Which recommendation type is most likely to lead to purchase once clicked?

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Hamari, Juho
dc.contributor.author Mäkinen, Sami
dc.date.accessioned 2016-06-17T12:26:28Z
dc.date.available 2016-06-17T12:26:28Z
dc.date.issued 2016-06-14
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/20862
dc.description.abstract Wide variety of surveys have studied recommendation systems (RS) and the topic is very current. However, the general research topics are related on what algorithm is the best or how algorithms differ from each other and what happens if different algorithms are combined. Also customers’ attitudes and trust (including privacy issues) toward RS are surveyed. This study investigates what happens after a certain (history-related, item-related or toplist) recommendation type is clicked, which will produce the most carted items and the most importantly purchased items. The data used was from a company providing recommendation services for online stores, thus the company sells only the recommendation service itself. The data was from a real life web store providing very valuable and rare knowledge. Because of the company’s clients’ privacy policy, the source of data was not known. Known is that the web store was large European store and most customers were European too. An important remark is that the data was gathered only from one web store and included one million single sessions. The data was studied and linear regression models were contributed. Also binary mode format was used to exclude certain occasions. Results gave some strong indications that there is a notable difference between recommendation types. Re-sults were also connected with a literature findings and psychological persuasion, informative per-suasion and clickstream behavior were discussed. The history type was clearly the most effective recommendation type. Item related recommendation was the second most effective. The reason of the difference is the better and more precise knowledge of the user for the history related recommendation. Toplist was clearly the weakest type to provide purchased items. It is totally impersonal, so the informative aspect is very low, only providing knowledge of popular items. Findings suggest that everything is based on to the knowledge of the user. More accurate recommendations will provide more purchases. As men-tioned the amount of recommendation researches is very large, yet certain areas are unexpectedly unstudied. More attention should be assigned to practical side of the recommendations and as this study suggests it can provide a great benefit. en
dc.description.abstract Suosittelusysteemit ovat erittäin tutkittu ja ajankohtainen aihealue. Kuitenkin useimmat tutkimukset keskittyvät kehittämään parhaan mahdollisen algoritmin, vertailemaan eri algoritmejä tai löytämään tapoja yhdistää niitä. Myös asiakkaiden asenteita ja luottamusta (mukaan lukien yksityisyyden haasteet) suosittelusysteemejä kohtaan on tutkittu. Tämä tutkimus selvittää, mitä tapahtuu, kun tiettyä suositusta (historiatietoon perustuva, tuotteeseen perustuva ja ostetuimmat tuotteet lista) on jo klikattu, mikä suositustyyppi tuottaa eniten ostoskoriin laitettuja tuotteita ja kaikista tärkeimpänä, eniten ostoja. Käytetyn datan tuotti yritys, joka myy suosittelusysteemejä verkkokaupoille. Yritys myy siis vain itse suosittelupalvelua, eikä omista verkkokauppoja. Data oli aidosta verkkokaupasta, joten se oli erittäin arvokasta ja harvinaista dataa. Yrityksen salassapitovelvollisuuksien vuoksi, verkkokauppa ei ollut tiedossa. Kyseessä oli kuitenkin eurooppalainen verkkokauppa ja suurin osa asiakkaista oli eurooppalaisia. Tärkeä huomio on, että data kerättiin vain yhdestä verkkokaupasta ja sisälsi miljoona yksittäistä sessiota. Dataa tutkittiin ja lineaariset regressiomallit tuotettiin. Myös binäärimuotoon muutettu data tutkittiin, jotta tietyt tilanteet pystyttiin välttämään. Tulokset antoivat vahvoja näyttöjä siitä, että suosittelutyypeillä on selkeä ero. Tulokset yhdistettiin aikaisempiin löydöksiin ja syitä eroihin arvioitiin. Historiatietoon perustuva suosittelutyyppi oli selkeästi tehokkain tuottamaan lisää ostoja. Tuotteeseen perustuva suosittelutyyppi oli toiseksi tehokkain. Historiatietoon perustuvan suosittelutyypin paremmuus perustuu tarkempaan tietoon käyttäjästä. Suosikkilista oli heikoin lisämään myyntiä. Se ei perustu millään tavalla käyttäjätietoon, joten suosittelujen henkilökohtaisuutta ei ole. Mitä tarkempia ja henkilökohtaisempia suosituksia tuotetaan, sitä tehokkaampia ne ovat. Kuten mainittu, aihealue on erittäin tutkittu, mutta tietyt alueet ovat jääneet pienelle huomiolle. Lisää tutkimuksia tulisi tehdä käytännön näkökulmasta, kuten tämä tutkimus osoittaa, sillä voi olla selkeä vaikutus myyntiin. fi
dc.format.extent 46
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.title Which recommendation type is most likely to lead to purchase once clicked? en
dc.title Mikä suosittelutyyppi tuottaa todennäköisimmin ostotapahtuman, kun sitä on jo klikattu? fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.school Kemian tekniikan korkeakoulu fi
dc.subject.keyword recommendation system en
dc.subject.keyword recommendation type en
dc.subject.keyword e-commerce en
dc.subject.keyword history related recommendation en
dc.subject.keyword item related recommendation en
dc.subject.keyword toplist recommendation en
dc.identifier.urn URN:NBN:fi:aalto-201606172470
dc.programme.major Henkilökohtainen sivuaine: Sales Management fi
dc.programme.mcode P9002 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Parvinen, Petri
dc.programme PUU - Puunjalostustekniikan koulutusohjelma fi
dc.location PK fi


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account