Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Βασιλείου Ευαγγελία (Α.Μ. 10448) Καζαντζάκη Ελένη (Α.Μ. 10441) Επιβλέπων Καθηγητής Σπύρος Συρμακέσης, Επίκουρος Καθηγητής Διπλωματική Εργασία “Recommendation.

Παρόμοιες παρουσιάσεις


Παρουσίαση με θέμα: "Βασιλείου Ευαγγελία (Α.Μ. 10448) Καζαντζάκη Ελένη (Α.Μ. 10441) Επιβλέπων Καθηγητής Σπύρος Συρμακέσης, Επίκουρος Καθηγητής Διπλωματική Εργασία “Recommendation."— Μεταγράφημα παρουσίασης:

1 Βασιλείου Ευαγγελία (Α.Μ ) Καζαντζάκη Ελένη (Α.Μ ) Επιβλέπων Καθηγητής Σπύρος Συρμακέσης, Επίκουρος Καθηγητής Διπλωματική Εργασία “Recommendation systems”

2 Πίνακας Περιεχομένων 1/2  Ηλεκτρονικό Εμπόριο-Μορφές  Πλεονεκτήματα Ηλεκτρονικών Αγορών  Τεχνολογίες Ηλεκτρονικού Εμπορίου  Ε-Marketing (Πλεονεκτήματα-Μειονεκτήματα)  Ο Ρόλος της Ασφάλειας Στις Εφαρμογές Του Η/Ε  Προδιαγραφές Ηλεκτρονικού Καταστήματος  Personalization (Προσωπικοποίηση)  Συστήματα Που Εμφανίζουν Γνωρίσματα Προσωπικοποίησης  Λόγοι Μη Υιοθέτησης Του Personalization Aπό Tους Xρήστες

3 Πίνακας Περιεχομένων 2/2  Recommendation Systems (Συστήματα Σύστασης)  Recommendation Algorithms  Collaborative Filtering  Cluster Models  Μέθοδοι Βασισμένες Στην Αναζήτηση  Item-To-Item Collaborative Filtering  Σύγκριση Των Αλγορίθμων  Συμπέρασμα Αλγορίθμων Σύστασης  Ηλεκτρονικό Κατάστημα CDStore

4 Ηλεκτρονικό Εμπόριο -Μορφές  Εσωτερικό εμπόριο (π.χ. επικοινωνία μεταξύ ομάδων εργασίας)  Συναλλαγές μεταξύ επιχειρήσεων (Business- to-Business - B2B)  Συναλλαγές μεταξύ επιχειρήσεων και καταναλωτών (Business-to-Consumer - B2C)

5 Πλεονεκτήματα Ηλεκτρονικών Αγορών  Συμβάλουν στην διαφάνεια της αγοράς  Απλοποίηση διεθνούς επιχειρηματικότητας  Μείωση του κόστους του marketing  Εξάλειψη χρονικών και γεωγραφικών περιορισμών  Εξοικονόμηση χρόνου και χρήματος

6 Τεχνολογίες Ηλεκτρονικού Εμπορίου  Ηλεκτρονικό ταχυδρομείο ( )  Ηλεκτρονική ανταλλαγή δεδομένων (EDI)  Ηλεκτρονική μεταφορά κεφαλαίων (EFT)  Ηλεκτρονικοί κατάλογοι (E-cat)  Διαχείριση ροής εργασίας (Workflow Management)

7 Ε-Marketing ( Πλεονεκτήματα-Μειονεκτήματα)  Άμεση επικοινωνία με τους πελάτες  On line συνεργασία με άλλες επιχειρήσεις  Δυνατότητα άμεσης επικοινωνίας με τους προμηθευτές  Χαμηλότερο κόστος προϊόντος και μικρότερος χρόνος παράδοσης  Μειώνεται η επικοινωνία ανθρώπου με άνθρωπο  Η μεγάλη ευκολία πρόσβασης και επομένως η μικρή δυνατότητα ασφάλειας  Έλλειψη πλήρους νομοθετικής κάλυψης  Συνεχή φροντίδα για τη διατήρηση της ηλεκτρονική σελίδα

