Tavsiye/Öneri Sistemi Nedir?

Bu konuda yazılmış Türkçe veya Türkçeye çevrilmiş makalelerde öneri veya tavsiye kelimesi kullanılmaktadır. Ben ‘tavsiye’ kelimesini tercih ediyorum.

Öneri sistemi ya da tavsiye sistemi (bazı yerlerde ‘sistem’ yerine ‘platform’ ya da ‘motor’ kullanılır) bir kullanıcının bir öğeye vereceği ‘değerlendirme’ ya da ‘tercih’ miktarının öngörülmesini hedefleyen bir bilgi filtreleme sistemidir.¹

Yukarıda tavsiye sisteminin wiki tanımına ulaşabilirsiniz. Fakat bu konunun yoruma açık olduğunu düşündüğümden örneklemelerle açıklama taraftarıyım.

Tavsiye sistemleri gerek kullanıcılara gerekse ürün sahiplerine bilgi vermek için veri üzerinden ve/veya kullanıcı davranışlarından kendini besleyen bir sistemdir. Günümüzde bu özelliği bulundurmayan web sayfası yok denecek kadar azdır. Hatta büyük çaplı firmaların gelirinin azımsanmayacak bir kısmı buradan gelir (Buraya daha sonradan detaylı değineceğim). Tavsiye sistemini kendi sistemlerine entegre eden firmalar, kullanıcılarını kendi ekosisteminde tutmayı ve etkileşime devam etmelerini amaçlamaktadır. Bu amaç doğrultusunda firmaların, kullanıcıların platform içerisinde keyifli ve yararlı zaman geçirmesini sağlaması gerekmektedir. Bu, kimi zaman alınan ürünün alternatifi veya ürünle birlikte kullanılması muhtemel ürünler², bir film, müzik olabilir veya bizim platformumuzda olduğu gibi ilan da olabilir.

Genelde web platformlarında kullanıcılara tavsiye vermek için kullanılsalar da ürün sahipleri için de kullanılmaktadır. Klasik bir örnek olacak ama bira satışı ile çocuk bezi satışı arasındaki korelasyon adlı bir çalışma* mevcut. Kısmen efsaneleşmiş ve daha çok veri bilimi üzerine anlatılsa da tavsiye sistemleri çıktısında elde edilen bilgilerle de aynı olayı gerçekleştirmek mümkün.

*Amerika’da yapılan bu çalışmaya göre bebek bezi almak için markete gönderilen babaların yüksek bir oranı, kendilerini ödüllendirmek adına bira da satın almaktadır. “Bebek bezi alan bira da aldı” gibi bir tavsiye ile market sahipleri bebek bezi reyonunun yanına bira dolabını yerleştirmiş ve satışların artmasını izlemiştir.

Web platformlarında olay nasıl gerçekleşiyor?

Online platformlar kullanıcıları mümkün olduğunca site içerisinde tutmaya özen gösterir. Kullanıcıları doğru ürünlere yönlendirmek bu yoldaki en temel yapı taşlarından biridir. En basit haliyle, fırça satın alan birinin boya alma, Heavy Metal dinleyen birinin Metallica dinleme, Yahya Kemal romanı okuyan birinin Ahmet Hamdi Tanpınar romanı okuma, bizim dünyamız için ise kullanıcımızın kafasında bulunan araç modeliyle aynı segment aynı fiyat aralığı ve benzer özelliklerle farklı bir araç önerme ihtimalini düşünüp bu yönde bir yönlendirmeye gidilmesi kullanıcı tarafından absürt karşılanmayacaktır. Aksine kullanıcı da bundan hoşnut kalacak, aradığı ürüne kolayca ulaşacak belki de yeni bir şey keşfedecektir. Sektörün önde gelen firmalarını incelersek tavsiye sistemlerinin önemini bariz bir şekilde göreceğiz.

Amazon

Amazon, tavsiye sistemleri üzerinde ciddi bir şekilde yatırıp yapmış ve pek çok tipte tavsiye sistemini kendi bünyesinde aktif olarak kullanan bir firma. Bu çeşitlilik, detaylı incelendiğinde Amazon’un başarısına katkı sağlıyormuş gibi görünüyor. Şirket, 2015'in ikinci mali çeyreğinde, 2014 yılının aynı dönemindeki 9,9 milyar $‘dan %29’luk bir satış artışını 12,83 milyar$’ a yükselttiğini bildirdi³. Toplam gelirin de %35'lik kısmını tavsiye sistemlerinden sağlamaktadırlar⁴.

