biznes technologie innowacje
technologiczna strona biznesu
biznes technologie innowacje
najważniejsze informacje zebrane w jednym miejscu
X
Następny artykuł dla ciebie
Wyświetl >>
Transformacyjna moc rekomendacji 

Silniki rekomendacji rewolucjonizują sposoby robienia zakupów przez klientów i wykonywania zadań przez pracowników.

PRZECZYTAJ CAŁY ARTYKUŁ W WERSJI PDF

Wikipedia definiuje silniki (oraz platformy i systemy) rekomendacji jako „podklasę systemów filtrujących informacje, które mają za zadanie przewidywać »oceny« lub »recenzje«, jakie użytkownik wystawiłby produktom”[1]. Jednak jako narzędzie, technologia i cyfrowa platforma silniki rekomendacji są o wiele bardziej intrygujące i ważniejsze, niż wynika z powyższej definicji.

Na rynkach bazujących na danych niezawodnie najtrafniejszych rad udzielają najskuteczniejsi rywale. Kiedy zmieniamy opakowanie analiz prognostycznych i wykorzystujemy je w charakterze rekomendacji, zmieniają one sposób, w jaki ludzie postrzegają wybór, doświadczają go i rozstrzygają. Silniki rekomendacji są najskuteczniejszymi – i najmocniej uprawniającymi ludzi do działania – motorami handlu.

Jeśli wierzyć założycielom i prezesom takich cyfrowych platform jak Alibaba, Amazon, Netflix i Spotify, silniki rekomendacji odegrały zasadniczą rolę w ich sukcesie. Dla tych przedsiębiorstw nie są to po prostu narzędzia do marketingu lub sprzedaży, ale czynniki napędzające poznanie, innowacyjność i zaangażowanie. Dobre rekomendacje w wymierny sposób przekładają się na silniejszą lojalność i wzrost; zwiększają wartość życiową klienta. Komputerowe generowanie przekonujących rekomendacji w rentowny sposób kształtuje ludzkie zachowania.

Oddziaływanie silników rekomendacji i ich stosowanie nie ogranicza się do klientów i konsumpcji. Ogromni pracodawcy – przede wszystkim Google – wdrażają i dostosowują silniki rekomendacji jako wewnętrzne platformy wydajności, aby zachęcać pracowników do wybierania najlepszych opcji przy podejmowaniu decyzji. Prawdę mówiąc, pod koniec 2016 roku wiceprezes Google do spraw kadrowych Laszlo Block odszedł z koncernu, aby uruchomić start‑up Humu tworzący silniki rekomendacji, które doradzają pracownikom zmiany zachowania.

Jeśli wierzyć założycielom i prezesom takich cyfrowych platform jak Alibaba, Amazon, Netflix i Spotify, silniki rekomendacji odegrały zasadniczą rolę w ich sukcesie.

Chociaż głównym składnikiem doradztwa pozostają dane, globalna rewolucja w dziedzinie rekomendacji odzwierciedla głęboką i ciągłą innowacyjność w zakresie algorytmów, dzięki której uczenie maszynowe i sztuczna inteligencja podsycają udoskonalenia w głębokim uczeniu (deep learning) i generatywnych sieciach przeciwstawnych (GAN – generative adversarial networks). Skuteczne silniki rekomendacji uczą się uczyć. Im więcej ludzi ich używa, tym stają się inteligentniejsze; im są inteligentniejsze, tym więcej ludzi ich używa. Kiedy funkcjonują prawidłowo, inicjują proces narastającego tworzenia wartości.

Sieciowe zachęty i przypomnienia z silników rekomendacji coraz bardziej wpływają na dokonywane przez ludzi wybory dotyczące ubrań, rozrywki, jedzenia i lekarstw. Wpływają także na to, jakie SMS‑y wysyłamy; z którymi znajomymi utrzymujemy kontakty; których obecnych i potencjalnych klientów traktujemy priorytetowo; do których ekspertów się zwracamy; których kandydatów do pracy zatrudniamy; które inwestycje wybieramy; które notatki redagujemy; i które harmonogramy realizujemy.

