Norrøna如何建造推荐引擎,将转化增加50%

托马斯Gariel2019年12月3日

推荐引擎是当今电子商务的一个关键组成部分。这是由亚马逊(Amazon)和Netflix等公司率先开创的(他们甚至还提供服务)100万美元对于任何能够将引擎改进10%的人来说),预测客户需求并基于这种理解提供主动建议的能力正在重塑企业与客户的互动方式。manbetx客户端应用下载

我们中的许多人每天都使用这些推荐发动机,但你实际上如何进行建设?

传统上,推荐引擎需要运行复杂的数据基础设施来跨源收集和集中数据,并需要大型的内部数据科学团队来培训和构建这些模型。

但这不是at团队的情况Norrøna.他建立了一个完整的推荐平台,从数据收集到服务机器学习的预测在短短6个月的时间里。在这篇文章中,Norrøna的产品经理托马斯·加利尔(Thomas Gariel)向我们展示了推荐引擎是如何非常普及的,无论是对数字优先的公司还是实体企业都是如此。


作为90多年来斯堪的纳维亚地区户外服装的领先品牌,Norrøna已经不再是传统的数据科学公司。新万博app2.0下载在大部分时间里,我们主要是批发业务。因此,我们与最终用户的关系非常有限。

当我们在奥斯陆开业并推出时,全部在2009年改变了我们的电子商务商店。从那以后,我们从2009年没有面向客户的商店或网上商店发展到2019年有22家以上的实体店,直接面向消费者的收入约占50%。

在一段时间内,我们必须完全过渡我们的业务。经过数十年的销售到数千家批发商,我们必须学习如何与数百万客户联系。manbetx客户端应用下载

缩放边缘

现在,我们公司已经新万博app2.0下载开始着手处理过去十年来遇到的最关键的挑战:从批发业务向直接面向消费者的业务转型。

建造或购买推荐引擎

我们必须为我们的推荐引擎提出的第一个挑战是由来已久的“构建vs.购买”问题。从一开始,我们的使命就是生产高端、高性能的产品。为了完成这一使命,我们必须注重诚信、创新,最重要的是,我们产品的技术功能。

我们也自豪地自给自足。从概念到创作,我们的内部设计师和工匠团队自己构建了一切。我们是我们总部拥有内部研发和原型和物质测试的少数品牌之一。我们认为,如果我们将关键部分内化价值链,我们将达到最高水平的质量。

我们的理由是:如果我们始终为我们的物理产品做好事,为什么不尝试对我们的数字产品做同样的事情?

值得庆幸的是,客户数据和机器智能方面的技术在全球范围内的商品化使得这一点变得更加容易。万博官方购彩

像Squarespace这样的软件可以让数百万人在不需要开发者的情况下构建、设计和运营网站,而Segment这样的工具可以让我们在不需要庞大而昂贵的员工的情况下解决常见的客户数据基础设施问题。万博官方购彩

这让我们决定建立自己的推荐引擎将细分市场作为我们的客户数据平台万博官方购彩然后利用Google云平台上提供的机器智能工具。

缩放边缘

我们用来构建推荐引擎的堆栈

我们有一个非常小的团队在Norrøna上研究数据。由于我们的资源有限,它的重要技术很容易使用,并且不需要大量的工程资源就可以被采用

这就是进来。

Norrøna使用Segment进行数据收集和主数据管理。我们使用它来即时跟踪用户交互,包括客户端和服务器端。然后根据GDPR同意,Segment分配一个ID给每个客户,可以是可识别的,也可以是匿名的。

使用一个标准的模式来一致地收集所有这些客万博官方购彩户数据,这对Segment来说再简单不过了。只需拨动开关,就可以发送超级干净的数据并将其存储在云实例中。因为推荐引擎的好坏取决于它背后的数据,所以这一步很关键。

有了干净的数据集,我们就可以在上面添加智能了。我们选择了谷歌云平台(GCP),它拥有在云环境中开发和部署可扩展的机器学习平台所需的所有基本构建块。

GCP有一个庞大的生态系统,它是干净的、相对直观的工具,易于使用,即使非技术人员也可以使用。它都是基于模块化的概念,为人们提供现成的“砖块”,您可以使用它立即启动和运行。

为了在速度,简单性,成本控制和准确性之间实现良好的折衷,我们使用大查询进行存储,数据工作室将该数据和Jenkins和App Engine分开,以便为数据提供电量。

