दोस्तों और परिवार के साथ अच्छे रिश्ते आपसी समझ पर निर्भर करते हैं, और आजकल इंटरनेट पर ऐप्स के लिए भी यही कहा जा सकता है। वे अब हमें बहुत अच्छी तरह समझते हैं और हमारे दैनिक साथी बन गए हैं।
विशेष रूप से वैयक्तिकृत वेबसाइट अनुशंसा प्रणाली का उपयोग करने वाले ऐप्स ने एक लंबा सफर तय किया है। सिस्टम वेबसाइटों और सामग्री का सुझाव देने के लिए एल्गोरिदम और मशीन लर्निंग तकनीकों का उपयोग करते हैं जो व्यक्तिगत उपयोगकर्ता के अनुरूप होते हैं। वे आधुनिक इंटरनेट का एक अभिन्न अंग बन गए हैं, जिसमें कई वेबसाइटें और ऐप उपयोगकर्ता अनुभव को बेहतर बनाने के लिए उन्हें शामिल कर रहे हैं।
पहली वैयक्तिकृत सिफारिश प्रणाली 1990 के दशक के अंत में, के लॉन्च के साथ दिखाई दी
अमेज़ॅन की "ग्राहक जिन्होंने इस आइटम को खरीदा, उन्होंने भी खरीदा" सुविधा। यह प्रणाली ग्राहकों को उत्पादों की सिफारिश करने के लिए पिछली खरीदारी और ब्राउज़िंग इतिहास के डेटा का उपयोग करती है। तब से, वैयक्तिकृत अनुशंसा प्रणालियाँ तेजी से परिष्कृत हो गई हैं, अनुशंसाएँ करने के लिए डेटा स्रोतों और मशीन सीखने की तकनीकों की एक विस्तृत श्रृंखला का उपयोग कर रही हैं।
वैयक्तिकृत अनुशंसा प्रणालियों में एक प्रमुख विकास सहयोगी फ़िल्टरिंग का उपयोग रहा है। इस दृष्टिकोण में उपयोगकर्ताओं के एक समूह की वरीयताओं और व्यवहारों का विश्लेषण करना और उस डेटा का उपयोग करके व्यक्तिगत उपयोगकर्ताओं को सिफारिशें करना शामिल है। उदाहरण के लिए, यदि समान रुचियों और स्वाद वाले उपयोगकर्ताओं के समूह ने किसी विशेष वेबसाइट को पसंद किया है, तो अनुशंसा प्रणाली समान व्यवहार प्रदर्शित करने वाले नए उपयोगकर्ता को उस वेबसाइट का सुझाव दे सकती है।
एक अन्य महत्वपूर्ण विकास सामग्री-आधारित अनुशंसा प्रणाली का उपयोग रहा है। ये प्रणालियाँ किसी वेबसाइट की सामग्री या सामग्री के टुकड़े का विश्लेषण करती हैं, और उस जानकारी का उपयोग उपयोगकर्ताओं को सुझाव देने के लिए करती हैं। उदाहरण के लिए, एक सामग्री-आधारित अनुशंसा प्रणाली एक लेख के पाठ का विश्लेषण कर सकती है और पाठक को समान लेखों की सिफारिश करने के लिए खोजशब्दों का उपयोग कर सकती है।
हाल के वर्षों में, वैयक्तिकृत अनुशंसा प्रणाली ने भी अधिक डेटा स्रोतों को शामिल करना शुरू कर दिया है, जैसे सोशल मीडिया गतिविधि और स्थान डेटा। इसने उन्हें और भी अधिक वैयक्तिकृत सिफारिशें करने की अनुमति दी है, क्योंकि वे उन कारकों की एक विस्तृत श्रृंखला को ध्यान में रख सकते हैं जो उपयोगकर्ता की प्राथमिकताओं को प्रभावित कर सकते हैं।
कुल मिलाकर, वैयक्तिकृत वेबसाइट अनुशंसा प्रणाली कम समय में एक लंबा सफर तय कर चुकी है। वे इंटरनेट पर उपयोगकर्ता के अनुभव को बेहतर बनाने के लिए एक आवश्यक उपकरण बन गए हैं, और भविष्य में इसके विकसित होने और और भी अधिक परिष्कृत होने की संभावना है।
परंपरागत रूप से वेबसाइटों ने अपने उपयोगकर्ता अनुभव को घरेलू अनुशंसा प्रणालियों के साथ वैयक्तिकृत किया है जिसके लिए महंगी कोडिंग विशेषज्ञता की आवश्यकता होती है। हालाँकि, अधिक किफायती सास समाधान अब वेबसाइट प्लगइन्स के रूप में उपलब्ध हैं जो स्थापित करना आसान है और वे कमोबेश उसी प्रकार की सिफारिशें प्रदान करते हैं।
नियम-आधारित विभाजन मूल ऑनसाइट वैयक्तिकरण समाधानों में से एक है जो आज भी उपयोग किया जाता है। उदाहरण के लिए, एक बहुत ही सामान्य खंड इस नियम पर आधारित है कि उपयोगकर्ता कार्ट को छोड़ता है या नहीं । यदि कोई गाड़ी छोड़ दी जाती है, तो सिफारिश या छूट देने के लिए एक नियम निर्धारित किया जा सकता है।
