Ostettuasi tämän, saatat pitää myös tästä – suosittelujärjestelmien toimintaperiaatteet

Verkkokaupassa tai suoratoistopalvelussa törmää jatkuvasti suosituksiin: ”Asiakkaat ostivat myös…”, ”Sinulle suositellaan…” tai ”Koska katsoit tämän…”. Suositusten taustalla on suosittelujärjestelmä, joka analysoi ostohistoriaa ja käyttäytymistietoa löytääkseen merkityksellisiä yhteyksiä tuotteiden ja asiakkaiden välillä.

Kirjoittaja: Sami Heikkinen

Suosittelujärjestelmät ovat muodostuneet yhdeksi digitaalisen liiketoiminnan keskeisimmistä teknologioista. Amazon on raportoinut, että noin 35 prosenttia sen myynnistä syntyy tuotesuositusten kautta (Linden ym. 2003). Netflixin on puolestaan arvioitu ohjauksen kautta katsottavan sisällön osalta perustuvan enimmäkseen algoritmisiin suosituksiin. Suosittelujärjestelmä ei siis ole pelkkä lisäominaisuus, vaan liiketoimintakriittinen työkalu.

Kaksi lähestymistapaa

Suosittelujärjestelmät jaetaan tyypillisesti kahteen pääluokkaan: sisältöpohjaiseen suodatukseen ja yhteisölliseen suodatukseen.

Sisältöpohjainen suodatus (content-based filtering) perustuu tuotteiden ominaisuuksiin. Se vertaa tuotteita toisiinsa kuvausten, kategorioiden tai muiden attribuuttien perusteella ja suosittelee asiakkaalle tuotteita, jotka muistuttavat niitä, joita hän on aiemmin ostanut tai katsonut. Menetelmä toimii hyvin, kun tuotteet ovat hyvin kuvattuja ja asiakas on jo osoittanut selkeitä mieltymyksiä.

Yhteisöllinen suodatus (collaborative filtering) ei tarvitse lainkaan tietoa tuotteiden ominaisuuksista. Se rakentuu pelkästään asiakkaiden ja tuotteiden välisille vuorovaikutuksille – ostoille, arvosteluille tai katselukerroille. Menetelmä perustuu oletukseen, että samankaltaisesti käyttäytyneet asiakkaat tekevät todennäköisesti samankaltaisia valintoja myös jatkossa. (Linden ym. 2003.)

Yhteisöllinen suodatus voidaan toteuttaa kahdella tavalla: käyttäjäpohjaisesti tai tuotepohjaisesti. Käyttäjäpohjainen lähestymistapa etsii asiakkaita, jotka muistuttavat suosituksen kohdetta, ja suosittelee tuotteita, joita nämä samankaltaiset asiakkaat ovat ostaneet. Tuotepohjainen lähestymistapa puolestaan vertaa tuotteita toisiinsa sen perusteella, ketkä asiakkaat ovat ostaneet molemmat. Amazonin kehittämä tuotepohjainen yhteisöllinen suodatus osoittautui käyttäjäpohjaista lähestymistapaa skaalautuvammaksi ja sen suositus on sittemmin levinnyt laajalle. (Linden ym. 2003.)

Ostokorien analyysi lähtökohtana

Yksinkertainen tapa rakentaa tuotesuosittelu on ostoskorianalyysi (market basket analysis). Siinä tarkastellaan, mitä tuotteita asiakkaat ostavat yhdessä. Keskeisiä käsitteitä ovat tuki (support), luottamus (confidence) ja vipuvaikutus (lift).

Tuki kertoo, kuinka suuri osuus asiakkaista on ostanut tietyn tuotteen. Jos esimerkiksi 40 prosenttia laiva-asiakkaista on ostanut nähtävyyskäyntejä, on tuotteen tuki 0,40.

Luottamus mittaa ehdollista todennäköisyyttä: kuinka todennäköisesti asiakas, joka on ostanut tuotteen A, ostaa myös tuotteen B? Jos suurin osa nähtävyyskäyntiostajista on ostanut myös aktiviteetteja, on sääntö ”nähtävyyskäynti → aktiviteetit” korkean luottamuksen sääntö.

