• What are “Recommender Systems”? Give an example you have used.

Recommender system adalah teknologi yang telah merevolusi cara kita berinteraksi dengan produk
dan layanan di era digital. Recommender system adalah teknologi yang memanfaatkan Data
Analysis dan AI untuk memberikan rekomendasi kepada pengguna berdasarkan preferensi dan
perilaku pengguna lain yang serupa. Dengan recommender system, platform e-commerce dan
aplikasi lainnya dapat meningkatkan pengalaman pengguna dan membangun koneksi yang lebih
dalam dengan pelanggan mereka. Secara tidak sadar, kita sering bergantung pada sistem ini untuk
membantu kita menemukan produk dan layanan yang sesuai dengan kebutuhan dan preferensi kita,
yang membuatnya menjadi teknologi yang sangat berguna dan bernilai bagi dunia digital.

Contoh recomender system yang pernah saya gunakan adalah Collaborative filtering yang
diggunakan oleh perusahaan Netflix. Netflix melakukan collecting data history film yang di tonton
user dan setelah itu melakukan perbandingan dengan data tontonan pengguna lain. Sehingga dapat
memberikan rekomendasi film yang telah disesuaikan dengan data tontonan pengguna lain.

YouTube menggunakan recomender system dengan type Content-Based Filtering. YouTube

menggunakan metode ini untuk merekomendasikan video yang sesuai dengan preferensi pengguna
dengan mengumpulkan data sejarah penonton dan mencocokkan atribut video seperti kategori,
judul, deskripsi, tag, dan meta-data lainnya dengan preferensi pengguna. Dengan demikian, YouTube
dapat memberikan rekomendasi video yang lebih relevan dan menarik bagi pengguna.

• What is the “Long tail” and how do recommender systems support sales of items in the long
tail ?

"Long tail" adalah istilah yang digunakan untuk menggambarkan fenomena di mana sebagian besar
produk yang sangat spesifik atau kurang populer secara kolektif memberikan kontribusi yang
signifikan terhadap penjualan secara keseluruhan. Hal ini berbeda dengan model penjualan
tradisional di mana hanya produk-produk terpopuler yang mendominasi penjualan.

Recommender systems dapat membantu penjualan produk di long tail karena mereka dapat
menampilkan produk yang mungkin tidak diketahui Customer, tetapi sesuai dengan minat mereka.
Ketika Customer membeli produk ini, itu dapat meningkatkan penjualan produk-produk di long tail.
rekomendasi sistem juga dapat membantu meningkatkan pengalaman belanja pelanggan dengan
menyarankan produk tambahan yang relevan dengan pembelian awal mereka. Ini dapat
meningkatkan jumlah pembelian dan membantu perusahaan meningkatkan omset mereka.

• How can human editors, including consumers, make recommender systems more helpful?
Rekomendasi sistem telah menjadi bagian penting dari pengalaman digital saat ini, tetapi
meskipun sudah memiliki kemampuan untuk memberikan rekomendasi yang personal,
terkadang sistem rekomendasi tersebut masih dapat memberikan rekomendasi yang kurang
relevan atau tidak sesuai dengan preferensi pengguna. Untuk mengatasi masalah tersebut,
peran human editor, termasuk konsumen, dapat sangat membantu dalam meningkatkan
kualitas dan relevansi dari sistem rekomendasi.

Salah satu cara yang dapat dilakukan oleh konsumen untuk meningkatkan sistem
rekomendasi adalah dengan memberikan Feedback. Konsumen dapat memberikan rating
atau menunjukkan apakah rekomendasi tersebut membantu atau tidak. Umpan balik yang
diberikan akan membantu sistem memahami preferensi pengguna dan menghasilkan
rekomendasi yang lebih sesuai dengan kebutuhan dan preferensi pengguna.

Human editor juga dapat secara manual mengedit rekomendasi yang disediakan oleh sistem
rekomendasi. Editor dapat menambahkan atau menghapus item yang disarankan oleh
sistem, dan bahkan dapat mengubah bobot atau peringkat suatu item dalam daftar
rekomendasi. Dalam beberapa kasus, editor manusia juga dapat memberikan rekomendasi
yang didasarkan pada faktor-faktor yang tidak dapat dipelajari oleh sistem rekomendasi,
seperti nilai budaya atau keunikan suatu produk.

Selain itu, human editor dapat berperan dalam membentuk rekomendasi sistem melalui
pembuatan kurasi atau pilihan item yang lebih selektif. Editor dapat memilih produk yang
memiliki kualitas yang lebih baik atau dapat menambahkan produk yang sebelumnya tidak
pernah muncul dalam sistem rekomendasi. Melalui kurasi ini, konsumen dapat menemukan
item yang lebih relevan dan berkualitas tinggi dalam daftar rekomendasi yang disediakan
oleh sistem.