” asiakkaalle sopivia seuraavia leffoja videotoistopalvelussa.

Vaikka relevantin tuotesuosittelun suunnittelussa ja kehittämisessä pitääkin huomioida monia asioita, niin pitkälle pääsemistä helpottaa, jos suosittelukonseptia ja itse suositteluja pääsee testaamaan nopeasti asiakkailla. Eli mielellään nopeita testejä tai asiakastutkimuksia, jotta opitaan viemään suosittelua pienissä askelissa koko ajan oikeaan suuntaan asiakkaan näkökulmasta.

Hyppysellinen arjen realismia aina mukana

Edellä mainittujen asioiden lisäksi suosittelua suunnitellessa ja kehitettäessä tulee pitää mielessä eri tuotteiden ja palveluiden sesongit sekä ostamisen toistuvuus. Tämä on helppo unohtaa, jos katse on ylätasolla ja keskitytään liikaa siihen, miten ratkaisu toimii isossa kuvassa. Voidaan siis päätyä yksittäisten tuotteiden ja tuoteryhmien osalta ilmiselviin virheisiin. Moniakaan ei esimerkiksi kiinnostaisi saada suosittelua hyvästä kaasugrillistä keskellä talvea, vaikka kyseinen kaasugrilli olisikin erittäin osuva suosittelu henkilölle toukokuussa.

Kuva 2: Esimerkki tuotekategoriakohtaisista sesongeista.

Pitää siis analysoida, onko tuote ajankohtainen melkeinpä aina vai vain tiettynä sesonkina. Lisäksi on tärkeä tunnistaa, ostetaanko samaa tuotetta toistuvasti vai pääsääntöisesti vain kerran. Nämä molemmat ovat ainakin lähes triviaaleja asioita yksittäisen tuotteen osalta mutta triviaalisuus katoaa, kun päättely pitää skaalata yli satojen tuhansien tuotteiden ja rakentaa tämän päälle logiikka, joka tuodaan osaksi tuotesuosittelua. Isohkoa laskentaa, koska eri asiakkaat voivat nähdä vieläpä sesonkien kestot eri tavalla - toinen alkaa viettämään joulusesonkia jo hyvissä ajoin, toinen ei oikein ollenkaan.

Valittuja konsepteja ketterästi kehittäen

Konseptin muodostamisen lisäksi pitää luonnollisesti pohtia, miten itse toteutus kannattaisi tehdä. Ei pureuduta tässä postauksessa tähän nyt turhan syvällisesti, mutta fakta on, että tapoja ja menetelmiä on lukuisia eikä ”oikeaa” vastausta välttämättä edes ole. Kokeillaanko tietyssä toiminnallisuudessa esimerkiksi ensin kollaboratiivista suodattamista vai lähdetäänkö ensin kokeilemaan sisältöperusteisia menetelmiä? Tunnistetaanko heti alkuunsa, että tarvitaan todennäköisesti molempia vai jotain ihan täysin muuta ”laatikon ulkopuolelta”? Meillä on tuotesuosittelun saralla tietyissä suosittelutoiminnallisuuksissa lähdetty nimenomaan kollaboratiivisella suodatuksella liikkeelle ja matkalla siirrytty hybridimenetelmiin, jotka meidän tapauksessa toimivat pelkkää kollaboratiivista suodattamista paremmin.

Kuva 3: Karkea jaottelu erityyppisistä koneoppivista suosittelujärjestelmistä.

Menetelmiä valittaessa nousee arvoonsa tiimin kokemukset edellisistä toteutuksista. On paljon helpompi valita ensimmäinen kehityskulma, kun ei ole tekemässä suosittelujärjestelmää ensimmäistä kertaa. Valitusta menetelmästä huolimatta kehityksen pitäisi olla kokeilevaa sekä ketteryyteen tähtäävää. Asiakkailta tulevaa palautetta ja suosittelun toimivuutta tulee tarkkailla tiiviisti ja menetelmiä pitää voida vaihtaa kesken kaiken, jos niin parhaaksi nähdään. Kokeilevuutta ja ketteryyttä tukee, kun on käytössä soveltuva pilviympäristö, jossa on mahdollista kokeilla uusia menetelmiä isoillekin tietomassoille kevyehkösti ja kustannustehokkaasti.

Lisäksi tietääkseen, mikä on ”hyvä” tai ”parempi” suosittelumalli, täytyy suosittelun pääasiallinen tavoite ja siihen linkitetyt mittarit olla kirkkaita. Ilman näitä ollaan helposti subjektiivisten näkemysten armoilla, jolloin ei ole melkeinpä muita kuin vääriä tulkintoja. Yksittäiselle ihmiselle lasketut suositukset voivat tuntua oudoilta, kun taas yli kolmen miljoonan asiakkaan tasolla katsottuna suosittelut ovat hyvinkin osuvia - valitut mittarit kertovat objektiivisesti tilanteen.

Mielenkiintoista ja vaikuttavaa tekemistä

Todella hyviä koneoppivia tuotesuosittelujärjestelmiä suunniteltaessa ja kehitettäessä on siis melkoisesti erilaisia kulmia mietittävänä ja ratkaistavana. Googlesta ei löydy kaikkeen vastausta, vaikka siitäkin apua toki on. Haasteellisuus tekee kehittämisestä mielenkiintoista. Toisella puolella kolikkoa on luonnollisesti se merkittävä lisäarvo, mitä kehityksellä pyritään luomaan. On hienoa nähdä kehitetyn suosittelun toimivan käytännössä ja olevan suurelle asiakasjoukolle hyödyllinen.

Vaikka vähän passiivissa tulikin kirjoitettua, niin kaikki edellä olevat aihealueet ovat vahvasti läsnä ainakin allekirjoittaneen ja lähikollegoiden arjessa täällä SOK MEDIA:ssa. Normiviikkona pääsee siis usein pohtimaan mielenkiintoisien tuotesuositteluhaasteiden parissa sekä tekemään isoon joukkoon positiivisesti vaikuttavia ratkaisuja.

Mikael Ruohonen