Chociaż głównym składnikiem doradztwa pozostają dane, globalna rewolucja w dziedzinie rekomendacji odzwierciedla głęboką i ciągłą innowacyjność w zakresie algorytmów

Jednak zachęty i przypomnienia nie powinny przesłaniać subtelnej, ale nieodzownej zasady projektowej, która czyni proces narastającego tworzenia wartości przez silniki rekomendacji bardziej korzystnym. W rekomendacjach chodzi o zapewnianie ludziom lepszych możliwości wyboru, a nie o posłuszeństwo lub manipulowanie nimi. Silniki rekomendacji nie starają się narzucać użytkownikom optymalnych, najlepszych ani właściwych odpowiedzi. Wręcz przeciwnie, ich sensem i celem jest uprawnianie ludzi do działania i zwiększanie ich sprawczości. Algorytmy dążą do oddziaływania, nie do kontrolowania. Dlatego udana konstrukcja silnika rekomendacji zależy bardziej od tego, jak rekomendujący chcą oddziaływać, niż od tego, ile wiedzą.

Silniki rekomendacji przekształcają ludzkie wybory. Tak jak silnik parowy z impetem zapoczątkował rewolucję przemysłową, tak silniki rekomendacji zmieniają znaczenie analityki i oddziaływania w wieku algorytmów. Systemy rekomendacji prosperują wszędzie tam, gdzie wybór ma znaczenie, a ta głęboka cyfrowa transformacja wyboru będzie się szerzyć tym bardziej, im systemy rekomendacji będą mądrzejsze. Lepszy system niezmiennie oznacza większe możliwości wyboru.

Pomaganie klientom w dokonywaniu lepszych wyborów napędza rozwój biznesu

Zakupy, handel i konsumpcja stanowią najbardziej oczywiste przykłady rosnącego oddziaływania silników rekomendacji. „System rekomendacji jest kluczem do sukcesu witryn e‑handlu oraz dostawców innych usług indeksowanych, takich jak Alibaba, eBay, Google, Baidu, YouTube itp.” – zauważył analityk danych z JD.com, jednego z największych chińskich serwisów e‑handlu w naukowym opracowaniu na temat silników rekomendacji następnej generacji[2].

Zakupy, handel i konsumpcja stanowią najbardziej oczywiste przykłady rosnącego oddziaływania silników rekomendacji.

Jedną z przyczyn tego stanu rzeczy jest fakt, iż więcej ludzi niż kiedykolwiek wcześniej ma dziś więcej opcji do wyboru w większej liczbie spraw z większej liczby dziedzin. Na przykład serwis Prime Video firmy Amazon oferuje ponad 20 tysięcy krótszych i dłuższych filmów; do YouTube’a co minutę przesyłanych jest ponad 500 godzin nagrań wideo; każdego dnia na Instagramie publikowanych jest więcej niż 50 milionów zdjęć.Ta ogromna liczba nowych treści skraca nam czas na przemyślane decyzje. Dlatego ludzie, którzy chcą dokonywać trafniejszych wyborów, coraz chętniej akceptują rekomendacje inteligentnych systemów.

Największa na świecie niezależna muzyczna platforma streamingowa  Spotify ma ponad 200 milionów użytkowników i udostępnia 50 milionów piosenek. Innowacyjne szwedzkie przedsiębiorstwo rozwinęło działalność na tak wielką skalę, ponieważ jako filary swojego rozwoju i strategii budowania doświadczeń użytkowników stosuje odkrywanie, rekomendowanie i personalizację.

