Ваканционен магазин за пазаруване Смарт с препоръчителния двигател на Amazon
На Коледа много от нас се борят да изберат най-подходящия подарък за нашите близки. Подаването на подаръци за Коледа може да изисква дни на планиране, понякога седмици. Освен частната му забавна и радостна част, Коледното пазаруване може да отнеме много време и стресиращо преживяване.
За щастие в ерата на напредналите технологии има свободно достъпни инструменти, които могат да направят процеса на пазаруване много по-ефективен и продуктивен. В тази публикация ще ви покажа как един от най-големите сайтове в света за търговия на дребно, Amazon.com може да ви помогне намиране на най-добрите подаръци за вашите приятели и семейство в разумен срок с помощта на интелигентния двигател за препоръки.
Персонализирано потребителско изживяване
Най-успешните уеб сайтове в света като Amazon, Facebook и Youtube са толкова популярни, защото те предлагат персонално потребителско изживяване на всички.
Персонализирането на потребителския опит означава, че компаниите наблюдават своите потребители, докато се придвижват през техния сайт и извършват различни действия върху него. Те събират данните в чисти бази данни и го анализират.
Не е ли това вредно за личния живот? От определена гледна точка, да, това е така; тези компании могат да знаят повече за нас, отколкото нашите най-близки приятели или дори самите нас. От друга страна, те ни предлагат услуга, която може да направи живота ни по-лесен, и нашите решения са по-добре информирани.
Ако го разгледаме от гледна точка на транзакциите, ние "плащаме" за подобрено потребителско изживяване и комфорт, с част от нашата поверителност..
Разбира се, съдебните битки между доставчиците на онлайн съдържание и властите са постоянни, просто помислете за не толкова обичаното от ЕС законодателство относно бисквитките, но тъй като отказът е все по-малко реалистичен вариант за някой, който иска да се радва на начин на живот на 21-ви век, може да бъде полезно да се разбере как персонализирани препоръки работят зад кулисите.
Технологията зад препоръките на Amazon
Докато навигирате през уебсайта на Amazon, ние можем да намерим персонализирани препоръки навсякъде под заглавия като “Ново за вас”, “Препоръки за вас в Kindle Store”, “Препоръчани препоръки”, “Клиенти, закупили този продукт, са купили също и”, и много други.
Бяха препоръки интегрирани във всяка отделна част на процеса на закупуване от. \ t търсене на продукта в касата. Индивидуалните препоръки се захранват от интелигентна система за препоръки, която опознава потребителите по-добре и по-добре, когато използват сайта.
За да разберете по-добре препоръчителните системи, добре е да мислите за тях като разширени версии на търсачките. Когато търсим елемент от Amazon, той не само връща резултатите, но също така прави прогнози за продуктите, от които може да се нуждаем, и показва препоръките си за нас.
Препоръчителните системи използват различни видове алгоритми за машинно обучение и са станали търговски приложими с развитието на технологията за големи данни. Препоръчителните двигатели са продукти, задвижвани от данни, като те трябва да намерят най-подходящия малък набор от данни в огромния океан от големи данни.
Изчислителната задача, която препоръчителните системи трябва да решат, е комбинацията от предсказуем анализ и филтриране
Те използват един от следните подходи:
(1) Съвместно филтриране, което търси прилики между съвместни данни като покупки, рейтинги, харесвания, надписи, гласове в:
- или потребителска матрица, където се генерират препоръки въз основа на избора на други клиенти, които харесват, купуват, оценяват и т.н. подобни продукти,
- или матрица на продукта-продукт, където механизмът за препоръки връща продукти, които са сходни по покупки, харесвания, рейтинги и т.н. към продуктите, които текущият потребител е закупил, оценил, харесал, повишил преди
Amazon използва последното, тъй като е по-напреднало (вижте подробно в следващия раздел).
(2) Филтриране въз основа на съдържание, което прави прогнози въз основа на сходствата на обективните характеристики на продуктите като специфики, описания, автори, както и на предишните предпочитания на потребителя (които тук не се сравняват с предпочитанията на други потребители).
