NARZęDZIA ZBIOROWA INTELIGENCJA REKOMENDUJE
Zbiorowa inteligencja
rekomenduje
16
tekst: Marcin Majda
Wypożyczalnia NetFlix ogłosiła w 2006 r. konkurs, w którym zaoferowała milion
dolarów dla drużyny, która poprawi ich algorytm rekomendacji o 10 proc. Dlaczego
tak duża nagroda i taki konkurs? Rekomendacje dla NetFlix są kluczowym elementem,
gdyż odpowiadają za 60 proc. sprzedaży!
iliony ludzi, tworząc własne
strony www, decydujÄ… siÄ™
Mna umieszczenie odnośników
do innych stron, które uważają za ważne
i interesujące. Im więcej osób zamieści
na swojej stronie link do danej strony, tym
wyżej zostanie ona oceniona. Całkowicie
nowe podejście, wykorzystujące informa-
cje wygenerowane przez miliony ludzi,
pozwoliło firmie Google zdominować
rynek wyszukiwarek, a jej autorzy znajdujÄ…
się na liście najbogatszych ludzi świata.
Kolejnym przykładem wykorzystania
wiedzy wielu jednostek jest Wikipedia,
która jest internetową encyklopedią two-
rzoną i generowaną przez użytkowników.
Sama strona niewiele robi, pozwala do-
dawać, edytować wpisy oraz wyszukiwać
interesujące nas informacje. Jednak dzięki
zbiorowej współpracy wielu ludzi udało
się stworzyć tak dużą encyklopedię, której
żaden zespół redakcyjny na świecie nie jest
w stanie przygotować.
Zbiorowa inteligencja może być rów-
nież wykorzystywana do szybkiego wy-
krywania informacji na temat zagrożeń,
jakimi mogą być powodzie, burze, pożary.
listopad 2009
marketing w praktyce
© Alberto Ruggieri/Illustration Works/Corbis
ZBIOROWA INTELIGENCJA REKOMENDUJE NARZęDZIA
Przykładem takiego rozwiązania jest pro-
jekt WeKnowIt (www.weknowit.eu) two- Rys. 1. Wygląd rekomendacji w amazon.com  Ludzie, którzy kupili
tę pozycję, kupili również& 
rzony przez konsorcjum sześciu ośrodków
naukowych z całej Europy oraz firm: Vo-
dafone (Grecja), Telefonica (Hiszpania),
Yahoo (USA) oraz krakowski Software 17
Mind. Fundamentem projektu jest wyko-
rzystanie wiedzy poszczególnych jedno-
stek. Każdy obywatel na wiele sposobów,
m.in. za pomocÄ… SMS-a, MMS-a, nagrania
wideo może informować o istniejących
zagrożeniach. Zbieranie oraz wielowy-
miarowa analiza danych gromadzonych
przez społeczeństwo może dostarczyć
w krótkim czasie ogromnie ważnych in-
formacji dla ośrodków koordynujących
kataklizm. Najlepszym przykładem może
być informacja o tym, że wszystkie drogi
dojazdowe do szpitala sÄ… zablokowane,
co w sytuacji kryzysowej może uratować
życie wielu ludziom.
