News

Soundbyte 114: Banana Trap

29 september 2013

Zondagavond. Dit weekend lijkt een laatste poging van de zomer, al is hij ondertussen zowel meteorologisch als astronomisch ten einde. Het einde van de zomer is zoiets waarvan ik altijd hoop dat hij nog even op zich laat wachten. Zoals bij een mooie film waar je helemaal inzit en bij iedere shotwisseling vreest dat de aftiteling inzet. Ach, de herfst is ook mooi zeker in een bosrijke omgeving zoals mijn woonplaats Arnhem en mijn dochter vroeg een paar weken geleden al wanneer we nu ein-de-lijk weer ‘ns gingen sleeën. Op mijn antwoord dat het daarvoor eerst moet gaan sneeuwen, antwoorde ze zoals zo vaak de laatste tijd: ‘Waarom?’. In die fase zit ze nu.

Naast de zomer eindigt ook de inzet bij m’n huidige opdrachtgever. Dat is deze week definitief geworden en het afronden en overdragen is dan ook begonnen. Dit voelt ook ’n beetje als het einde van de zomer. Mooie dingen gedaan. Veel geleerd, met name over OSGi en dynamische component-architecturen. Deze bagage neem ik weer mee.

Daarnaast blijf ik gas geven op onze recommendation expertise. Wist je bijvoorbeeld dat de kans heel groot is dat wanneer iemand bij de supermarkt zoute dropjes koopt hij ook bananen in z’n winkelmandje heeft? Dit heeft echter niets te maken met de dropjes en alles met de populariteit van bananen 😉 Deze valkuil noemt men in de recommendation theorie ook wel de ‘banana trap’.

Ik vind het hoe dan ook interessant om te zoeken naar patronen in transacties (e.g. in alle orders van een webwinkel) en deze toe te passen in de vorm van aanbevelingen en/of het aanbieden van product bundels of zelfs ‘package deals’. Om het verhaal van de bananen af te maken; Eerst moeten we een manier vinden om rekening te houden met de algemene populariteit van bananen. Veel supermarktbezoekers kopen altijd bananen. (Als het doel is de omzet te verhogen dan heeft het waarschijnlijk weinig zin om producten aan te bevelen die men toch wel van plan is te kopen, maar dat terzijde.) Voor een goede aanbeveling moeten we een oorzakelijk verband vinden tussen twee of meer feiten (e.g. aankopen binnen en transactie). De aankoop van het ene moet dus aanwijsbare toename brengen in de aankoop van bananen. Er zijn veel verschillende algoritmen die hierbij kunnen helpen.

Dit en meer steek ik tegenwoordig af tegen onze nieuwe afstudeerder. Hij is een student Informatica van de HAN en gaat aan de slag om een framework te maken voor user profiling (dat is weer net wat anders, maar daarover in een latere soundbyte hopelijk meer.)

Zelf zit ik overigens ook weer in de schoolbanken. En wel bij de University of Minnesota waar ik een vak over de implementatie van recommender systems volg. Dat is niet naast de deur, maar dat maakt gelukkig niet uit want het betreft een zogenaamde Massive Open Online Course (MOOC). Ofwel, een cursus ingericht op massale deelname waarbij het materiaal wordt verspreid over het internet. In dit geval via Coursera en de inhoud aangeboden door het fameuze ‘GroupLens Research Lab’, een onderzoeksgroep die bekend is vanwege hun pionierswerk in het onderzoek naar recommender systems. De online deelnemers krijgen exact dezelfde colleges als de studenten die aan deze universiteit het volledige curriculum volgen. Zelfs de vragenuurtjes van studenten komen online. Eersteklas materiaal, kostenloos beschikbaar voor iedereen.

Is dit nu ‘open onderwijs’ of ‘open kennis’ in navolging van ‘open source’? Hoe ziet het verdienmodel van ‘open onderwijs’ eruit? De inkomsten van studenten zijn toch juist onderdeel van het verdienmodel van onderzoek? Gaat de rol van universiteiten veranderen? Hoe langer ik erover nadenk hoe meer vragen. Antwoorden komen met de tijd. Ik moest in ieder geval denken aan deze scene:

-Dick

3 Responses to Soundbyte 114: Banana Trap

  1. Dag Dick,

    Mooie post die mijn interesses weet te prikkelen.

    Je lijkt in je verhaal over recommendation expertise vooral aandacht te hebben voor de correlatie van producten gedurende een aankoop moment. Het lijkt mij dat product correlaties over meerder aankopenmomenten zeer waardevol is. Neem als voorbeeld ouders met kinderen. Eerst zullen ze veel babyvoeding kopen om vervolgens over te stappen op vaster voedsel voor kinderen. Iets waar een winkel gericht op kan marketen. Wordt hier binnen recommendation aan gewerkt, of past dit juist binnen user profiling?

  2. Rachid says:

    Hey Daan,
    Dat past inderdaad meer binnen user profiling.
    Je zou er bijvoorbeeld voor kunnen kiezen om nieuwere aankopen relevanter te vinden voor het gebruikersprofiel. Wanneer ouders dan steeds meer vaste voeding voor kinderen kopen, en steeds minder babyvoeding, zal deze babyvoeding vanzelf verdwijnen uit het gebruikersprofiel. En daarop volgend zal een ‘recommender’ eerder vaste voeding gaan aanbevelen.

  3. Dick says:

    Hey Daan,

    Met het vinden van patronen over meerdere transacties heb ik nog geen ervaring. Interessant is het in ieder geval! Het zou overigens best kunnen dat het beoogde resultaat ook behaald kan worden met het kijken binnen transacties, aangezien ik me goed voor kan stellen dat er in de transacties in een overgangsfase van beide fasen producten zitten.

    Bij het voorbeeld dat je geeft, het aanbevelen van producten afhankelijk van de leeftijd van kind(eren), denk ik goede resultaten te kunnen halen met user profiling;

    In het profiel nemen we de als relevante attributen de leeftijd van eventuele kinderen op. Bij de producten metadateren we baby- en kindervoeding met de beoogde leeftijdscategorie. Bij het profilen bepalen we de leeftijd van eventuele kinderen op basis van de producten in de verschillende transacties. Met het profiel kan de recommender vervolgens producten aanbevelen op basis van de leeftijd van de kinderen.

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *