Big data adalah kumpulan data yang banyak adalah kumpulan data yang banyak atau besar yang memiliki karakteristik berupa Keragaman (variety), Volume, Kecepatan (velocity). Keragaman (variety) disini mengacu pada sifat yang heterogen. Heterogen disini terdapat data yang terstruktur atau tidak. Kecepatan (velocity) mengacu pada kecepatan data tersebut ditangkap, dan pada Volume biasanya banyak data mencapai petabyte, Exabyte, dan terabyte.

Amazon menjadikan big data yang diperolehnya untuk menjdai produk recommender bagi pelanggannya dengan menggunakan analisis prediktif. Analisis prediktif adalah analisis yang digunakan untuk memprediksi masa yang akan datang berdasarkan data di masa yang lalu. Analisis prediktif ini menggunakan model statistika dan algorithma pembelajaran mesin untuk mengindetifikasi pola dan belajar data historis.

Menggunakan platform analisis data yang besar untuk menganalisis data ini (bersama data mining dan algoritma pembelajaran mesin), penjual E-commerce efisien dapat memprediksi perilaku konsumen lebih cepat, lebih efisien dan dengan biaya yang lebih efektif

Amazon menggunakan Product Recommender di websitenya. Biasanya situs e-commerce yang lain hanya menawarkan produk dan jasa untuk dijual dengan navigasi dan mencari produk dari ribuan di situs web yang justru dapat menjadi kemunduran besar untuk konsumen. Situs E-Commerce / aplikasi dengan cepat dapat mengidentifikasi / memprediksi produk yang erat sesuai selera konsumen. Ada 2 alghoritma yang biasanya dipakai:

  1. Penyaringan kolaboratif
    Menggunakan teknologi yang disebut Collaborative Filtering (CF), database preferensi pengguna sejarah dibuat. Ketika pelanggan baru mengakses situs e-commerce, pelanggan cocok dengan database preferensi, untuk menemukan kelas preferensi yang sangat cocok dengan selera konsumen. Produk-produk ini kemudian dianjurkan atau ditawarkan kepada konsumen.
    big-data
    Penyaringan kolaboratif tradisional
    Penyaringan kolaboratif tradisional merupakan pelanggan sebagai vektor N-dimensi item, di mana N adalah jumlah item katalog yang berbeda. Komponen vektor positif untuk barang yang dibeli atau positif dinilai dan negatif untuk item dinilai negatif. algoritma biasanya mengalikan komponen vektor dengan frekuensi terbalik (kebalikan dari jumlah pelanggan yang telah membeli atau diberi item), membuat item kurang dikenal jauh lebih relevan. Untuk hampir semua pelanggan, ini vektor sangat jarang. algoritma menghasilkan rekomendasi berdasarkan pada beberapa pelanggan yang paling mirip dengan pengguna. Hal ini dapat mengukur kesamaan dua pelanggan, A dan B, dengan berbagai cara; metode umum adalah untuk mengukur cosinus dari sudut antara dua vektor:
    algoritma
  2. Teknik Clustering Algoritma
    Clustering Algoritma bekerja dengan mengidentifikasi kelompok pengguna yang memiliki preferensi yang sama. Pengguna tersebut kemudian dikelompokkan ke dalam satu kelompok dan diberi pengenal unik. Baru pelanggan diperkirakan dengan menghitung kesamaan rata-rata anggota individu dalam cluster itu. Oleh karena itu pengguna bisa menjadi anggota parsial lebih dari satu cluster tergantung dari berat rata-rata opini pengguna.clustering

Amazon menggunakan Product Recommendernya untuk mempersonalisasi setiap pelanggan pengalaman di toko online. Produk yang disesuaikan dengan produk setiap pelanggan rasa (secara real time). Dengan memanfaatkan product recommendernya pula jika pelanggan membeli DVD misalkan Spiderman. Recommender product akan merekomendasikan film baik dari penulis yang sama, genre yang sama, dan direksi yang sama.

Item untuk Barang Colaborative Penyaringan di Amazon.com tidak hanya menggunakan rekomendasi produk di toko e-commerce, tetapi juga dapat digunakan sebagai alat pemasaran dalam bentuk kampanye email.

Amazon.com menggunakan rekomendasi sebagai alat pemasaran yang ditargetkan dalam banyak kampanye email dan pada sebagian besar halaman situs Web-nya ‘, termasuk hightraffic Amazon.com homepage. Mengklik pada link “Rekomendasi Anda” mengarah pelanggan ke suatu daerah di mana mereka dapat menyaring rekomendasi mereka dengan lini produk dan area subyek, tingkat produk yang direkomendasikan, tingkat pembelian mereka sebelumnya, dan melihat mengapa item yang direkomendasikan . “Rekomendasi Anda “menunjukkan, keranjang rekomendasi belanja amazon, yang menawarkan pelanggan saran produk berdasarkan item dalam keranjang belanja mereka. Fitur ini mirip dengan item impuls di kasir garis supermarket, tapi item impuls kami ditargetkan untuk setiap pelanggan. Amazon.com ekstensif menggunakan algoritma rekomendasi untuk personalisasi situs Web-nya untuk kepentingan masing-masing pelanggan. Karena algoritma rekomendasi yang ada tidak dapat skala puluhan Amazon.com untuk jutaan pelanggan dan produk, kami mengembangkan kita sendiri.,algoritma, item-ke-item penyaringan kolaboratif, skala untuk set data yang besar dan menghasilkan rekomendasi yang berkualitas tinggi secara real time.

 

sumber: – Big Data Analytics and its Application in E-Commerce
– Amazon.com Recommendations
Item to Item Collaborative Filtering

Iklan