Big Data Recommendation Problems in e-Commerce Solutions for Small Business

• Autorzy: Michał Bernardelli

Warianty tytułu

Zagadnienia rekomendacji wykorzystujące Big Data dedykowane dla małych przedsiębiorstw e-commerce

• Języki publikacji: EN

Abstrakty

EN

The dynamic development of e-commerce has increased the demand for efficient algorithms and systems based on statistical analysis. The simplest of them use the web traffic statistics, other use sales parameters. Because of the amazing simplicity, transparency and enhanced features, much popularity was gained by the Google Analytics tool. None of the methods, however, without the appropriate algorithms that automate operations, is suitable for use in real time. Intelligent recommendation systems, such as the mechanism of Collaborative Filtering, significantly contribute to an increase in sales but are generally characterized by poor scalability. Of course with proper computer infrastructure and specialist knowledge, it is possible to gather big volumes of data and analyze them. All sophisticated solutions, however, are rather reserved for large companies, whose activity is based on the Internet. In this article, Big Data recommendation problems are described. Advantages and disadvantages of several used in practice algorithms are considered in particular emphasis on the suitability for the small e-commerce business. The main point of the article is the proposition of the simple in implementation recommendation algorithm and thereby achievable for small business. What is more, the online test was performed and its results presented as a good performance proof. The actual data were used thanks to the courtesy of Run4Fun.pl. In the test, the aspects of a large amount of data but also their volatility and diversity was taken into consideration. (original abstract)

Dynamiczny rozwój rynku e-commerce spowodował wzrost zapotrzebowania na skuteczne algorytmy i systemy wykorzystujące analizę statystyczną. Najprostsze z nich używają statystyk ruchu internetowego, inne statystyk sprzedaży. Ze względu na niezwykłą prostotę, przejrzystość i funkcjonalność, dużą popularność zyskało narzędzie Google Analytics. Żadna z metod, jednakże, nie nadaje się do wykorzystania w czasie rzeczywistym, bez odpowiednich metod automatyzujących jej działanie. Inteligentne systemy rekomendacji, takie jak mechanizm Collaborative Filtering, znacząco przyczyniają się do wzrostu sprzedaży, ale charakteryzują się na ogół słabą skalowalnością. Oczywiście, mając do dyspozycji rozbudowaną infrastrukturę komputerową i specjalistyczną wiedzę, można gromadzić duże ilości danych i analizować je. Wszystkie zaawansowane rozwiązania są jednak raczej osiągalne dla dużych firm, których działalność koncentruje się w Internecie. W artykule opisano zagadnienia rekomendacji związane z Big Data. Podkreślono zalety i wady kilku stosowanych w praktyce algorytmów, ze szczególnym uwzględnieniem ich przydatności dla małych firm działających na rynku e-commerce. Celem artykułu jest propozycja prostego w implementacji algorytmu rekomendacji, który byłby dostępny dla małych firm. Co więcej, przeprowadzone zostały testy on-line, których wyniki przedstawiono jako potwierdzenie skuteczności działania algorytmu. Rzeczywiste dane sprzedażowe zostały udostępnione przez firmę Run4Fun.pl. W teście wzięto pod uwagę kwestie dużych wolumenów danych, lecz również ich zmienność i różnorodność. (abstrakt oryginalny)

Słowa kluczowe

EN

e-commerce; Big Data; Recommender system; Algorithms

PL

Handel elektroniczny; Big Data; System rekomendujący; Algorytmy

• Czasopismo: Przedsiębiorstwo we współczesnej gospodarce - teoria i praktyka
• Rocznik: 2017
• Numer: nr 3
• Strony: 65--76

Twórcy

autor

Michał Bernardelli

• Warsaw School of Economics, Poland

Bibliografia

• Adomavicius G., Tuzhilin A. (2005). Towards the next generation of recommender systems: a survey of the state-of-the-art and possible extensions, IEEE Trans. on Data and Knowledge Engineering, 17:6, pp. 734-749.
• Bernardelli M. (2015). Cheater detection in Real Time Bidding system - panel approach. "Roczniki" Kolegium Analiz Ekonomicznych SGH, No. 39, Oficyna Wydawnicza SGH, Warszawa 2015, pp. 11-23.
• Cisco Visual Networking Index (2013). Global Mobile Data Traffic Forecast Update, 2012-2017, www.cisco.com.
• Cox M., Ellsworth D. (1997). Managing Big Data for Scientific Visualization, ACM Siggraph, Vol. 97, pp. 146-162.
• Halevy A., Norvig P., Pereira F. (2009). The unreasonable effectiveness of data. IEEE Intelligent Systems, 24(2):8-12, doi: 10.1109/MIS.2009.36.
• Laney D. (2001). 3D Data Management: Controlling Data Volume, Velocity and Variety, META Group.
• Sarwarm B.M., Karypis G., Konstan J., Riedl J. (2000). Analysis of Recommendation Algorithms for E-Commerce, ACM Conf. Electronic Commerce, ACM Press, pp. 158-167.
• Schafer J. B., Konstan J. A., Reidl J. (2001). E-Commerce Recommendation Applications. Data Mining and Knowledge Discovery, Kluwer Academic, pp. 115-153.
• Tabakow M., Korczak J., Franczyk B. (2014). Big Data - defnicje, wyzwania i technologie informatyczne. Business Informatics, 1(31):138-153, doi: 10.15611/ie.2014.1.12.
• Mayer-Schönberger V., Cukier K. (2014). Big Data: A Revolution That Will Transform How We Live, Work, and Think. Eamon Dolan/Mariner Books.
• Leskovec J., Rajaraman A.,Ulmann J.D. (2012). Mining of Massive Datasets. Cambridge: Cambridge University Press.

Identyfikatory

DOI

10.19253/reme.2017.03.005