Karoline January 27, 2019
Innlegget leses best på den opprinnelige studentbloggen

Her ser dere hva anbefalingsalgoritmene til Netflix tror jeg vil like.

I realiteten er de fleste av oss ikke så spesielle. Dette ser de som jobber med digital markedsføring, som ved hjelp av anbefalingsalgoritmer vet hva vi vil ha det før vi vet det selv. Ved å se på hva andre som likner deg viser interesse for, klarer algoritmene å predikere hvilke filmer, bøker og musikk du vil like med stadig bedre nøyaktighet. Denne teknologien tas i bruk for å optimalisere digitale tjenester vi benytter daglig, slik som Netflix, Spotify, Amazon og Facebook.

Men først: hva er en algoritme?

En algoritme kan defineres som «en presis beskrivelse av en endelig serie operasjoner som skal utføres for å løse et problem eller flere problemer». Med andre ord er det en slags oppskrift som forteller hvordan en oppgave skal løses. Fordi alle valg er bestemt, kan algoritmen utføre denne jobben raskt og svært presist sammenliknet med oss mennesker. Denne teknologien brukes i stadig flere bransjer, og til stadig mer kompliserte oppgaver. En av oppgavene algoritmer kan gjøre er å finne mønster i data, og det er dette Netflix sin anbefalingsalgoritme gjør for å predikere hva du vil være interessert i.

Denne type anbefalingsalgoritme bygger på statistisk clusteranalyse som tar for seg en gruppes preferanser for så å regne ut hva denne gruppen mest sannsynlig vil like i ditt utvalg av innhold. Dette er en måte å filtrere innholdet på basert på data fra flere brukere, og kalles derfor collaborative filtering (Krokan 2016). Algoritmen ser på atferden til andre brukere som du har noe til felles med, for eksempel mennesker som har sett på det samme som deg. Men for å treffe presist i sin analyse, behøver algoritmen et stort datasett. Dette betyr at jo flere brukere Netflix har, jo mer presist kan anbefalingsalgoritmen predikere hva du vil se. Tjenesten blir med dette bedre jo flere brukere den får. Når brukerne skaper fordeler for hverandre på denne måten, kaller vi disse fordelene for positive nettverkseksternaliteter, eller nettverkseffekter.

Collaborative filtering er en måte å personifisere en tjeneste på som senker transaksjonskostnader for brukeren ved å spare de for tid i søkeprosessen. I dagens oppmerksomhetsøkonomi  kan dette være avgjørende for å holde brukeren på siden. Dersom dette fungerer optimalt, vil man kunne øke verdien for kunden, og dermed også øke kundetilfredshet. For konkurrerende tjenester vil effektivisering ved hjelp av en anbefalingsalgoritme kunne gjøre en forskjell, og dermed bidra til at den med best teknologisk løsning vinner.

Collaborative filtering i netthandel

Slik ser det ut på produktsidene til en av de største nettbutikkene i Europa.
Skjermbilde fra zalando.no

På samme måte som Netflix benytter seg av collaborative filtering for å anbefale deg filmer, kan også nettbutikker bruke dette for å anbefale produkter. For en nettbutikk som selger klær, vil det å personifisere utvalget bidra til å holde kundens begrensede oppmerksomhet. Her finnes det også en åpenbar mulighet for å øke salg gjennom mersalg av produkter. Dette kan gjøres på flere måter. Algoritmene kan anbefale kunden plagg basert på kjøp gjort av kunder med liknende kjøpshistorikk, og de kan anbefale produkter som ofte kjøpes sammen.

Første anbefaling kunden får er liknende produkter. Dette er en enkel løsning som kan være effektiv selv uten tilgang på store datamengder. Skjermbilde fra zalando.no
Andre anbefaling kunden får hos Zalando er et typisk eksempel på collaborative filtering. Skjermbilde fra zalando.no

Dette er noe Amazon har gjort i flere år, og som stort sett fungerer godt, med noen unntak. Et eksempel på noe som kan gå galt i denne automatiserte prosessen, er at algoritmene ikke tilpasser anbefalingene basert på informasjonen de har om akkurat deg. Dette kan du se et eksempel på nedenfor, på anbefalinger jeg fikk opp da jeg søkte opp en bok av David Sedaris på Amazon. Her anbefalte Amazon meg to andre bøker i samme sjanger, men også et par sokker i herrestørrelse. Dette på tross av at Amazon vet at jeg er en kvinne.

Skjermdump fra amazon.com

Digital markedsføring i endring

Anbefalingsalgoritmene er ikke perfekte (enda), men de har muligheten til å skape en nærmest skreddersydd brukeropplevelse på nett som kommer både brukeren og tilbyderen til gode. Dette betyr at de som velger å ikke benytte seg av denne teknologien, vil stå i fare for å bli utkonkurrert.

I boken Innholdsmarkedsføring (2016) forklarer Arne Krokan viktigheten av å implementere ny teknologi slik som algoritmer når man går fra å selge produkter over til å selge digitale tjenester. Noen bransjer har taklet denne overgangen bedre enn andre, og her brukes avisene som eksempel på noen som har taklet dette dårlig. I motsetning til distributører av film og musikk, har avisene enda ikke personifisert innholdet til brukeren. Dette på tross av at Facebook leverer nettopp denne tjenesten til sine brukere. Krokan uttrykker frustrasjon over medienes manglende evne til å tenke nytt, noe en er nødt til for å overleve i den digitale økonomien. Dette innebærer nye måter å tjene penger på, nye måter å utforme innhold på, og ikke minst nye måter å treffe kunden med dette innholdet. Her kan anbefalingsalgoritmene gjøre mye av jobben for oss.

Arne Krokans artikkel i boken Innholdsmarkedsføringkan leses i sin helhet her (fra side 53).