Jednak najpopularniejszym przykła-
dem zbiorowej inteligencji omawianej
w kontekście analizy zachowań mas ludzi
sÄ… systemy rekomendacyjne oraz persona-
lizacja. Bardzo często spotykamy się z nimi
w serwisach internetowych. Systemy te kupowały również&  . Jest to najprostszy tutaj do czynienia ze śledzeniem, jakie
podpowiadają nam automatycznie, bez mechanizm (tzw. Collaborative Filtering) poszczególne pozycje ogląda użytkow-
udziału pracowników serwisu, co może i najczęściej wykorzystywany. Największy nik. Schemat poruszania się użytkownika
się nam spodobać, starając się wpasować na świecie sklep internetowy amazon. po serwisie kończy się często zakupem
w nasz gust i spersonalizować zawartość com na tym nie poprzestaje. Dlaczego? pewnej pozycji. Dostajemy do zanali-
strony specjalnie dla nas w czasie, kiedy Jak twierdzi Greg Linden, autor systemu zowania zachowania użytkowników,
ją oglądamy, oceniając nasze preferencje rekomendacyjnego amazon.com, kiedy na podstawie których staramy się wydobyć
za pomocą algorytmów zbiorowej inte- odchodził z firmy w 2002 roku ponad informację, co może spodobać się nasze-
ligencji. 20 proc. sprzedaży pochodziło z perso- mu klientowi. Użytkownik oglądał wiele
nalizacji i rekomendacji. Obecnie (jak pozycji, czytał ich opisy, opinie o nich,
Mechanizmy stosowane
podaje na swoim blogu) 35 proc. sprze- recenzje, aż w końcu na coś się zdecydo-
w praktyce
danych pozycji na amazon.com pochodzi wał. Analizując tego typu zachowania,
W sklepach internetowych najczęstszy z rekomendacji. możemy wyciągać bardzo cenne informa-
przykład silnika rekomendacji jest oparty Jakie dodatkowe mechanizmy stosuje cje. Cenne o tyle, że dobrze dopasowane
na śledzeniu pozycji, które kupowali użyt- amazon.com? Oczywiście jest to pilnie do użytkownika zwiększają szanse, że kupi
kownicy. W takich serwisach jest osobna strzeżona tajemnica firmy, jednak wnikli- on proponowany produkt, co jest istot-
sekcja z rekomendacjami dla nowego użyt- wa analiza serwisu ujawnia więcej detali. ne, bo ma on nikłe szanse znalezienia go
kownika zawierająca wiedzę o preferen- Na przykład, na każdej stronie produk- w milionie innych produktów w serwisie.
cjach innych osób o podobnych do niego tu widzimy dodatkowe sekcje. Pierwszą Wskazując nastolatce preparat do protez,
upodobaniach. Sekcje te są zatytułowane: z nich jest  Użytkownicy, którzy oglądali raczej nie osiągniemy sukcesu, w odróż-
 Osoby, które kupowały tę pozycję, często tę pozycję, ostatecznie kupili&  . Mamy nieniu od sytuacji, kiedy pokażemy jej 8
listopad 2009
marketing w praktyce
NARZęDZIA ZBIOROWA INTELIGENCJA REKOMENDUJE
Porównywanie użytkowników
8 produkt kupiony przez innego podobnego filmy i podczas tego procesu zbiera o nich
jako z
ródło rekomendacji
użytkownika (inną nastolatkę), np. naj- recenzje od swoich klientów. Użytkownik
nowszą płytę popularnego wykonawcy. w skali od 1 do 5 może ocenić każdą pozy- Przy mniejszych zastosowaniach (lub
Inną sekcją pojawiającą się w księgarni cję. Na podstawie danych o preferencjach w systemach, które nie potrzebują od-
amazon.com na stronie książki na temat wszystkich użytkowników system infor- powiedzi w czasie rzeczywistym) można
18  Collective Intelligence jest  Poszukujesz matyczny jest w stanie zarekomendować wykorzystywać wyszukiwanie podo-
pozycji Collective Intelligence? . Tutaj internaucie film, o którym nigdy nie sły- bieństw między użytkownikami. W ta-
mamy do czynienia z analizą języka na- szał, a który mu się najprawdopodobniej kich sytuacjach można zacząć dodatkowo
turalnego i z tego, co wiadomo, amazon. spodoba. Wypożyczalnia NetFlix ogłosiła wykorzystywać bardziej szczegółowe in-
com stworzył własny system SIPs (Stati- w 2006 r. konkurs, w którym zaofero- formacje o użytkowniku, takie jak: wiek,
stically Improbable Phrases). Polega on wała milion dolarów dla drużyny, któ- płeć, miejsce zamieszkania, wykształce-
na znajdowaniu w danej książce wyra- ra poprawi ich algorytm rekomendacji nie itp. System rekomendacyjny nie musi