此外,我们使用BigQuery将消费者数据存储在云中。为简单起见,我们使用了将最少的努力提供最大影响的预先存在的组件。

推荐引擎正在运行

Norrøna每个季节都有挑战,帮助用户在18个不同的收藏中导航350个新产品。由于我们的一些产品非常具体,因此客户可以很难找到完美的产品,以满足他们的需求。manbetx客户端应用下载

例如,我们有一个滑雪场巡回赛。我们有一个Backcountry滑雪系列。我们有一个城市滑雪系列。对于一个新用户,了解每个产品和每个集合的功能并不总是容易的。为了帮助解决此问题,我们希望构建一个能够在库存中提供一个产品的系统,以计算我们库存中的其他所有产品的近距离。

缩放边缘

因此,如果我将产品“A”输入到一个API中,系统就可以检索目录中的每一个产品,并大致为每一个产品打分。

回到我们的管道,我们假设来自Segment电子商务库的一些事件可以很好地计算产品接近度——产品、点击、产品添加到购物车、产品添加到愿望列表和其他完成的操作。

缩放边缘

我们的想法很简单协同过滤

协同过滤的工作原理是对一个用户进行一系列自动预测(过滤),查看多个用户的偏好(协作),并将它们组合成一个排名建议列表。基本上,如果某人在他或她的浏览模式中“喜欢”你,我们会推荐他/她看过而你没有看过的内容。

我们从Segment(产品点击,产品添加,产品添加到愿望列表)中获取特定事件,然后将其与过去30天的数据加载到BigQuery中。(对我们来说,这大约是50万次观测。)然后,该算法每天输出目录中每个可能配对的列表,并与这些配对相关联的接近度得分,然后我们通过norrøna.com上每个产品页面上的API公开该列表。

从手动到算法建议

这使得人们在Norrøna上发现新产品的方式有了显著的改进。

在此之前,我们一直认为,为了帮助人们对我们的产品和产品系列进行导航,最好的策略是将免费产品放在主要产品附近。所以,如果我有一件夹克,放一条裤子,一件基础衣或者一件中间层,就能最大限度地提高人们发现其他产品的能力。

缩放边缘

这都是手动完成的。每一季,我们的电子商务经理都会在我们的网站上为每一款新产品手动添加一系列的补充产品。这是一个巨大的时间消耗。

通过使用Segment和BigQuery,我们可以通过获取算法的输出并对特定产品进行过滤来代替这种手工操作。我们发现,算法是系统地推荐类似的产品,而不是我们已经销售了几年的互补产品。

为我们节省大量人工开销本身就是积极的,但更重要的是发现哪个推荐系统具有最大的收益影响。

因此,我们A / B测试了产品页面,并指向50%的流量到版本“A”,50%到版本“B”。

缩放边缘

结果令人难以置信。该算法建议在董事会上击败了手动建议。

我们的推荐引擎旨在解决一个特定的业务挑战。但是这个管道的美妙之处在于它是通用的,足以适应大量的业务挑战。有了基础架构的“主干”,我们正在使用推荐引擎来揭示各种有趣的新见解。

例如,正如我们更多关于它的那样,产品对和相关分数的算法输出和分数基本上就像图表。产品是图形的节点,并且得分是图形的边缘。因此,我们认为如果我们可以将整个目录中的不同关系视为使用Gephi的图形可视化,我们会很有趣。

缩放边缘

这帮助我们在我们的产品目录中发现一些有趣的见解,否则可能一直隐藏。例如,我们在中间发现了三个红色的大簇——我们的滑雪产品。这向我们表明,当涉及到选择你的滑雪产品时,人们并不关心我们推荐产品的现有方式。他们浏览自己的时装系列(如配套的长裤、夹克等),并在这些系列中寻找类似的产品。

另一方面,当涉及生活方式产品时,我们在侧面看到了一个蓝色的集群。对这些产品感兴趣的人往往留在该集群内,只浏览生活方式收集。所以对法兰绒衬衫感兴趣的人也可能对生活方式范围的帽子或夹克感兴趣。

一旦我们开始可视化数据,所有这些模式和相互依存都会变得更加清晰,并且它有所增加的上行程序,帮助我们以简单理解的方式向利益相关者沟通结果。


即时,短期,机器学习用例一直很强大的电子商务,但我们预见到未来的用例将在产品开发,可持续性,需求预测和物流等领域找到。现在我们看到了段和谷歌云的可能性(以及它有多容易)我们可以使用我们的推荐系统的方式仅取决于我们的想象力。

到2030年,你的技术堆栈会是什么样子?

在我们的新报告中,我们调查了超过4000名客户数据决策者,以评估客户数据行业当前和未万博官方购彩来的预测。

成为数据专家。

获取所有物品,产品和增长的最新文章直接向您的收件箱提供。