Głównym firmowym systemem rekomendacji jest usługa Discover Weekly, która stanowi doskonały przykład, jak przemyślane połączenie algorytmów generujących rekomendacje dogłębnie zmienia ścieżki, którymi ludzie docierają do nowości. Co poniedziałek, każdy klient Spotify otrzymuje spersonalizowaną kompilację 30 piosenek, których prawdopodobnie nigdy wcześniej nie słyszał, ale można przypuszczać, że bardzo przypadną mu do gustu. Mechanizm Discover Weekly – dyskretnie uruchomiony w 2015 roku, kiedy Spotify miał około 75 milionów użytkowników – został stworzony przez tymczasowy zespół bez oficjalnego wsparcia czy umocowania.

Sekretnym składnikiem przepisu Spotify na sukces jest podobieństwo. Różne algorytmy skupiają się na poszczególnych cechach, właściwościach i elementach w skomputeryzowanym dążeniu do zapewniania użytkownikom niespodzianek, które prawdopodobnie sprawią im przyjemność. Zespół algorytmów obejmuje grupowanie w oparciu o oceny podobnych użytkowników (collaborative filtering algorithm), przetwarzanie języka naturalnego, wykrywanie wyników odstających/anomalii (outlier/anomalny detection), głębokie uczenie (deep learning) i konwolucyjną sieć neuronową (convolutional neural network) oraz – co najbardziej oczywiste – uwzględnia, czy użytkownik polubił piosenki z listy Discover Weekly otrzymanej tydzień wcześniej, czyli jak często ich słuchał.

System bada zachowanie użytkowników i wyodrębnia najistotniejsze elementy wspólne między piosenkami i artystami, przeszukuje pod kątem nowości rejestry aktywności użytkowników, ich listy odtwarzania, serwisy z wiadomościami z branży muzycznej i recenzje z całego świata oraz surowe pliki audio, używając spektrogramów do rejestrowania takich cech jak tempo, tonacja i głośność. Następnie serwis odsiewa muzykę, którą użytkownicy już słyszeli, i wysyła im listy utworów skrojone na miarę.

Testując Discover Weekly na początku 2015 roku, doraźny zespół po cichu włączył prototyp na muzycznych kontach pracowników Spotify. „Wszyscy oszaleli z zachwytu – wspomina współtwórca Discover Weekly, inżynier Edward Newett. – Niektórzy mówili na przykład, że mają wrażenie, jakby listę opracował ich tajemniczy muzyczny bliźniak”[3].

Następnie system wdrożono dla około jednego procenta bazy użytkowników Spotify, co spowodowało ponowny wybuch entuzjazmu. Wreszcie w połowie 2015 roku Discover Weekly objął pozostałych użytkowników serwisu na całym świecie i szybko stał się przebojem. W ciągu pierwszych 10 tygodni od premiery użytkownicy pobrali strumieniowo miliard zarekomendowanych plików muzycznych.

Takie firmy jak Spotify wierzą, że pomaganie ludziom w dokonywaniu lepszych wyborów – dzięki czemu są mądrzejsi – zapewnia im większą lojalność klientów i rentowność. Dowody wskazują, iż mają rację: ankieta przeprowadzona wśród dostawców w 2019 roku potwierdza, że spersonalizowane rekomendacje produktów odpowiadały za prawie 31% przychodów globalnej branży e‑handlu. Badanie firmy Salesforce wykazało, że osoby robiące zakupy w internecie dodają produkty do koszyka i finalizują zakupy 4,5 razy chętniej, jeśli wcześniej klikają rekomendację jakiegoś produktu. Te liczby robią wrażenie.

Takie firmy jak Spotify wierzą, że pomaganie ludziom w dokonywaniu lepszych wyborów – dzięki czemu są mądrzejsi – zapewnia im większą lojalność klientów i rentowność.

Netflix zauważa, że 75% treści oglądanych przez użytkowników serwisu pochodzi z przedstawianych im personalizowanych rekomendacji (dane systemu rekomendującego są używane również do sugerowania nowych produkcji i oryginalnej oferty programowej). Niezależne badania zdecydowanie wskazują, że systemy rekomendujące odpowiadają bezpośrednio i pośrednio za mniej więcej jedną trzecią przychodów Amazonu.