Amazon şu anda çok büyük veri kümelerine ölçeklenen ve gerçek zamanlı olarak yüksek kaliteli öneriler üreten, öğeden öğeye işbirliğine dayalı (item-to-item collaborative filtering) filtreleme kullanıyor. Bu filtreleme çeşidini bir sonraki yazımızda daha detaylı bir şekilde inceleyeceğiz.

Netflix

Netflix platformunu incelediğimizde ise ekosistemini, kar oranını artırmak için sunduğu deneyimi kişiselleştirerek kullanıcı sayısını genişletmek üzerine kurduğunu görüyoruz. Milyonlarca abone ve binlerce görsel kaynağı bulunsa da kişileştirilmiş bir deneyim sunmayı amaçlamaktadır. İzleyicinin zevkine göre küçük resimler (thumbnail) üretmekte, sıkıcı afişler yerine kişiye özel afişler hazırlamaktadır. Duygu durumunuza göre, izlediğiniz ve geri bildirim verdiğiniz içeriklere benzer özellikte içerikleri size sunma konusunda takıntılıdır. Hatta şirketin öneri motorunun doğruluğunu yüzde 10 artıran bir algoritma için 2009 yılında bir geliştirici ekibine 1 milyon dolarlık ödül vermiştir. Şirket için değerini anlamak açısından 2016 yılında tavsiye sisteminden bekledikleri kazanca bakarsak, beklentinin 1 milyar dolar olduğunu gözlemleyebiliriz⁵.

Spotify

Spotify’ın 2015 yılında yayına aldığı “Haftalık Keşif” ürünü tavsiye sistemi ve ML algoritmalarıyla tasarlanmış bir üründür. Spotify, haftalık keşif oluştururken işbirliğine dayalı filtreleme kullanıyor. “Tavsiye listesini oluştururken de kalp sembolüne basılmış mı? Hangi sanatçıları takip ediyor? Kişisel çalma listenizde hangi şarkılar var? Hangi şarkılara dislike atıyor?” gibi soruların cevaplarına göre daha önce hiç dinlemediği şarkıları kullanıyor. Platformda yukarıda bahsi geçen eylemleri ne kadar sık yaparsanız üretilen haftalık keşif sizin zevklerinizi o kadar fazla yansıtacaktır.

Sahibinden

sahibinden.com ilan tavsiye ürününü 2017 yılında yayına almıştır. 2017'den bu yana özellikle mobil ve mobil web platformlarında ana sayfada, web platformunda ise arama sonuç sayfasında ilan tavsiyeye yer vermiştir. sahibinden.com, ilan tavsiye verisini oluştururken işbirliğine dayalı filtreleme kullanmaktadır. Sistemde bulunan kullanıcıların ziyaret ettikleri, favoriye aldıkları, mesaj gönderdikleri ilanları birbirleriyle karşılaştırarak kişileştirilmiş ilan tavsiye çıktısı sunmaktadır. Aylık ortalama 120 milyon görüntüleme ve 5 milyon tıklama oranlarına sahiptir.

Yukarıdaki örnekleri iyi analiz ettiğimizde tavsiye sisteminin getirisinin ve bu getiri ışığında öneminin ne kadar büyük olduğunu gözlemleyebiliyoruz. Bir sonraki aşamada sizlerle tavsiye sistemlerinin türlerini inceleyeceğiz. Takipte kalın😉 🤜🏼

1. https://en.wikipedia.org/wiki/Recommender_system#:~:text=A%20recommender%20system%2C%20or%20a,primarily%20used%20in%20commercial%20applications.
2. https://tdwi.org/articles/2016/11/15/beer-and-diapers-impossible-correlation.aspx
3. http://rejoiner.com/resources/amazon-recommendations-secret-selling-online/#:~:text=The%20Amazon%20Recommendations%20Secret%20to%20Selling%20More%20Online,-Rejoiner&text=%E2%80%9CJudging%20by%20Amazon's%20success%2C%20the,the%20same%20time%20last%20year.
4. https://www.mckinsey.com/industries/retail/our-insights/how-retailers-can-keep-up-with-consumers#
5. https://towardsdatascience.com/deep-dive-into-netflixs-recommender-system-341806ae3b48 , https://www.businessinsider.com/netflix-recommendation-engine-worth-1-billion-per-year-2016-6