Ajánló rendszerek
4. Jelenlegi alkalmazások
A mai alkalmazásokban három fő területen terjedt el a közösségi ajánlás használata: internetes áruházakban, zenei adatbázisokban és film adatbázisokban. Ezeken a terülteken már kellően nagy adatmennyiség gyűjthető össze egy jó minűségű ajánló rendszer létrehozásához.
4.1 Internetes áruházak
Korai vezetÅ‘ pozÃcióját az Amazon a mai napig Å‘rzi. Termékekhez kapcsolt ajánlásait a mára már fogalommá vált “Customers who bought this item also bought” szöveg vezeti be, de emellett más jellegű ajánlatokat is nyújtanak. LehetÅ‘ség van létrehozni a birtokolt elemek listáját és egy kÃvánságlistát is, amelyek az eddig megrendelt termékekkel összevetve már jelentÅ‘s információt nyújtanak a felhasználó ÃzlésérÅ‘l. Az Amazon ennek megfelelÅ‘en személyre szabott ajánlatokat is elérhetÅ‘vé tesz.
Meglepő módon nem minden áruház ismerte fel az ajánlatok fontosságát, hiszen például az Apple piacvezető iTunes zeneboltjában nem található ilyen szolgáltatás. A University of Illinois at Urbana-Champaign kutatói azonban kifejlesztettek egy ajánló rendszert, mely egyszerű módon kapcsolható a zeneáruházhoz.
4.2 Zenei adatbázisok
A zenei ajánlatok terén elsÅ‘re talán meglepÅ‘ módon nem az internetes áruházak járnak az élen. Rengeteg olyan zenei adatbázis létezik, melynek elsÅ‘dleges célja, hogy zenei ajánlatokat nyújtson a felhasználóknak és csupán úgynevezett affiliate program keretében hivatkozik más áruházakra. Ez abból fakad, hogy a felhasználók zenei Ãzlését a vásárlási szokások vizsgálatánál egyszerűbben is fel lehet mérni. Ezek az adatbázisok arról gyűjtenek információt, hogy az egyes felhasználók mely dalokat hallgatják, Ãgy többé-kevésbé megbÃzható implicit adatokra tesznek szert.
Az eddigi legsikeresebb megközelÃtést a Last.fm nevű londoni cég alkalmazta, mely 2002 óta foglalkozik a zenei adatbázis fejlesztésével, és jelenleg az egyik legnépszerűbb szolgáltatás. A regisztrált felhasználók egy plugint telepÃthetnek kedvenc zenelejátszó alkalmazásukra, mely folyamatosan elküldi a Last.fm szerverének, hogy mely dalokat játszotta le. Ezzel hihetetlen mennyiségű adatot tudnak begyűjteni implicit módon, amely kiváló minÅ‘ségű ajánlatokra ad lehetÅ‘séget. A felhasználónak nem kell gyakran meglátogatnia a weboldalt, profilja mégis folyamatosan formálódik. A honlapon az ajánlatok mellett toplisták, rajongói fórumok és blog szolgáltatás várja az aktÃvabb felhasználókat.
A másik megközelÃtést alkalmazó oldalak egy személyes webrádiót nyújtanak a felhasználó számára. Kezdetben egy elÅ‘adó vagy stÃlus megadásával indÃthatjuk a rádiót, majd a játszott számokat értékelhetjük vagy akár tovább is léptethetjük. Ezzel explicit adatot szolgáltatunk a rendszernek, amely ezt felhasználja a következÅ‘ számok kiválasztásához. A módszer hátránya, hogy folyamatos internet-kapcsolatot igényel és az explicit adatszolgáltatás miatt sokkal kevesebb adat gyűjthetÅ‘ be ugyanannyi felhasználótól.
4.3 Film adatbázisok
A MovieLens filmajánló szolgáltatásról már esett szó, de a projekt a mai napig is csak mérsékelt sikereket könyvelhet el. Célja elsÅ‘sorban a különbözÅ‘ ajánló algoritmusok vizsgálata, amelyhez már Ãgy is elegendÅ‘ adatot tartalmaz, Ãgy nem várható jelentÅ‘s fejlÅ‘dés.
Rengeteg hasonló szolgáltatás létezik, de komoly sikert nem értek el, mert filmek esetén sokkal nehezebb összeszedni nagy adatmennyiséget. A Netflix internetes DVD-kölcsönzőnek mégis sikerült, hiszen jelentős forgalmának köszönhetően nagy mennyiségű implicit adatot szerez a kölcsönzési statisztikákból. A filmajánló rendszerek tömeges elterjedése majd akkor várható, ha elterjed a már hazánkban is tesztelt IP alapú tévészolgáltatás, ahol a szolgáltató pontos adatokat gyűjthet, hogy ki, mikor, mely filmet vagy tévéműsort nézte.
4.4 Új területek
Jól látszik, hogy az adatgyűjtés internetes környezetben a leghatékonyabb, ezért új vállalkozások százai vágnak bele új tÃpusú ajánló rendszerek létrehozásába. Å?k cikkek, honlapok, blogbejegyzések, vagy más tartalmak ajánlásában látják a jövÅ‘t, azonban még nem értek el olyan felhasználószámot, hogy megbÃzható ajánlatokat várhassunk tÅ‘lük.
Az ajánló rendszerek olyan területeken lehetnek csak igazán sikeresek, ahol könnyen lehet nagy mennyiségű adatra szert tenni, és a nyújtott ajánlásokra komoly igény mutatkozik. Az igényt sokszor nehéz megbecsülni, de adatgyűjtési ötletekre mindenképp szükség van egy új szolgáltatás beindÃtásához.
5. Hogyan tovább?
Az ajánló rendszerek az IPTV elterjedésével minden háztartásba el fognak jutni, és ha elnyerik a felhasználók tetszését, akár az IPTV elterjedését is meggyorsÃthatják. A felhasználók részérÅ‘l könnyebb tájékozódási lehetÅ‘séget, mÃg szolgáltatói részrÅ‘l a célzott reklámokat segÃti, Ãgy mindkét fél érdeke, hogy alkalmazza ezt a technológiát.
A következÅ‘ évtizedekben egyre több új lehetÅ‘ség nyÃlik majd meg implicit adatok gyűjtésére, hiszen az RFID chipek elterjedésével automatikusan felmérhetÅ‘k offline vásárlási szokásaink is. Mobiltelefonokba épÃtett GPS adó segÃtségével kiderül merre jártunk, és egy nyaralás során személyes ajánlatot kaphatunk, hogy a város mely nevezetességét érdemes megtekintenünk vagy melyik étterembe üljünk be egy hosszú nap után. A lehetÅ‘ségek szinte határtalanok, ezen a területen minden bizonnyal találkozunk még újszerű ötletekkel.
Pages: 1 2