Według sprawozdań Alibaby system rekomendujący tej firmy przynosi jeszcze bardziej imponujące efekty. Największa chińska platforma e‑handlu ujawniła, że od pierwszego kwartału 2015 roku do pierwszego kwartału 2016 roku – czyli w ciągu zaledwie jednego roku – jej systemy rekomendacji wzbogacone o uczenie maszynowe ponad trzy razy zwiększyły swoje oddziaływanie na firmową sprzedaż wyrażoną w postaci wolumenu towarów brutto (gross merchandise volume – GMV), która w 2016 roku przekroczyła pół tryliona dolarów.

Wyraźnie nie da się tu uniknąć konfliktu interesów: czy rekomendacje są generowane z uwzględnieniem najlepszego interesu firmy czy jej klientów? Cui bono? Czyli kto na tym korzysta? Sposób zarządzania tymi sprzecznymi interesami ujawnia głównie system wartości przedsiębiorstwa, a w mniejszym stopniu jego techniczną pomysłowość. Uprawnianie użytkowników do działania nie jest tym samym, co wykorzystywanie ich przy użyciu algorytmów.

Systemy rekomendacji mają największą moc, oddziaływanie i wartość, kiedy użytkownicy im ufają. Ludzie, którzy mają pewność, że systemy rekomendacji szanują ich dobro, są otwarci na nowatorskie, nieoczekiwane i niesprawdzone oferty. Stają się przez to bezbronni.

Ta bezbronność naraża ich na prawdziwe zagrożenie w postaci manipulacji i wykorzystywania. Jak zauważył Dan Tunkelang, który nadzorował badania nad systemami rekomendacji w LinkedIn: „W chwili, gdy systemy rekomendacji zyskują moc wpływania na decyzje, stają się celem spamerów, oszustów i innych ludzi, którzy chcą oddziaływać na nasze wybory z mniej szlachetnych pobudek”[4].

Od strony technicznej manipulowanie silnikami rekomendacji jest względnie łatwe. Nietrudno jest spowodować, aby rekomendacje faworyzowały jedną markę, film, restaurację, osobę lub piosenkę kosztem drugiej. Mówiąc wprost, do oszustwa wystarczy zmiana zaledwie jednego wiersza kodu. Zwodzenie użytkowników dla własnych korzyści nie wymaga wielkiej pomysłowości. Czy jednak warto oszukiwać z pragmatycznego punktu widzenia? Czy pojedyncze transakcje rzeczywiście opłacają się bardziej niż inwestycje w życiową wartość klienta?

W chwili, gdy systemy rekomendacji zyskują moc wpływania na decyzje, stają się celem spamerów, oszustów i innych ludzi, którzy chcą oddziaływać na nasze wybory z mniej szlachetnych pobudek.

Jeff Bezos z Amazonu stanowczo odrzucił to biznesowe uzasadnienie manipulacji przy rzetelnych rekomendacjach. Kiedy skontaktował się z nim sprzedawca niezadowolony, że Amazon eksponuje krytyczne recenzje, Bezos zareagował, mówiąc: „Ktoś napisał do mnie z zarzutem, że nie rozumiem branży, w której działam. Firma zarabia na sprzedaży, dlatego nie powinienem pozwalać na publikowanie pisanych przez klientów negatywnych recenzji. Kiedy przeczytałem ten list, pomyślałem, że moja firma nie zarabia, kiedy sprzedaje, ale wtedy, gdy pomaga klientom w podejmowaniu decyzji o zakupach”[5].

Rekomendacje, z których ludzie korzystają – i te, które ignorują – ujawniają także sporo o tym, kim są. Lepsza personalizacja siłą rzeczy wymaga większej ilości osobistych danych i informacji. Algorytmy mogą scalać pozornie niepowiązane zbiory danych i generować zaskakująco intymne wnioski. Nikt nie powinien być zaskoczony, że badacze i wynalazcy na całym świecie deklarują, iż chcą budować systemy rekomendacji, które wiedzą o pragnieniach człowieka więcej niż on sam.

Ta ambicja innowatorów oznacza, że bezpieczeństwo i poufność stają się jeszcze ważniejsze. Tak jak w przypadku opieki zdrowotnej, świadoma zgoda staje się coraz istotniejsza, w miarę jak systemy rekomendujące dysponują coraz większą mocą, skutecznością przekonywania i prognozowania.

Trafniejsze wybory pracowników poprawiają ich wyniki

Systemy rekomendacji przyczyniają się do większej wydajności osób oraz przedsiębiorstw. Na przykład specjaliści od marketingu i sprzedaży na całym świecie stosują je do planowania kampanii i wybierania potencjalnych klientów. Liderzy przedsiębiorczości, jak IBM i Salesforce, z jednej strony używają systemów rekomendowania sprzedaży, a z drugiej je sprzedają, dostarczając równocześnie dwóch przykładów wzrostu znaczenia analityki w miejscu pracy.

Założony w 2012 roku izraelski start‑up SalesPredict – cztery lata później kupiony przez eBay – opracował narzędzia analityczne służące do rekomendowania zespołom sprzedażowym ewentualnych klientów o wysokim potencjale. Firma szybko odkryła, że chociaż większość specjalistów do spraw sprzedaży nie chce, aby im mówiono, co mają robić, akceptują oni sugestie bazujące na danych. „Zdaniem niektórych biznesmenów termin »rekomendacje« brzmi odrobinę niezręczne, a my raczej nie chcemy, aby z tego powodu traktowano nas jak naśladowców Amazonu – powiedział współzałożyciel i prezes SalesPredict Yaron Zakai‑Or. – Jednak, prawdę mówiąc, poszliśmy właśnie w tym kierunku”[6].

Systemy rekomendacji przyczyniają się do większej wydajności osób oraz przedsiębiorstw. Na przykład specjaliści od marketingu i sprzedaży na całym świecie stosują je do planowania kampanii i wybierania potencjalnych klientów

Jak zatem najlepiej opakować i prezentować takie narzędzia analityczne w miejscu pracy, aby zwiększać produktywność? Nie wszystko da się zrobić przy użyciu arkuszy kalkulacyjnych, paneli sterowania i dynamicznej wizualizacji. Które retoryczne sformułowanie brzmi bardziej przekonująco: „Powinieneś to zrobić” czy „Menedżerowie chcieliby, abyś rozważył następujące kolejne kroki”? Chociaż wiele narzędzi analitycznych dla firm otwarcie podpowiada najlepsze, optymalne lub normatywne odpowiedzi, inne wykorzystują moc systemów rekomendujących do uprawniania ludzi do działania i zamiast narzucać cyfrowy dyktat, doradzają.

Stitch Fix to uruchomiony w 2011 roku internetowy serwis oferujący abonentom usługę stylizacji osobistej, korzystający w tym celu z algorytmów rekomendacji i analizy danych w celu personalizacji odzieży na podstawie rozmiaru, budżetu i stylu. Serwis wart jest obecnie miliard dolarów. A wartość tę zyskał się dzięki połączeniu – i zastosowaniu na dużą skalę – analizy danych i wyczucia stylu. W 2016 roku firma sprzedała odzież o wartości 730 milionów dolarów; w 2017 roku – 977 milionów dolarów; a w 2018 roku ponad 1,25 miliarda dolarów.

Wykorzystując połączenie analityki, porad i zachęt do stworzenia architektury wyboru, która podsyca zarówno lojalność klientów, jak i rywalizację ze strony naśladowców, firma bez wahania kieruje się danymi. „Dział analityki podlega bezpośrednio mnie, a Stitch Fix nie mogłaby bez niego istnieć – powiedziała założycielka i prezeska firmy Katrina Lake[7]. – To bardzo proste”.

