Um einem Medienunternehmen dabei zu helfen, den Lifetime Value seiner Kunden zu steigern, haben wir Analysefunktionen entwickelt, die Produktempfehlungen aus einer Vielzahl von Kundenquellen liefern. Dies förderte die Kundenbindung und -bindung und erhöhte die Loyalität.
Wie künstliche Intelligenz die Content-Empfehlung unterstützen kann | KI in Empfehlungsinhalten
Zusammenfassung
Herausforderung
Der Kunde ist ein großes Medienunternehmen, das verschiedene Fernseh- und Radiosender, Audio-Podcasts, Zeitschriften und Zeitungen besitzt. Es war an einem personalisierten Empfehlungssystem für seine bestehenden Benutzer und Inhaltskonsumenten interessiert. Die Inhaltstypen sind vielfältig (Fernsehprogramme und -shows, Nachrichtenartikel usw.). Und jeder Benutzer hat Vorlieben, die verstanden und bei der Empfehlung neuer Inhalte berücksichtigt werden müssen. Die Herausforderung besteht darin, ein derart komplexes System zu erstellen, das die Konsummuster einzelner Benutzer erkennt, ihre Inhaltsvorlieben versteht und neue Inhalte empfiehlt, die die Benutzer wahrscheinlich konsumieren werden. Mit solchen Personalisierungsmöglichkeiten wird erwartet, dass der Kunde sein Engagement erhöht und die Abwanderung verringert.
Lösung von AI Superior
Wir haben ein Empfehlungssystem entwickelt, das mehrere Faktoren nutzt, um Empfehlungen bereitzustellen. Das System verfügt über die folgenden Funktionen:
- Schätzt das Verbrauchsverhalten einzelner Benutzer
- Versteht die Inhaltspräferenzen jedes Benutzers (Themen von Interesse, Inhaltstyp usw.)
- Schätzt demografische Daten und technische Mittel, die jeder Benutzer verwendet, um auf den Inhalt zuzugreifen
- Bewertet die Ähnlichkeit von Inhaltselementen aus verschiedenen Perspektiven
Um dies zu ermöglichen, haben wir mehrere Analysekomponenten entwickelt: ein NLP-basiertes Modul zur Themenfindung und Inhaltsmarkierung, eine Analyse zur Extraktion von Ähnlichkeiten zwischen Inhaltselementen, einen Extraktor für Konsummuster, einen auf kollaborativer Filterung basierenden Empfehlungsgenerator, einen Element-zu-Element-Empfehlungsgenerator und einen hybriden Empfehlungsgenerator, der alle aufgeführten Module berücksichtigt.
Ergebnis und Implikationen
Die entwickelte Lösung ermöglichte es dem Kunden, die Vielfalt der von seinen Benutzern konsumierten Inhalte durch 5% zu erhöhen und so den Lebenszeitwert eines Kunden zu steigern. Darüber hinaus konnte der Kunde mithilfe der entwickelten Lösung ähnliche Verbrauchergruppen (Cluster) direkt identifizieren. Mit diesen Informationen kann er bestimmte Zielgruppen mit den Inhalten ansprechen, die ihnen am wahrscheinlichsten gefallen. Außerdem kann er die potenzielle Nachfrage nach bestimmten Inhalten abschätzen.
German 
English