żeń, które są najmniej prawdopodobne o 10 proc. Do tej pory, prawie po trzech wiedzieć, kim dana osoba dokładnie jest,
do znalezienia w innych książkach. W ten latach, nie udało się tego dokonać żad- potrzebny jej jedynie ustalony unikalny
sposób budowane są grupy podobnych nemu zespołowi, choć obecnie najlepsza identyfikator oraz zbiór atrybutów zwią-
powiązanych pozycji. drużyna w rankingu poprawia algorytm zanych z nim lub jego dotychczasowymi
o 9,65 proc. W styczniu 2007 roku polski preferencjami. PosiadajÄ…c tego typu dane,
Zastosowanie rekomendacji
zespół z krakowskiej firmy Personal TV można zacząć porównywać użytkowników
i personalizacji
zajmującej się rekomendacjami osiągnął i budować ciekawe wnioski, na przykład:
Analiza ruchu użytkowników, porówny- wynik lepszy niż osiąga NetFlix o 4,36  mężczyz
ni z wykształceniem wyższym
wanie pozycji sÄ… wykorzystywane nie tylko proc., zajmujÄ…c 25 miejsce na ponad w wieku 30-40 lat w 60 proc. kupujÄ… po-
w sklepach internetowych. Rekomenda- 15 000 drużyn. Dlaczego zdecydowano zycje&  . Na tej podstawie można perso-
cje i personalizacja mają zastosowanie się na tak dużą nagrodę i na taki konkurs? nalizować treści idealnie pod daną osobę,
wszędzie tam, gdzie chcemy zwiększyć Rekomendacje dla NetFlix są kluczowym trafiając bardzo dobrze w jej gust. Zamiast
sprzedaż, czas przebywania użytkownika elementem, gdyż odpowiadają za 60 proc. porównywać przedmioty (item-based),
na stronie, jego zadowolenie oraz dopaso- sprzedaży. Firma sama nieraz podejmo- przechodzimy do porównywania użyt-
wać ofertę indywidualnie do potrzeb kon- wał próby ulepszenia algorytmu i wie, kowników (user-based) i w ten sposób
kretnej osoby. Przed każdym wdrażanym że jest to zadanie bardzo trudne, de facto generujemy rekomendacje. Stosowane
systemem powinien być postawiony jasny przeznaczone dla zespołu naukowców. są też modele klastrowe, w których łączy-
cel biznesowy, który należy realizować. Reed Hastings, założyciel i prezes wy- my użytkowników w grupy o podobnych
Oprócz samych systemów z rekomen- pożyczalni stwierdził, że wprowadzenie preferencjach i przygotowujemy rekomen-
dacjami można wykorzystywać różnego algorytmu poprawiającego skuteczność dacje specjalnie dla nich. Bardzo często
rodzaju filtry modyfikujÄ…ce wyniki pod rekomendacji o 10 proc. przyniesie tyle metody rekomendacji sÄ… Å‚Ä…czone celem
konkretne potrzeby danej firmy. Możemy zysku, że jest na pewno warte dla firmy dostarczenia jak najlepszego wyniku i za-
wyłączyć z rekomendowanych pozycji milion dolarów. Wynika to z tego, że lep- leżne są od konkretnego systemu, ilości
filmy erotyczne. Możemy rekomendo- sze rekomendacje przekładają się wprost posiadanych danych oraz stawianych ce-
wać pozycje najbliższe użytkownikowi, na większą ilość wypożyczeń, gdyż klienci lów biznesowych.
ale wyłącznie z określonej kategorii, z tej, chętniej wypożyczają to, co rzeczywiście Warto również zwrócić uwagę na inne
na której mamy największą marżę. pasuje do ich gustów. przykłady zastosowań zbiorowej inteligen-
Drugim przykładem systemu, w któ- Opisywane powyżej modele opierają cji czy analizy zachowań użytkowników
rym personalizacja ma ogromne zna- się na prostych algorytmach opartych systemów informatycznych. Pierwsze
czenie, jest NetFlix, największa wypoży- na szukaniu podobnych pozycji (filmów z nich to serwisy wideo, takie jak YouTu-
czalnia filmów DVD w USA. Wypożycza czy książek) w dużej grupie danych. be.com, gdzie przy każdym oglądanym
Amazon.com musi tak robić ze względu materiale mamy sekcję  Podobne filmy
REKLAMA
na skalę firmy. Posiada w swojej ofercie wideo . Sekcja ta stara się podpowiadać,
kilka milionów produktów i kilkadziesiąt co jeszcze o podobnej tematyce do aktual-
milionów klientów. nie prezentowanej pozycji możemy obej-
listopad 2009
marketing w praktyce
ZBIOROWA INTELIGENCJA REKOMENDUJE NARZęDZIA
rzeć. Z jednej strony użytkownik dostaje towych. W serwisach wideo, w sklepach awansowane techniki optymalizacyjne.