Vipuvaikutus osoittaa, onko yhteys tuotteiden välillä merkityksellinen vai sattumanvarainen. Se lasketaan jakamalla todelliset yhteisostot sillä odotusarvolla, joka saataisiin, jos ostot olisivat täysin toisistaan riippumattomia. Ykköstä suurempi vipuvaikutus tarkoittaa positiivista yhteyttä: asiakkaat ostavat näitä tuotteita yhdessä useammin kuin sattumalta voisi odottaa.

Käytännön esimerkki: risteilypalvelut

Havainnollistetaan suosittelua risteilyaluksen asiakasdata-analyysilla. Aineistosta tunnistetaan ensin, mitkä asiakkaat ovat käyttäneet vähintään merkittävästi rahaa kuhunkin palvelukategoriaan. Sen jälkeen lasketaan, mitkä palvelupariyhdistelmät esiintyvät toistuvasti saman matkustajan ostoksissa.

Analyysi saattaa paljastaa, että nähtävyyskäyntejä ostaneet asiakkaat ostavat herkästi myös elämyspalveluita (korkea vipuvaikutus). Vastaavasti kylpyläpalveluita hyödyntävät asiakkaat käyttävät usein myös laivan ravintoloita tavanomaista enemmän. Nämä yhteydet eivät aina ole itsestäänselviä – juuri siksi data-analyyttinen lähestymistapa on arvokas.

Kun säännöt on löydetty, niistä rakennetaan suosittelufunktio: kun asiakas varaa nähtävyyskäynnin ennen matkaa, hänelle voidaan automaattisesti tarjota elämyspalvelupakettia. Tämä personointi voi tapahtua sähköpostilla, mobiilisovelluksessa tai laivakortin kautta tehtävässä lisämyynnissä.

Suosittelujärjestelmän arvo yritykselle

Hyvin toimiva suosittelujärjestelmä hyödyttää sekä asiakasta että yritystä. Asiakas löytää helpommin tuotteita ja palveluita, joita hän ei olisi itse tullut ajatelleeksi, mutta jotka sopivat hänen profiiliinsa. Yritys puolestaan kasvattaa keskiostosta ja parantaa asiakastyytyväisyyttä ilman massiivisia markkinointi-investointeja.

Menetelmä skaalautuu hyvin, sillä suosittelulogiikka rakentuu datan pohjalta automaattisesti – henkilökohtainen myyjä ei pysty muistamaan tuhansien asiakkaiden ostohistoriaa, mutta algoritmi pystyy. On kuitenkin tärkeää muistaa, että suosittelujärjestelmä on niin hyvä kuin sen taustalla oleva data. Jos tietyt asiakasryhmät ovat aliedustettuina tai jos ostodatan laatu on heikko, suositukset voivat olla harhaanjohtavia.

Yhteenveto

Suosittelujärjestelmät ovat konkreettinen esimerkki siitä, miten datasta voidaan rakentaa asiakasarvoa tuottavia palveluita. Yhteisöllinen suodatus ja ostoskorianalyysi ovat lähtökohtia, joiden varaan voidaan kehittää yhä hienostuneempia personointiratkaisuja. Menetelmän ytimessä on yksinkertainen havainto: asiakkaiden käyttäytyminen sisältää arvokasta tietoa siitä, mitä he haluavat seuraavaksi.

Lähteet

Linden, G., Smith, B. & York, J. 2003. Amazon.com recommendations: item-to-item collaborative filtering. IEEE Internet Computing. Vol. 7 (1), 76–80. Viitattu 27.5.2026. Saatavissa https://doi.org/10.1109/MIC.2003.1167344

Kirjoittaja

Sami Heikkinen, FT, KTM, opettaa palveluiden kehittämistä LAB-ammattikorkeakoulun liiketoimintayksikössä ja kehittää risteilymatkustamisen kokemusta Business Finlandin rahoittamassa CruiseFlex-hankkeessa.

Artikkelikuva: https://pixabay.com/fi/photos/ostoksia-ostoksille-4516039/ (Preis_King, Pixabay License)