LG Aimers 4기 추천 알고리즘

LG Aimers: AI전문가과정 4차

Module 8. 『B2B 고객데이터 기반 예측 단서 스코어링 모델』

ㅇ 교수 : KAIST 박성혁 교수 
ㅇ 학습목표     
본 모듈은 B2B 고객데이터 기반 예측 단서 스코어링 모델에 대해 학습합니다. 
고객의 행동을 예측할 수 있는 방법론과, 추천 시스템에 기반한 고객과 상품을 스코어링하는 방법, 의사결정나무 및 로지스틱 회귀 분석 기반의 고객과 상품을 스코어링하는 방법에 대해 소개합니다.

 

Part 2. 고객에게 최적의 상품을 제시하는 추천 알고리즘

-B2B 시장에서도 추천서비스가 중요한 이유

 

B2B 시장에서도 추천서비스가 중요한 이유

-Three methodologies to implement a recommender system

1. Content-based Recommendations
:A method of finding similar products and recommending those items based on the user’s past product preference history

2. Collaborative Recommendations
:A method of finding people with similar preferences to the user's past product preference history and recommending products they liked

3. Hybrid Approaches 
:A recommended method that combines the two methodologies

-서비스 구현 관점에서 추천알고리즘 재구성

1. 상품to상품 (대체재/보완재)
: 특정 상품에 대해서 유사 상품을 대체재 및 보완재로 구분하여 추천해주는 방식

2. 개인to상품 (개인화)
: 특정 개인에 대해서 맞춤형 상품을 추천해주는 방식

*상단: 특정 개인 선호 상품을 연관 상품추천과 결합
*하단: 유사 사용자 집단을 정의하여 신규상품을 추천

3. 키워드to상품 (검색추천)

:특정 키워드에 대한 검색 결과로 관련 상품을 추천해주는 방식

*상단: 키워드 검색 결과 제공
*하단: 유사 키워드 제공

-B2B 추천 서비스 예시

 

B2B 추천 서비스