موتورهای پیشنهادکننده و سیستم های توصیه گر

وقتی می‌خواهید به یک کافی‌شاپ جدید بروید یا آخر هفته را به دیدن یک فیلم بگذرانید، احتمالاً از دوستان نزدیک خود می‌خواهید که چند گزینه به شما پیشنهاد دهند.

وقتی می‌خواهید برای یکی از درس‌های دانشگاه، بیشتر مطالعه کنید و بهتر بیاموزید، از استاد خود می‌خواهید که منابع بیشتر برای مطالعه معرفی کند.

گاهی اوقات هم، اگر مشتری طولانی‌مدت سوپرمارکت محله‌تان باشید، ممکن است فروشنده محصولی را که تا امروز نخریده‌اید به شما پیشنهاد کند.

همه‌ی مثال‌های بالا، نمونه‌هایی از سیستم سنتی و انسانی ارائه‌ی پیشنهاد محسوب می‌شوند.

اما امروز، ما بخش قابل توجهی از پیشنهادها را نه از دوستان و اطرافیان خود، بلکه از نرم افزارها و اپلیکیشن‌ها و در یک کلام، الگوریتم‌ها دریافت می‌کنیم.

شرکتی مثل آمازون، بخش مهمی از تکنولوژی خود را بر پیشنهاد محصول متمرکز کرده است.

موتورهای جستجو از جمله گوگل، با توجه به پرسشی که برای آنها مطرح می‌کنیم، می‌کوشند بهترین پیشنهاد لینک را ارائه دهند.

دیجی کالا و بسیاری سایت‌های فروش دیجیتال داخلی، همزمان با معرفی هر محصول، محصولات مرتبط را پیشنهاد می‌دهند.

سایت‌های خبری،‌ زیر هر خبر، چند خبر مرتبط را پیشنهاد می‌دهند.

بخش مهمی از موفقیت یا شکست کسب و کارهای دیجیتال، به استراتژی پیشنهاد دادن آنها و یا به عبارت علمی‌تر، قدرت موتور پیشنهاددهنده‌ی آنها (یا همان Recommendation Engine) مربوط می‌شود.

[ درس مرتبط: سیستم‌هایی که در‌ آنها، موفقیت سهم موفق‌هاست ]

الگوریتم‌های هیبرید می‌کوشند با ترکیب دو روش، نقاط ضعف هر روش را توسط روش دیگر پوشش دهند.

ترتیبی که متمم برای خواندن مطالب سری پلتفرمها به شما پیشنهاد می‌کند: