Manapság már nem lepődünk meg, amikor releváns tippeket kapunk online vásárlás vagy filmkeresés közben. Néha lenyűgöz minket egy-egy ajánlat, máskor inkább figyelmen kívül hagyjuk ezeket, de legtöbbször talán sokkol bennünket, hogy mennyire jól ismer bennünket egy gép.
Aktuális cikkünkben körbejárjuk, hogy milyen jellegzetességei vannak az ajánló motoroknak, és röviden bemutatjuk, hogy hogyan jelenik meg mindez a befektetések világában.
Az ajánlórendszerek különböző információforrások alapján személyre szabott javaslatokat tesznek. Ezek az információforrások nagyon sokfélék lehetnek, például: a keresési előzményeink, az eszköz, amiket használunk, a lokációnk, az online interakcióink vagy személyesebb adataink, mint az életkorunk vagy a nemünk.
A legismertebb területei az ajánló rendszereknek az online kereskedelem, a közösségi média és a szórakoztató ipar: az online boltok nagy része ma már használ termékajánlásokat. Néhány közülük – mint az Amazon és az Ebay – mesterséges intelligencián (MI-n) alapuló megoldást használ arra, hogy ajánlataik még személyre szabottabbak legyenek. A Facebook és az Instagram tucatnyi ajánlást tesz számunkra vonzó tartalmakról. Sőt mi több, a Netflix és a Spotify felhasználók nagy része kizárólag az ajánlások alapján néz meg egy filmet, vagy hallgat meg egy zeneszámot. Vannak különbségek ezen megoldások között, de a cél ugyanaz: a tömeges testreszabás. Mind a legjobb személyre szabott szolgálatást akarják nyújtani, mert a felhasználók ezt várják el.
Ha ez ilyen jól megy ezeknek a szereplőknek, miért ne működhetne a befektetések területén is?
Egyszerűen megközelítve: az ajánló motorok algoritmusok, amelyek nagy adathalmazok feldolgozásán keresztül képesek a felhasználók részére termékeket és szolgáltatásokat ajánlani. A folyamatot mesterséges intelligenciával támogatva pedig még hatékonyabb rendszert lehet építeni.
Számos technika létezik ezen rendszerek kialakítására, ezek közül most csak a két fő módszertant szeretnénk röviden megemlíteni:
- A tartalom alapú: adott felhasználó cselekedetein és preferencián alapszik. Tipikus példája az “ehhez hasonló termék” ajánlások.
- A kollaboratív szűrés: az ajánlások alapját hasonló ízlésű felhasználók interakciói adják. A “mások még ezt vették” ajánlás kiváló példája ennek.
- + Az előzőek kombinálásával létrejövő hibrid módszer.
A gyakorlatban ez azt jelenti, hogy az első esetben a termékeket azok jellemzői alapján csoportokba sorolják, és amikor valaki érdeklődik egy termék iránt, akkor számára a már kiválasztott termék csoportjából további ajánlásokat tesz a rendszer. A másik esetben pedig, a felhasználók között alkotnak csoportokat azok közös jellemzői, tulajdonságai alapján, és a felhasználói csoport egyik tagja által kedvelt/megvásárolt terméket ajánlják másoknak is, függetlenül attól, hogy ők érdeklődtek-e ilyen termékek iránt.
Ami miatt az ajánlórendszereknél egy MI-n alapuló rendszer több lehet, az pont az, amire nem is gondolnánk. Olyan személyiségjegyeket, tulajdonságokat fűz össze, amelyeket mi kívülről nem láthatunk, vagy nem veszünk észre. Az algoritmusok egy “Fekete dobozban” dolgoznak, amiből a végén kiadnak egy eredményt.
A már említett legismertebb példák (online kereskedelem) esetében elmondható az ajánlórendszerekről néhány közös jellemző, például, hogy a felhasználók által adott visszajelzéseken, értékeléseken alapszanak. A termékcsoportosítások általában fixek (a póló az póló, a pop zene az pop zene), és egy rossz ajánlási élmény nem hat mélyre menően ki a fogyasztók életére. Ezeket azért fontos megemlíteni, mert a befektetések területén ezen jellemzők nem igazak. A pénzügyi intézetek ügyfelei nem értékelik explicit módon a termékeket, a részvények bizonyos jellemzői akár gyorsan meg is változhatnak, illetve akár igen nagy pénzügyi hatást is tudnak az emberek életében okozni. Tehát az általánostól eltérően kell felépíteni azt, hogy (releváns) megvásárlandó részvényeket tudjon egy rendszer ajánlani. De természetesen a már bemutatott módszertanok alappillérei tulajdonképpen hasonlóan alkalmazhatóak.
