‍

Amir Vaheb kertoo, miten personointiprojektit tukevat jatkuvaa oppimista, ja miksi läpinäkyvyys ja relevanssi ovat tärkeitä kuin täydelliset mallit

Kuka olet ja mitä teet?

Minä olen Amir Vaheb, Senior AI Scientist Data Designilla. Työssäni keskityn esimerkiksi siihen, miten ihmiset käyttävät tuotteita ja miten näistä havainnoista voidaan luoda liiketoiminta-arvoa. Käytännössä autan organisaatioita tekemään parempia, dataohjattuja päätöksiä suunnittelemalla, rakentamalla ja validoimalla tekoälyratkaisuja, jotka tuottavat mitattavaa hyötyä liiketoiminnalle. Jokainen projekti alkaa liiketoimintaongelman kirkastamisesta ja sen kääntämisestä oikeiksi datakysymyksiksi.

‍

Mikä projekti on jäänyt erityisesti sinuun, ja miksi?

Erityisesti mieleen on jäänyt personointihanke eräälle digipalvelualustalle. Projekti oli merkityksellinen, koska se oli ensimmäinen kerta, kun vein koneoppimismalliin perustuvan ratkaisun tuotantoon asti. Oli erittäin palkitsevaa nähdä työn konkreettinen vaikutus kasvaneina käyttölukemina ja selkeänä liiketoimintahyötynä.

Projekti oli myös todellinen tiimityökokemus, jossa data-, tuote- ja liiketoimintatiimit tekivät tiivistä yhteistyötä.

‍‍

Mistä projektissa oli kyse?

Asiakas operoi laajaa video-on-demand-palvelua, jossa oli tuhansia nimikkeitä. Haasteena oli se, että kaikille käyttäjille näytettiin samat suositukset, minkä seurauksena sitoutuminen jäi heikoksi. Kun sisältö ei vastannut käyttäjän kiinnostusta tai senhetkistä tarvetta, käyttäjät poistuivat ja laadukas sisältö jäi helposti piiloon.

Tavoitteena oli auttaa käyttäjiä löytämään heille aidosti relevanttia sisältöä skaalautuvalla tavalla ja ilman monimutkaisia manuaalisia sääntöjä. Ajatus oli sama kuin Netflixillä: paremmat suositukset lisäävät katseluaikaa, ja pidempi katseluaika tarkoittaa enemmän tuloja.

‍

Millainen ratkaisu kehitettiin?

Rakensimme joustavan suositusjärjestelmän, joka yhdisti käyttäytymis- ja kontekstisignaaleja, käyttäjien toimintamalleja sekä sisällön ominaisuuksia. Ratkaisu toimi hyvin sekä olemassa oleville käyttäjille että uusille kävijöille, ja myös uuden sisällön kohdalla.

Emme rakentaneet yhtä monoliittista mallia, vaan yhdistimme useita eri menetelmiä yksinkertaisista säännöistä edistyneempiin algoritmeihin. Tämä hybridimalli teki järjestelmästä helpommin selitettävän, ylläpidettävän ja jatkuvasti kehitettävän.

Tulokset olivat selkeitä: katseluaikaa kertyi 20 prosenttia enemmän käyttäjää kohden ja klikkausprosentti kasvoi 50 prosenttia.

‍

Miten ratkaisu otettiin vastaan?

Ratkaisu otettiin vastaan erittäin hyvin. Se istui suoraan olemassa oleviin prosesseihin, joten tiimien ei tarvinnut muuttaa toimintatapojaan kerralla. Tuote- ja liiketoimintapuolella arvostettiin erityisesti sitä, että suositusten logiikka oli ymmärrettävää ja selkeästi yhteydessä liiketoiminnan tavoitteisiin.

Läpinäkyvyys loi luottamusta heti alusta alkaen ja mahdollisti hallitun käyttöönoton, palautteen keräämisen ja jatkuvan kehittämisen. Ajan myötä ratkaisu kehittyi data science -pilotista luotetuksi osaksi arjen päätöksentekoa.

‍

‍Mitä oppeja projektista jäi käteen?

Haasteita riitti sekä teknisesti että organisatorisesti. Koska kyseessä oli asiakkaan ensimmäinen datahanke, piti samaan aikaan rakentaa uusia kyvykkyyksiä ja toimittaa näkyviä tuloksia.

Yksi tärkeimmistä opeista oli se, ettei täydellistä suositusjärjestelmää ole olemassa. Oleellisinta on löytää oikea tasapaino käyttäjärelevanssin, liiketoiminnan tavoitteiden ja luottamuksen välillä. Opin myös, että läpinäkyvyys ja sidosryhmien mukaan ottaminen tuottavat usein enemmän arvoa kuin mallin viimeisten prosenttien hienosäätö.

Varhainen viestintä ja vaiheittainen julkaisu rakensivat projektin aikana enemmän luottamusta kuin mikään yksittäinen tekninen optimointi. Toinen keskeinen oivallus oli se, että data täytyy kääntää kielelle, jota tuote- ja markkinointitiimit ymmärtävät, eli siihen, miten tulokset näkyvät liiketoiminnassa.

‍

Voisiko vastaavaa toteuttaa muuallakin?

Ehdottomasti. Samoja personointiperiaatteita on sittemmin hyödynnetty myös muissa projekteissa. Esimerkiksi mobiilipelisovelluksessa käytimme vastaavaa lähestymistapaa ohjaamaan pelaajia heille relevantin sisällön ja tarjousten pariin.

Samat ideat toimivat hyvin myös verkkokaupassa, rahoituspalveluissa ja monilla muilla toimialoilla. Personointi auttaa lähes kaikissa liiketoiminnoissa lisäämään sitoutumista, parantamaan asiakaskokemusta ja tuottamaan mitattavia tuloksia.

‍

Mikä oli projektin paras osa?

Parasta oli nähdä, miten personoinnista tuli osa yrityskulttuuria eikä se jäänyt vain yksittäiseksi datahankkeeksi. Keskustelu siirtyi pois kysymyksestä siitä, kuinka tarkka malli on, kohti kysymystä siitä, onko ratkaisu käyttäjälle relevantti juuri sillä hetkellä.

Tämä kulttuurinen muutos kohti dataohjattua ja käyttäjäkeskeistä ajattelua oli projektin todellinen onnistuminen. Se muutti pysyvästi tapaa, jolla tiimit ajattelivat tuotekehitystä, käyttäjäkokemusta ja pitkän aikavälin strategiaa. Kun huomasin, että tiimit alkoivat ensimmäisen version julkaisun jälkeen puhua palavereissa oma-aloitteisesti metriikoista ja käyttäjädatan oivalluksista, tiesin muutoksen todella tapahtuneen.

‍