Apa Itu Sistem Rekomendasi?
Sistem rekomendasi menggunakan sekumpulan AI yang dikenal sebagai machine learning dan teknik penyaringan data untuk membuat saran. Ketika berjalan dengan baik, sistem rekomendasi AI membuat prediksi yang akurat tentang jenis konten apa yang diinginkan pengguna berdasarkan pilihan sebelumnya, umpan balik, dan interaksi.
Netflix, Amazon, eBay, dan sebagian besar platform media sosial memiliki sistem rekomendasi untuk membantu pengunjung memilah-milah konten dalam jumlah besar untuk menemukan item spesifik yang mungkin menarik. Solusi artificial intelligence seperti pemberi rekomendasi banyak ditemui dalam kehidupan modern sehari-hari, hampir sampai pada titik bahwa keberadaannya begitu diharapkan. Namun, untuk menjadi efektif secara optimal, sistem ini memerlukan data dalam jumlah besar, pelatihan model AI, dan daya komputasi.
Audiens terkadang bergantung pada sistem rekomendasi tanpa menyadarinya. Memilih satu film untuk ditonton dari ratusan ribu bisa menjadi tantangan yang tidak dapat diatasi, tetapi memilih satu film dari 100 mengurangi kesulitan dalam pengambilan keputusan. Ketika rekomendasi akurat dan sistem responsif, proses memutuskan apa yang harus dikonsumsi menjadi lancar.
Manfaat Sistem Rekomendasi
Bagi perusahaan yang ingin pengguna tetap berinteraksi, seperti platform media sosial, atau untuk terus berlangganan atau melakukan pembelian, menerapkan sistem rekomendasi AI dapat membantu mereka mencapai tujuan tersebut. Dalam beberapa kasus, sistem rekomendasi bertindak seperti rak pembelian impulsif di toko kelontong. Di sisi lain, sistem rekomendasi lebih seperti menawarkan tambahan, seperti perlindungan ban di dealer mobil.
Pengguna juga mendapatkan manfaat, karena pengambilan keputusan itu sulit. Bahkan ketika pengguna sudah mengetahui yang mereka inginkan, memilah-milah semua item yang tidak mereka inginkan dapat menjadi tantangan. Mencari “komedi” dalam katalog film menghadirkan berbagai opsi dengan sudut pandang yang sangat berbeda. Sistem rekomendasi membantu pengguna mempersempit pilihan mereka untuk menemukan apa yang paling menarik bagi mereka.
Selain itu, pemberi rekomendasi dapat membantu pengguna menemukan konten baru yang bisa saja tidak mereka temukan. Layanan streaming musik seperti Pandora dan Spotify adalah contoh platform yang sering digunakan pelanggan untuk menemukan konten baru berdasarkan preferensi mereka.
Bagaimana Cara Kerja Sistem Rekomendasi?
Sistem Rekomendasi AI bersifat kompleks dan menggunakan beberapa model AI, proses machine learning, dan alur kerja analitik data. Sebagian besar alur kerja mencakup tiga tahap umum:
- Klasifikasi: Dalam tahap ini, visi komputer dan pemrosesan bahasa alami (NLP) digunakan untuk mengidentifikasi dan mengklasifikasikan berbagai elemen konten.
- Pencarian berdasarkan ingatan dan kesamaan: Selanjutnya, item atau objek dikategorikan berdasarkan fitur yang serupa.
- Peringkat: Akhirnya, model wide dan deep learning mengurutkan item atau objek berdasarkan relevansi.
Ketiga tahap ini diperlukan untuk menghadirkan hasil yang akurat dan relevan serta mengurangi risiko frustrasi pengguna, tidak hanya pada rekomendasi tetapi juga pada perusahaan yang sistemnya digunakan.
Jenis Sistem Rekomendasi
Sistem rekomendasi dapat dikustomisasi tanpa henti dan harus disesuaikan secara saksama dengan kasus penggunaan tertentu. Secara umum, sistem rekomendasi terbagi menjadi tiga kategori besar:
- Penyaringan kolaboratif: Sistem rekomendasi penyaringan data kolaboratif memerlukan informasi preferensi dari banyak pengguna. Sistem ini mengenali pola: Orang yang menyukai film tertentu sering kali juga menyukai film lain yang sejenis. Sistem ini kemudian merekomendasikan film lainnya kepada orang yang menyukai film pertama.