इसके बाद व्यवहार संबंधी सिफारिशें आईं, और फिर से यह अभी भी मजबूत हो रही है। अमेज़ॅन जैसे मार्केटप्लेस उपयोगकर्ता के व्यवहार (उपयोगकर्ता क्या देखते हैं या खरीदते हैं) को ट्रैक करते हैं और फिर जब उपयोगकर्ता किसी उत्पाद पर क्लिक करता है तो वेबसाइट अन्य "संबंधित आइटम" और/या "इस श्रेणी में बेस्ट सेलर" की सिफारिश करती है।
वैयक्तिकरण का उपयोग करने वाली अधिकांश वेबसाइटें आज भी इन उपयोगकर्ता व्यवहार अनुशंसाओं का उपयोग करती हैं, जिनमें Amazon भी शामिल है।
भविष्यवाणी की सिफारिशें एक हालिया विकास हैं, हाल के वर्षों में अमेज़ॅन (और अन्य बड़ी कंपनियों) ने अपने एल्गोरिदम को परिष्कृत किया है। अब मशीन लर्निंग इस बात का अनुमान लगा सकती है कि साइट पर कुछ विज़िट के बाद व्यक्तिगत विज़िटर क्या चाहते हैं।
रीयल-टाइम में हमारे व्यक्तिगत ब्राउज़िंग इतिहास पर ध्यान देकर, AI-संचालित अनुशंसा प्रणाली वाली कंपनियां वास्तविक समय में खरीदारों के लिए ऐसी अनुशंसाएं कर सकती हैं जो वास्तव में 1-टू-1 हैं। नाइके की वेबसाइट पर "आप भी पसंद कर सकते हैं" अनुशंसा बॉक्स उन वस्तुओं को दिखाता है जो अधिक वैयक्तिकृत हो जाते हैं क्योंकि आगंतुक साइट पर लगातार आते रहते हैं।
विज़िटर जितना अधिक देखता है, कार्ट में जोड़ता है, या खरीदता है, उतना ही सटीक रूप से अनुशंसा इंजन भविष्यवाणी करता है कि विज़िटर क्या देखना चाहता है। यह इस बिंदु पर है कि एक वेबसाइट अधिक क्रॉस-सेल करना शुरू कर देती है क्योंकि जिन उत्पादों की सिफारिश की जा रही है वे वास्तव में व्यक्तिगत दुकानदारों के साथ प्रतिध्वनित होते हैं।
काम को बेहतर ढंग से करने के लिए अनुकूलित टूल के साथ एक विशिष्ट जगह में ड्रिलिंग करना अगला कदम है। फैशन उद्योग में वेबसाइटें और ईकॉमर्स प्लेटफॉर्म अपने उपयोगकर्ताओं को उत्पादों और शैलियों का सुझाव देने के लिए व्यक्तिगत अनुशंसा प्रणाली का उपयोग करते हैं। इन प्रणालियों को फैशन के लिए विशिष्ट डेटा स्रोतों और मशीन सीखने की तकनीकों का उपयोग करके फैशन उद्योग के अनुरूप बनाया जा सकता है।
उदाहरण के लिए, एक फैशन अनुशंसा प्रणाली उपयोगकर्ता की पिछली खरीदारी और ब्राउज़िंग इतिहास के डेटा का उपयोग कर सकती है। यह उपयोगकर्ता की व्यक्तिगत शैली और उन उत्पादों के प्रकारों की बेहतर समझ प्राप्त करने के लिए उपयोगकर्ता की सोशल मीडिया गतिविधि और स्थान डेटा का विश्लेषण भी कर सकता है, जिनमें उनकी रुचि होने की संभावना है।
सहयोगी फ़िल्टरिंग और सामग्री-आधारित अनुशंसाओं जैसी पारंपरिक अनुशंसा प्रणाली तकनीकों का उपयोग करने के अलावा, एक फैशन अनुशंसा प्रणाली वेबसाइट के साथ उपयोगकर्ता की बातचीत का विश्लेषण करने के लिए विज़ुअल एआई छवि पहचान और प्राकृतिक भाषा प्रसंस्करण का भी उपयोग कर सकती है और इस प्रकार अधिक सटीक सिफारिशें कर सकती है। दुकानदार।
कुल मिलाकर, वैयक्तिकृत वेबसाइट अनुशंसा प्रणाली कम समय में एक लंबा सफर तय कर चुकी है। वे इंटरनेट पर उपयोगकर्ता के अनुभव को बेहतर बनाने के लिए एक आवश्यक उपकरण बन गए हैं, और भविष्य में इसके विकसित होने और और भी अधिक परिष्कृत होने की संभावना है।
इसके अलावा, फैशन के लिए एक विशेष सिफारिश प्रणाली एक फैशन वेबसाइट या ई-कॉमर्स प्लेटफॉर्म पर उपयोगकर्ता अनुभव को बेहतर बनाने के लिए एक शक्तिशाली उपकरण हो सकती है, और ऐसे उत्पादों और शैलियों का सुझाव देकर बिक्री बढ़ाने में मदद कर सकती है जो उपयोगकर्ता के लिए रुचिकर हो सकती हैं।