Vores seneste interne møde her på kontoret i Palo Alto handlede blandt andet om recommendation engines.

Der er kommet en ny industri indenfor web-teknologien, som udelukkende beskæftiger sig med forskellige matematiske og statistiske metoder til at finde varer, man måske kunne være interesseret i.

Jeg tror de fleste kender princippet fra Amazon: "Andre, der har købt denne bog, har også købt…"

Grundlæggende er udgangspunktet to forskellige måder at indsamle data på:

Eksplicit dataindsamling

Metoder, der involverer læseren i at skabe relationerne:

• Man beder læsere om at vurdere en vare
• Man beder læsere om at rangordne en gruppe af varer
• Man viser læseren to forskellige varer og lader læseren klikke på "bedste vare"
• Man tilbyder læseren at lave en "ønskeliste" over varer.

Implicit dataindsamling

Hvis det skal gøres automatisk:

• Hold øje med, hvad læseren putter i indkøbskurven
• Hold øje med, hvor lang tid læseren bruger på at læse om varer og varegrupper
• Gem historikken over, hvad læseren har købt i online-butikken
• Nogle mere subtile metoder handler om at undersøge, hvilken musik læseren lytter til, analyser af læserens adfærd på sociale netværk og meget mere, som er i den gråzone, vi i virkeligheden ønskede ikke eksisterer.

Systemet er egentlig simpelt nok, når data først er indsamlet. Det handler om at anvende de indsamlede data til at skabe lister baseret på læserens data sammenholdt med andre læseres data. Ud fra det kan man lave en liste over anbefalinger.

De forskellige typer systemer, for eksempel Aggregate Knowlegde, Xiam , Collarity og Omniture Test & Target, anvender forskellige matematiske og statistiske principper for at nå det bedst mulige resultat.

Her på stedet er recommendation engines et stort samtaleemne, og flere og flere - specielt indenfor retail - begynder at implementere recommendation engines på deres sites.

Jeg fandt også en pressemeddelelse, som er værd at læse, selv om det selvfølgelig er markedsføring.

Her på kontoret er det holdningen, at der skal en vis volumen til, før det kan betale sig at bruge en recommendation engine på et website. 100 produkter og 50 millioner i omsætning om året er minimum.

Typiske segmenteringskriterier er demografi, alder, køn, indkomst og uddannelse.