Demikian pula, jika dua pengguna memiliki dua atau lebih item yang sama, sistem rekomendasi dapat merekomendasikan item yang dinilai tinggi atau dibeli oleh satu orang kepada orang lain yang memiliki minat yang sama. - Penyaringan berbasis konten: Penyaringan data berbasis konten membantu dalam situasi ketika informasi yang tersedia hanya sedikit, seperti ketika pengguna mencari item yang lebih besar dan jarang dibeli, seperti furnitur atau peralatan baru. Sistem rekomendasi mungkin menyarankan item dengan ukuran yang sama, dengan fitur yang sama, atau dalam kisaran harga yang setara.
Menggunakan contoh film sebelumnya, jika pengguna telah menonton dua film laga, sistem rekomendasi mungkin menyarankan judul lainnya dalam kategori tersebut. - Penyaringan hibrida: Rekomendasi yang menggunakan penyaringan data kolaboratif dan berbasis konten memberikan elemen dari kedua jenis dan terkadang juga mencakup informasi kontekstual, seperti lokasi, waktu, dan data lainnya, untuk membuat rekomendasi yang lebih akurat dan berguna.
Apa yang Membuat Sistem Rekomendasi Bagus?
Sasaran bisnis untuk sistem rekomendasi adalah penggunaannya yang berulang. Semakin sering pengguna menganggap rekomendasi yang mereka terima sebagai “bagus,” yang berarti sangat mendekati preferensi mereka, semakin besar kemungkinan mereka untuk kembali dan menggunakan lagi sistem tersebut. Atribut sistem rekomendasi yang baik meliputi:
- Akurat: Saran harus dipersonalisasi bagi pengguna. Hal ini dapat dicapai dengan menggabungkan sistem umpan balik seperti jempol ke atas atau ke bawah. Umpan balik memperkuat dan memperluas pembelajaran AI.
- Responsif: Pengguna sangat tidak sabar dan tidak akan menunggu rekomendasi. Waktu muat harus cepat dan tanpa hambatan, atau pengguna akan pergi begitu saja.
- Hemat biaya: Dari sudut pandang bisnis, investasi dalam sistem rekomendasi dan biaya operasional berkelanjutan yang terkait harus diseimbangkan dengan peningkatan interaksi pengguna, penjualan, atau hasil bisnis lainnya.
Kasus Penggunaan Sistem Rekomendasi
Sistem rekomendasi tersebar luas di dunia digital. Hampir semua peritel e-commerce memiliki sejenis sistem rekomendasi, dan kebanyakan orang menggunakannya dengan lancar tanpa menyadarinya. Amazon adalah pengguna awal, dan tanpa rekomendasi, menemukan produk baru bisa sangat sulit.
Netflix juga memiliki sistem rekomendasi yang luas dan terus berkembang. Bahkan, dari tahun 2007 hingga 2009, Netflix menawarkan hadiah kepada tim yang dapat membangun sistem rekomendasi yang hanya 10 persen lebih akurat. Pemenangnya menciptakan alur dari 107 model berbeda yang bekerja bersama untuk menawarkan sebuah perkiraan.1
Dua penggunaan utama sistem rekomendasi AI adalah penjualan yang dipersonalisasi, seperti di eBay atau Amazon, dan konten yang dipersonalisasi, seperti pada platform media sosial seperti Facebook atau LinkedIn.
Penjualan yang Dipersonalisasi
Sebagian besar merek ritel utama memiliki sistem rekomendasi pembelian yang dipersonalisasi. Hal ini dapat bekerja dalam beberapa cara yang berbeda.
Misalnya, ketika pengguna menelusuri daftar di eBay, sistem rekomendasi “jelajahi item terkait” menawarkan daftar yang serupa, dengan opsi untuk memberikan umpan balik pada saran tersebut. Peritel pakaian Old Navy menawarkan rekomendasi “pelanggan juga menyukai” dan rekomendasi “kenakan bersama”.
Karena sistem rekomendasi yang didukung algoritma AI menjadi lebih umum, sistem ini juga digunakan dalam cara baru. Dalam perbankan, sistem rekomendasi dapat digunakan untuk secara aman menyarankan jenis rekening, layanan, atau penawaran berdasarkan perilaku penghematan dan pengeluaran pelanggan, atau dalam pendidikan, pemberi rekomendasi dapat membantu siswa memutuskan akan mendaftar ke perguruan tinggi mana.
Konten yang Dipersonalisasi
Pengguna berinteraksi dengan sistem rekomendasi secara lancar sepanjang hari, terutama saat mereka mengonsumsi media dan hiburan. Google menggunakan sistem rekomendasi untuk menyajikan iklan kepada pengguna; Meta menggunakan sistem rekomendasi di seluruh produknya, termasuk halaman Jelajahi Instagram, Reel Facebook, dan feed utama yang dilihat pengguna di platform tersebut.