(3) Хибридно филтриране, който използва някаква комбинация от съвместна и съдържателна филтриране.
Матрицата на продукта-продукт
Традиционният начин за съвместно филтриране използва матрицата на потребителския потребител и над определено количество данни има сериозни проблеми с производителността.
За да съответстват на предпочитанията, рейтингите, покупките на всички потребители и намерете тези, които са най-близо до активния потребител, двигателят на препоръката трябва да анализира всеки потребител в базата данни и да ги съпоставят с текущата.
Ако мислим за размера на Amazon, ясно е, че този вид филтриране не е възможно за тях, така че инженерите на Amazon са разработили подобрена версия на предишния метод и я нарекли. филтриране на съвместни действия от типа „точка до елемент“.
Продължава съвместното филтриране на елементите от елемент съвместен успех като бенчмарк вместо обективните качества на даден продукт (вижте филтрирането въз основа на съдържание по-горе), но изпълнява заявките в матрицата на продуктовия продукт, което означава, че не сравнява потребителите, вместо това сравнява продуктите.
Препоръчителният механизъм разглежда продуктите, които сме закупили, оценили, поставили в нашия списък с желания, коментирали и т.н. досега, след това търси други елементи в базата данни, които имат сходни курсове и покупки, ги агрегира, след това връща най-добри съвпадения като препоръки.
Как да получите по-добри препоръки
Обратно към коледното пазаруване, възможно е обучете двигателя на Amazon, за да получите по-добри резултати. Ако имате само неясна представа какво да купите за любим човек, не е необходимо да правите нищо друго, освен да оставяте следи на уебсайта, докато сърфирате.
В името на този пост аз самият се опитах.
Отправната ми точка беше, че исках да намеря малко по-малки офис мебели, но не знаех какво точно. Затова въведох някои свързани ключови думи в лентата за търсене и започнах да разглеждам резултатите. Сложих елементите, които харесвах в списъка си с желания, оцених някои мнения като “полезен”, пуснах някакви офис мебели в кошницата ми.
Ако някога съм купувал подобен артикул на Amazon, би било много полезно да напиша преглед върху него, но всъщност не можех да направя това (можете да пишете само отзиви за продукти, които вече сте закупили)..
След около 10-15 минути спрях и кликнах върху моите страници с препоръки (които могат да бъдат намерени под “[Вашето име] на Амазонка” точка от менюто). Преди експеримента имах само книги на тази страница, тъй като това обикновено купувам на Amazon. След обстойното ми търсене книгите изчезнаха и бяха заменени с мека офис мебели, както можете да видите по-долу.
Промяна на двигателя
Възможно е по-нататъшното обучение на двигателя на препоръките, както е показано под всяка препоръка има “Защо се препоръчва?” връзка. Сред моите препоръки можете да видите контейнер за боклук (последен артикул), който не е продукт на офис мебели и не искам да си купя за Коледа..
Нека видим защо е тук.
След кликване върху връзката, Amazon ме информира, че е препоръчано, защото поставих определен стол за офис компютър в кошницата си. Е, това е интересна връзка, но все още не ми трябва.
Тук имам две възможности, мога да отбележа “Не се интересувам” поставете отметка в квадратчето до контейнера за боклук или “Не използвайте за препоръки” до офисния стол. Отбелязвам “Не се интересувам” отметка.
И в този момент лайнерът за боклук е изчезнал, заменен с друг препоръчителен продукт, което означава, че съм с една стъпка по-близо до перфектния подарък.
Жалко, ако някога ще се нуждая от точния контейнер за боклук в бъдеще. О, чакай. Намерих решение за това. Под “Подобрете препоръките си” точка от менюто, мога да редактирам елементите, които съм маркирал с “Не се интересувам” етикет
Когато намерих въображаемия си лов на подаръци, мога просто да премахна отметката от продуктите, които бих искал да видя сред моите препоръки в бъдеще.