8 Προδιαγραφές Ηλεκτρονικού Καταστήματος (1/2)  Ευχρηστία εφαρμογών (π.χ απλά και φυσικά παράθυρα διαλόγου, βοήθεια)  Υποστήριξη πελατών (π.χ παροχή πληροφοριών επικοινωνίας)  Εμπιστοσύνη (π.χ πολιτική ασφαλείας)  Πλοήγηση στα προϊόντα του site (π.χ ευκολία αναζήτησης)

9 Προδιαγραφές Ηλεκτρονικού Καταστήματος (2/2)  Πληροφορίες σχετικά με τα προϊόντα (π.χ προσφορά πλήθους προϊόντων, διαθεσιμότητα)  Πραγματοποίηση αγορών (π.χ εναλλακτικές μέθοδοι παραγγελίας)  Απαιτήσεις καταναλωτών

10 Personalization (Προσωπικοποίηση) Π ροσωπικοποίηση είναι οι τρόποι με τους οποίους πληροφορία και υπηρεσίες προσαρμόζονται με σκοπό να ταιριάζουν στις μοναδικές και συγκεκριμένες ανάγκες ενός ατόμου ή μιας κοινότητας

11 Συστήματα Που Εμφανίζουν Γνωρίσματα Προσωπικοποίησης(1/2) Ο μεγαλύτερος αριθμός συστημάτων που εμφανίζουν γνωρίσματα προσωπικοποίησης σήμερα, ανήκει σε μια από τις ακόλουθες κατηγορίες:  Manual Decision Rule Systems (κανόνες βασισμένοι σε δημογραφικά στοιχεία χρηστών)  Content-Based Systems (βασίζονται στον εντοπισμό ομοιοτήτων ανάμεσα στα προφίλ των χρηστών)

12 Συστήματα Που Εμφανίζουν Γνωρίσματα Προσωπικοποίησης(2/2)  Collaborative filtering Systems (δέχονται πληροφορίες με τη μορφή προτιμήσεων και βαθμολογιών ενός χρήστη)  Web Usage Mining Systems (τρέχουν μια σειρά από αλγορίθμους data mining πάνω σε δεδομένα που προέρχονται από δικτυακούς τόπους που επισκέφτηκε ένας χρήστης )

13 Λόγοι Μη Υιοθέτησης Του Personalization Από Τούς Χρήστες Τ ο personalization:  Υπερεξειδικεύει την πληροφορία που λαμβάνουμε  αποκαλύπτει πολλά προσωπικά μας στοιχεία σε τρίτους  Δεν προσαρμόζεται αυτόματα στις αλλαγές των προτιμήσεών μας  Λειτουργεί μόνο αν γνωρίζουμε τι είναι εκείνο που θέλουμε

14 Recommendation Systems (Συστήματα Σύστασης) Τ α recommendation systems (RS) προτείνουν προϊόντα στους πελάτες και τους παρέχουν επαρκή πληροφόρηση ώστε να αποφασίσουν ποια προϊόντα επιθυμούν να αγοράσουν με κύριο γνώμονα την προσωπικότητα τους.

15 Recommendation Algorithms Ο ι αλγόριθμοι σύστασης( Recommendation Algorithms) είναι γνωστοί για τη χρήση τους στις ιστοσελίδες ηλεκτρονικού εμπορίου, όπου χρησιμοποιούν την εισαγωγή δεδομένων ενός πελάτη για τα ενδιαφέροντα του προκειμένου να παραχθεί ένας κατάλογος συνιστώμενων στοιχείων τέτοιοι αλγόριθμοι είναι οι:  Collaborative Filtering  Cluster Models  Μέθοδοι Βασισμένες Στην Αναζήτηση  Item-To-Item Collaborative Filtering

16 Collaborative Filtering Τ ο Collaborative Filtering στοχεύει στην εύρεση των σχέσεων μεταξύ του νέου χρήστη και των υπαρχόντων στοιχείων προκειμένου να καθοριστεί περαιτέρω η ομοιότητα και να δοθούν οι συστάσεις. Μ ερικά από τα συστήματα βασισμένα στον αλγόριθμο Collaborative Filtering είναι:  MovieLens (σύστημα σύστασης κινηματογραφικών ταινιών)  Ringo (σύστημα σύστασης μουσικής)  Firefly και Gustos (συστήματα σύστασης προϊόντων)  Amazon.com

17 Cluster Models Τ α Cluster Models ομαδοποιούν πολυάριθμους πελάτες σε τμήματα, αντιστοιχούν κάθε χρήστη σε ένα τμήμα, και έπειτα θεωρούν όλους τους πελάτες του τμήματος παρόμοιους πελάτες για τον σκοπό της σύστασης.

