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重要组成部分。由亚马逊(Amazon)和网飞(Netflix)等公司开创(他们甚至提供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,需要大型内部数据科学团队来培训和构建这些模型。

但我们的团队不是这样的Norrøna.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。在本文中,Norrøna的产品经理Thomas Gariel向我们展示了推荐引擎是如何被广泛使用的,无论是对于数字优先的公司还是实体企业。


Norrøna Norrøna Norrøna Norrøna Norrøna Norrøna Norrøna Norrøna Norrøna Norrøna Norrøna Norrøna Norrøna Norrøna Norrøna Norrøna Norrøna新万博app2.0下载在大部分时间里,我们主要从事批发业务。因此,我们与最终用户的关系非常小。

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店发展到2019年有22家以上的实体店,这些实体店的50%的收入来自直接面向消费者。

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下载开始着手解决过去十年来遇到的最严峻的挑战: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

我们为推荐引擎所面临的第一个挑战便是古老的“构建vs购买”问题。从一开始,我们的使命就是生产高端、性能驱动的产品。为了完成这一使命,我们关注诚信、创新以及最重要的是我们产品的技术功能是至关重要的。

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,由于全球技术的商品化,无论是客户数据方面还是机器智能方面,这都变得更加容易。万博官方购彩

就像Squarespace这样的软件可以让数百万人在不需要开发人员的情况下建立、设计和管理网站一样,Segment这样的工具可以让我们解决常见的客户数据基础设施问题,而不需要大量昂贵的员工。万博官方购彩

这促使我们决定构建自己的推荐引擎使用Segment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从事数据工作。由于资源有限,它的重要技术易于使用,无需大量工程资源即可采用

这就是进来。

Norrøna使用Segment进行数据收集和主数据管理。我们使用它对客户端和服务器端用户交互进行开箱即用的实时跟踪。然后,根据GDPR的同意,Segment为每个客户分配一个ID,可以是可识别的,也可以是匿名的。

使用标准模式一致地收集所有这些客户数据对万博官方购彩于Segment来说是再容易不过了。发送超级干净的数据并将其存储在云实例中,只需按下开关即可访问。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),它拥有在云中开发和部署可伸缩机器学习平台的所有基本构建块。

GCP有一个庞大的生态系统,包括干净、相对直观的工具,即使是非技术人员也很容易使用。它都是基于模块化的概念,为人们提供现成的“砖块”,您可以立即使用它们来启动和运行。

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。

推荐引擎的作用

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,系统就可以检索我们目录中的每一个产品,并对每个产品进行近似评分。

回到我们的管道,我们假设Segment中的电子商务库中的一些事件是计算产品接近性的一个很好的代理——产品、点击、添加到购物车的产品、添加到愿望列表的产品和其他已完成的动作。

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,通过查看许多用户的偏好(协作)并将它们组合成一个建议排名列表,为一个用户做出一系列自动预测(过滤)。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项目。

我们从Segment (Product Clicked, Product Added, Product Added to Wishlist)中获取特定事件,然后将其与过去30天的数据一起加载到BigQuery中。(对我们来说,这大约是50万次观察。)然后每天,算法输出一个列表,列出我们的目录中每一个可能的配对,并与这些配对关联的接近度评分,然后我们通过norrøna.com上每个产品页面上的API公开这些接近度评分。

从手动到算法建议

这使得人们在Norrøna发现新产品的方式得到了显著改善。

到目前为止,我们一直认为,为了帮助人们浏览我们的产品和我们的集合,把免费的产品放在主产品附近是最好的策略。所以,如果我有一件夹克,那么把裤子、一件底层或一件中层衣服放在里面,就能最大限度地提高人们发现其他产品的能力。

缩放边缘

这都是手工完成的。每个季度,我们的电子商务经理都会在我们的网站上为每个新产品手动添加一系列的补充产品。这是一个巨大的时间陷阱。

通过使用Segment和BigQuery,我们可以通过获取算法的输出并在特定产品上进行过滤来取代这种手工工作。我们发现,该算法系统地推荐的是类似的产品,而不是我们销售了几年的互补产品。

节省我们大量的手工开销本身就是积极的,但更重要的是发现哪种推荐系统对收益的影响最大。

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。

我们的推荐引擎是为了解决一个特定的业务挑战而设计的。但管道的美妙之处在于,它足够通用,能够应对大量的商业挑战。有了基础设施“主干”,我们就可以使用推荐引擎来发现各种有趣的新见解。

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

这帮助我们在产品目录中找到了一些有趣的见解,而这些见解在其他情况下可能是隐藏的。例如,我们在中间发现了三个红色的大团——我们的滑雪用品。这告诉我们,在选择你的滑雪产品时,人们并不在乎我们推荐产品的现有方式。他们浏览了自己的产品系列(如匹配的裤子、夹克等),并在这些系列中寻找相似的产品。

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,以衡量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。