Akkor mi is az, ami kimondottan fontos egy befektetési ajánlásnál? Például mindenképpen illeszkednie kell az ajánlásnak az ügyfél kockázati profiljába és a befektetési céljaihoz, ami máris leszűkíti a lehetőségeket. Ezt követik a befektetők egyes attribútumai (társadalmi és pszichológiai tényezők) alapján meghatározott sajátosságok profilozása. Illetve fontos szerepet tölt be a múltbéli tranzakciós adatokra való építkezés.
A területnek más specialitása is van. Egy új cipő megvásárlásakor jellemzően nem fáradozunk azzal, hogy személyes adatokat adjunk meg és kérdőíveket töltsünk ki egy ajánlás érdekében. Azonban, amikor nem egy használati tárgyat veszünk, hanem a vagyonunk gyarapítása céljából szeretnénk befektetni, hajlandóak vagyunk több időt szentelni a megfelelő döntés meghozatalára. Így például sokkal nagyobb hajlandósággal töltünk ki egy tesztet, hogy preferenciáinkat megosszuk a rendszerrel a minél jobb ajánlás érdekében.
Tehát jellemzően a kockázati profil, a tranzakciós történet, a személyes adatok, mint pl. a lakóhely és az anyagi helyzet, illetve személyes célok és meggyőződések felhasználásával operálnak ezek az ajánló motorok. Kulcsfontosságú, hogy a befektetési döntésekre relevánsan ható tényezők legyenek kiválasztva és ne legyen se túl kevés, se túl sok adat betáplálva.
Tehát egy cipő kiválasztásához képest komolyabb preferencia-tényezők állnak egy befektetési döntés mögött, amely komplexebbé teszi a rendszert is. Ugyanakkor az utóbbi esetében nagyobb a felhasználóban az együttműködési szándék és személyes adatait is szívesebben megosztja, ami nagyban segíti a pontos ajánlás megalkotását.
A kihívások áthidalását követően viszont az ajánlórendszerek számos előnyös lehetőséget kínálnak. Például segíthetnek a befektetéseiket önállóan intéző személyek számára a legmegfelelőbb döntést meghozni, vagy a tanácsadóknak hatékonyabban kezelni ügyfeleik portfólióját. De akár a teljesen automatizált tanácsadói portfóliókezelést is hatékonyan tudja egy ilyen megoldás támogatni.
Mindez mit jelent a gyakorlatban? Nos, az internetet böngészve nem nehéz már ténylegesen működő példákra bukkanni, amelyeket kimondottan a befektetések területén használnak. A különböző szereplők folyamatosan újabb és újabb megoldásokkal jelennek meg, ám a Netflix-szintű áttörés még nem érkezett meg.
A Dorsum is dolgozik azon, hogy a MiFID2 által megjelölt szempontokon túlmutatva, egy sokkal pontosabb képet tudjon alkotni a befektetni vágyók preferenciáiról. A termékajánlást végző motor fejlesztésén kívül egy nagy mintán alapuló kérdőíves kutatást is végeztünk, amely eredményeként eddig nem azonosított paramétereket találtunk, lehetővé téve a még pontosabb ügyfélcsoportok létrehozását. A projekt már lezárult, így izgatottan várjuk, hogy még több részletet oszthassunk meg a fejlesztéssel kapcsolatban a következő hónapokban.
A Dorsum a 018-1.3.1-VKE-2018-00007 „Pénzügyi termékek és szolgáltatók automatizált és hitelesített értékelése és kategorizálása biztonságos, személyre szabott befektetési szolgáltatás kialakítása érdekében” pályázati projekt keretében végez részletesebb kutató és fejlesztő munkát az automatizált ajánló rendszerek piacán.