Przywiązanie do danych przenika każde ogniwo łańcucha wartości Stitch Fix. Z asortymentu około tysiąca marek – i własnych linii Stitch Fix – algorytm wybiera dla każdego klienta zindywidualizowaną listę rekomendacji, którą sprawdza jeden z ponad trzech i pół tysiąca dyżurnych firmowych stylistów.

Chociaż wiele narzędzi analitycznych dla firm otwarcie podpowiada najlepsze, optymalne lub normatywne odpowiedzi, inne wykorzystują moc systemów rekomendujących do uprawniania ludzi do działania i zamiast narzucać cyfrowy dyktat, doradzają.

Styliści są niezbędni. „Weźmy na przykład sukienkę w panterkę – mówi dyrektor do spraw algorytmów Eric Colson. – Komputery są pedantyczne. Potrafią odróżnić cętki lamparta od geparda, ale nie mają społecznego wyczucia potrzebnego, aby stwierdzić, że kobieta, której podoba się nadruk przypominający umaszczenie lamparta, prawdopodobnie polubi także wzór imitujący cętki geparda”[8].

Stylista wybiera pięć produktów – pakiet „fix” – który jest wysyłany do klientki co miesiąc, co dwa miesiące lub raz na kwartał, razem z osobistą notatką opisującą, jak najlepiej nosić wybrane artykuły lub łączyć je z akcesoriami. Stitch Fix twierdzi, że „uzbrojeni w dane” styliści wnoszą do procesu dobierania artykułów wymiar ludzki. Firma pobiera za każdy pakiet opłatę stylizacyjną w wysokości 20 dolarów.

Colson twierdzi, że stosowany przez Stitch Fix podział pracy nad rekomendacjami wykorzystuje wnioski na temat architektury ekonomii behawioralnej i wyboru sformułowane przez laureata Nagrody Nobla Daniela Kahnemana i zawarte w książce Thinking, Fast and Slow (Pułapki myślenia. O myśleniu szybkim i wolnym, Media Rodzina, 2011). „Komputery zajmują się obliczeniami i rachunkiem prawdopodobieństwa – zauważa. – Ludzie natomiast wykorzystują intuicję”[9].

„Dobry specjalista w połączeniu z dobrym algorytmem sprawdza się o wiele lepiej niż sam najlepszy specjalista lub sam najlepszy algorytm – potwierdza Lake. – Nie chcemy, aby ludzie rywalizowali z komputerami. Oczekujemy od nich współpracy. Nie uczymy komputerów, aby zachowywały się jak ludzie, i z pewnością nie szkolimy ludzi, aby naśladowali komputery. Każdy – stylista, analityk i ja –musi też przyznać, że bywa omylny. Wszyscy czasami popełniamy błędy, nawet algorytmy. Ważne jest, aby wciąż się na tych błędach uczyć”[10].

W idealnym scenariuszu skuteczne systemy rekomendujące uwalniają bogactwo owocnych możliwości poprawiania wydajności. Na przykład:

·          Menedżer wyższego szczebla uświadamia sobie, że w jego pismach brakuje jasności, energii i siły. Udostępnia swoje listy i wiadomości oprogramowaniu typu Watson Tone Analyzer firmy IBM. Oprogramowanie proponuje poprawki, nadające pismom przekonujący ton i jednoznaczność.

·          Menedżer globalnego projektu chce zachęcić swój zespół do intensywniejszej współpracy i wzbudzić w jego członkach poczucie wspólnoty. System rekomendacji wykonuje analizę sieci społecznościowych, określa priorytety kamieni milowych projektu i przegląda komunikację po spotkaniach, aby w efekcie zaproponować codzienną listę kontrolną.

·          Kompetentny w sprawach technicznych, ale cierpiący na brak inspiracji projektant interfejsu użytkownika chce się stać bardziej śmiały i kreatywny. Systemy rekomendacji wizualnych proponują obrazy i makiety prototypów cechujące się kreatywnym i śmiałym designem interfejsów użytkownika.