więcej informacji na interesujący go temat internetowych często mamy do czynienia Z tego względu większość firm na świecie
(i co ważne, nie musi jej szukać w gąszczu z listą TOP 10  najpopularniejszych, naj- powierza budowę takich systemów wyspe-
innych pozycji), a z drugiej dzięki temu lepszych pozycji. Jak mówi zasada Pareto, cjalizowanym zespołom naukowców. Do-
dłużej pozostanie na serwisie. 80 proc. użytkowników ogląda 20 proc. bre rozumienie nauczania maszynowego
Kolejny przykład to systemy randko- produktów. To z
le, ponieważ pozostała i metod statystycznych będzie miało coraz 19
we. Na podstawie preferencji i zachowań część pozycji też jest ciekawa, ale prze- większe znaczenie w wielu dziedzinach.
danego użytkownika serwis może polecać cież użytkownik nie przejrzy kilkuset Zbieranie i interpretacja ogromnej ilości
osoby, którymi byłby potencjalnie zain- produktów, nie ma na to siły. Wystarczy danych tworzonych przez ludzi w syste-
teresowany. Trzeci przykład to reklama jednak zaproponować mu 10 najbardziej mach informatycznych pozwoli osiągać
behawioralna. Analizując w serwisach do niego pasujących, i jeśli rekomendacja korzyści biznesowe w miejscach jeszcze
internetowych zachowania ludzi, spraw- będzie trafna, kilka z nich kupi. Aktywi- nieodkrytych i niezagospodarowanych.
dzając, po jakich stronach chodzą, w które zacja długiego ogona jest zaprzeczeniem
reklamy klikają, możemy budować ich zasady Pareto. Systemy rekomendacyjne,
profil, a w efekcie dostosowywać reklamy personalizacyjne, porównując zawartości
do ich preferencji. produktów, analizując zachowania ludzi
dążą do przedstawienia użytkownikowi
Przewidywanie i prognozowanie
pozycji bardzo mało popularnych, ale za-
Istnieją na świecie serwisy, które analizują razem takich, które mu się spodobają
oferty mieszkań wystawionych na sprze- i z których będzie zadowolony. W ten
daż. Biorą pod uwagę wiele atrybutów, sposób pełna oferta docierająca do zain-
takich jak cena, wielkość mieszkania, licz- teresowanych osób. Marcin Majda, doktorant w Grupie
ba pokoi, lokalizacja, wiek bloku, piętro Personalizacja, rekomendacje, wie- Inteligentnych Systemów Informacyjnych Katedry
mieszkania. Na podstawie tych informacji lowymiarowa analiza danych opierają Informatyki Akademii Górniczo-Hutniczej
są w stanie prognozować ceny mieszkań się na elementach sztucznej inteligencji. w Krakowie. Specjalista od systemów
niewystawionych jeszcze na sprzedaż. Wykorzystują takie rzeczy, jak nauczanie rekomendacyjnych w Software Mind S.A.
Aktywizacja tzw. długiego ogona, czyli maszynowe, filtrowanie bayesowskie, me- Jest doświadczonym software engineerem
prezentacja najmniej popularnych pozycji, tody statystyczne, algorytmy genetyczne, z certyfikatami SCJA, SCJP, SCWCD.
jest problemem wielu serwisów interne- sieci neuronowe, drzewa decyzyjne, za- [e-mail]
REKLAMA
listopad 2009
marketing w praktyce