18 Μέθοδοι Βασισμένες Στην Αναζήτηση Ο ι βασισμένες στην αναζήτηση μέθοδοι μεταχειρίζονται το πρόβλημα με τις συστάσεις ως αναζήτηση σχετικών αντικειμένων, λαμβάνοντας υπόψη τα αγορασμένα αντικείμενα του χρήστη, ο αλγόριθμος κατασκευάζει μια ερώτηση αναζήτησης προκειμένου να βρει άλλα δημοφιλή στοιχεία με παρόμοιες λέξεις κλειδιά ή με παρόμοια θέματα.

19 Item-To-Item Collaborative Filtering Ο item-to-item collaborative filtering αλγόριθμος ταιριάζει τα αγορασμένα προϊόντα κάθε ενός χρήστη με παρόμοια προϊόντα, συνδυάζει εκείνα τα παρόμοια στοιχεία σε έναν κατάλογο σύστασης, Έπειτα, βρίσκει τα στοιχεία που οι πελάτες τείνουν να αγοράσουν από κοινού και συστήνει τα δημοφιλέστερα.

20 Σύγκριση Των Αλγορίθμων (1/2)  Collaborative filtering: κάνει ελάχιστο ή καθόλου offline υπολογισμός, και ο online υπολογισμός εξαρτάται από τον αριθμό των πελατών και των αντικείμενων των καταλόγων.  Cluster models: μπορεί να εκτελέσει ένα μεγάλο μέρος του υπολογισμού offline, αλλά η ποιότητα σύστασης σε μεγάλο αριθμό χρηστών είναι σχετικά πενιχρή.

21 Σύγκριση Των Αλγορίθμων (2/2)  Βασισμένα στην αναζήτηση πρότυπα: κατασκευάζουν τη λέξη κλειδί, την κατηγορία, και τις ενδείξεις των συντακτών offline, αλλά αποτυγχάνουν να παρέχουν κατάλληλες συστάσεις.  Ιtem-to-item collaborative filtering: δημιουργεί τους ακριβείς πίνακες για παρόμοια στοιχεία offline. Τα online συστατικά, εξαρτώνται μόνο από το μέγεθος των τίτλων που ο χρήστης έχει αγοράσει ή έχει εκτιμήσει.

22 Συμπέρασμα Αλγορίθμων Σύστασης Σ το μέλλον, αναμένουμε τη λιανική βιομηχανία να εφαρμόσει ευρύτερα τους αλγορίθμους σύστασης γιατί παρέχουν μια αποτελεσματική μορφή οροθετημένου μάρκετινγκ με τη δημιουργία μιας εξατομικευμένης εμπειρίας αγορών για κάθε πελάτη. Έ νας καλός αλγόριθμο σύστασης είναι εξελικτικός αναφορικά με μια πολύ μεγάλη βάση πελατών σε συνδυασμό με έναν μεγάλο κατάλογο προϊόντων, απαιτεί μόνο κλάσματα δευτερολέπτου επεξεργασίας για να παραχθούν οι online συστάσεις με ακρίβεια.

23 Ηλεκτρονικό Κατάστημα CDStore Παράδειγμα Recommendation Systems (Συστήματος Σύστασης)

24 ΤΕΛΟΣ ΠΑΡΟΥΣΙΑΣΗΣ ΣΑΣ ΕΥΧΑΡΙΣΤΟΥΜΕ


Κατέβασμα ppt "Βασιλείου Ευαγγελία (Α.Μ. 10448) Καζαντζάκη Ελένη (Α.Μ. 10441) Επιβλέπων Καθηγητής Σπύρος Συρμακέσης, Επίκουρος Καθηγητής Διπλωματική Εργασία “Recommendation."

Παρόμοιες παρουσιάσεις


Διαφημίσεις Google