W żadnym z tych przypadków nie istnieje jedna właściwa odpowiedź ani typowe rozwiązanie. Zamiast tego pracownicy otrzymują możliwość wyboru zrozumiałych, atrakcyjnych i zindywidualizowanych wariantów, których nie mieliby w innym przypadku.

Nie jest jeszcze początek końca innowacji w zakresie silników rekomendacji. Można jednak uczciwie przyznać, że blisko nam do końca ich początku.

W sensie technologicznym, zbliża się dzień, kiedy narzędzia i osobiste panele sterowania kluczowymi wskaźnikami efektywności będą zdolne wyczuć na poziomie fizjologicznym, kiedy pracownik nie ma nastroju do przyjmowania rad, reagowania na rekomendacje lub „chatowania z szefem na Slacku”. Bardziej szczegółowe dane własne i analizy mogą stać się elementami nieodzownymi do podnoszenia osobistej wydajności i wyników. Wówczas systemy rekomendujące zaczną dostarczać jeszcze lepszych wskazówek, zachęt i rekomendacji we właściwych chwilach.

Zbliża się dzień, kiedy narzędzia i osobiste panele sterowania kluczowymi wskaźnikami efektywności będą zdolne wyczuć na poziomie fizjologicznym, kiedy pracownik nie ma nastroju do przyjmowania rad, reagowania na rekomendacje lub „chatowania z szefem na Slacku.

Wobec prowadzonych nieustannie prac nad innowacjami w dziedzinie uczenia maszynowego, sztucznej inteligencji, czujników, rzeczywistości rozszerzonej, technologii neuronowych i innych mediów cyfrowych, zasięg rekomendacji staje się bardziej wszechobecny, potężny i ważny. Zapowiada się na to, że w przyszłości rekomendacje będą nie tylko bardziej osobiste, adekwatne i oparte na lepszych danych, ale również rewolucyjne w sposób gwarantujący przekonujące zaskoczenie. Strategia i technologia, która uczy się rzetelnie pomagać w dokonywaniu szczęśliwych wyborów, mają przed sobą długą przyszłość.

Ta obietnica niesie za sobą – na dobre i na złe – spore szanse i zagrożenia. Parafrazując Winstona Churchilla, to nie jest jeszcze początek końca innowacji w zakresie silników rekomendacji. Można jednak uczciwie przyznać, że blisko nam do końca ich początku.

Przypisy

[1] „Recommender System”, ostatnio zmodyfikowane 14 lipca 2019, https://en.wikipedia.org

[2] Y. Yan, W. Guo, M. Zhao i inni, Optimizing Gross Merchandise Volume via DNN‑MAB Dynamic Ranking Paradigm, Cornell University, 14 sierpnia 2017, ArXiv:1708.03993.

[3] M. Cowan, How Spotify Chooses What Makes It Onto Your Discover Weekly Playlist, „Wired”, 9 stycznia 2017, www.wired.com.uk.

[4] D. Tunkelang, Taste and Trust, LinkedIn Pulse, 11 stycznia 2015, www.linkedin.com.

[5] M. Schrage, Invest in Your Customers More Than Your Brand, „Harvard Business Review”, 25 lutego 2013, https://hbr.org.

[6] Y. Zakai‑Or, wywiad udzielony autorowi artykułu, 2015.

[7] K. Lake, Stitch Fix’s CEO on Selling Personal Style to the Mass Market, „Harvard Business Review” 96, nr 3, maj- czerwiec 2018, s. 35‑40, https://hbr.org.

[8] Human‑Machine Algorithms: Interview With Eric Colson, Cloudera Fast Forward, 25 maja 2016, https://blog.fastforwardlabs.com.

[9] Ibid.

[10] K. Lake, Stitch Fix’s CEO.

Michael Schrage

Michael Schrage jest pracownikiem badawczym w projekcie Initiative on the Digital Economy w MIT Sloan School of Management oraz autorem książki Recommendation Engines, wydanej w 2020 roku nakładem MIT Press.