Baik Amazon maupun Netflix menggunakan machine learning dan data dalam jumlah besar untuk merekomendasikan konten yang dipersonalisasi. Informasi konten yang dilihat pengguna, data riwayat pencarian, peringkat, tanggal, waktu, dan jenis perangkat yang digunakan semuanya dimasukkan ke dalam mesin rekomendasi hibrida berlapis.
Rekomendasi yang dipersonalisasi, bukan hanya apa yang populer saat ini, dapat menghasilkan interaksi dan eksplorasi yang jauh lebih dalam—serta memberikan data tambahan untuk hasil yang lebih relevan.
Tantangan Sistem Rekomendasi
Pemberi rekomendasi berguna bagi organisasi dan pengguna, tetapi juga memiliki potensi tantangan. Menyadari tantangan sejak awal pembangunan sistem rekomendasi memberikan peluang untuk menghindari masalah di kemudian hari. Berikut beberapa tantangan umum terkait sistem rekomendasi AI:
- Kelangkaan data: Di awal proses, ada kemungkinan banyak item atau produk yang belum dinilai atau pengguna yang masih baru, sehingga sistem rekomendasi tidak memiliki banyak informasi untuk digunakan. Netflix, misalnya, meminta pengguna baru untuk menilai film yang telah mereka lihat. Mekanisme umpan balik dasar, seperti jempol ke atas atau ke bawah atau peringkat bintang, dapat membantu memberikan titik awal.
- Masalah di titik awal: Pengguna baru dan item baru menghadirkan tantangan yang sama. Dengan data yang tidak mencukupi tentang preferensi pengguna atau tentang suatu item, sistem rekomendasi tidak dapat membuat rekomendasi yang akurat dan berguna. Misalnya, bayangkan pengguna berbelanja kulkas baru dan mengunjungi situs ritel yang belum pernah mereka lihat sebelumnya. Sistem rekomendasi situs tidak memiliki informasi apa pun tentang apa yang dicari pengguna selain pencarian saat ini.
- Skalabilitas: Menskalakan dari data dalam jumlah yang relatif kecil ke jutaan pengguna dan item memerlukan infrastruktur teknologi yang direncanakan dengan cermat untuk menyeimbangkan penggunaan dan mengakselerasi waktu untuk hasil.
- Kesesuaian berlebih dan keragaman: Kedua tantangan ini terkait, dan keduanya menghasilkan item yang paling populer terlalu sering direkomendasikan. Ketika sistem rekomendasi menghadapi kesesuaian berlebih, data pelatihan sangat sesuai dengan model, dan informasi baru tidak mudah dimasukkan. Ketika produk yang sama direkomendasikan lagi dan lagi, kurangnya keragaman saran muncul, dan pengguna mungkin menjadi tidak tertarik. Menggunakan metrik seperti entropi dan kebaruan untuk mengukur keragaman rekomendasi mungkin membantu.
- Ketergantungan berlebihan pada algoritma: Seiring dengan semakin banyaknya rekomendasi dan menjadi bagian dari kehidupan sehari-hari, orang menjadi terlalu sering menggunakannya untuk membuat keputusan dan berakhir dengan gelembung filter atau ruang gema. Hal ini sangat bermasalah bagi orang yang lebih rentan, seperti anak di bawah umur, yang menggunakan platform media sosial.
- Privasi: Sistem rekomendasi harus memiliki akses ke data pengguna, seperti browser dan riwayat pembelian mereka, yang dapat memunculkan masalah privasi. Perusahaan yang menerapkan solusi AI harus menyadari keamanan data dan risiko privasi serta menerapkan solusi keamanan untuk melindungi data pengguna dan bisnis. Selain itu, perusahaan harus menyadari praktik AI yang bertanggung jawab untuk memastikan AI digunakan dengan cara yang aman, dapat dipercaya, dan etis.
Masa Depan Sistem Rekomendasi
AI generatif, penyaringan data yang lebih tepat, peningkatan jumlah data yang akan disaring, dan peningkatan machine learning dan model bahasa besar (LLM) semuanya mengarah pada peningkatan yang stabil dalam seberapa baik sistem rekomendasi bekerja untuk pengguna dan perusahaan. Bagi perusahaan yang belum menerapkan sistem rekomendasi, alat untuk menyesuaikan dan melatih pemberi rekomendasi yang efektif menjadi lebih mudah diakses.