如何建立一个推荐引擎,提高转化率

托马斯Gariel2019年12月3日

推荐引擎是当今电子商务的关键组成部分。亚马逊(Amazon)和Netflix (Netflix)等公司率先推出了这一服务100万美元对任何能够将他们的引擎提高10%的人来说),预测客户需求的能力,并基于这种理解提供前瞻性的建议,正在重塑企业与客户的互动方式。manbetx客户端应用下载

我们很多人每天都在使用这些推荐引擎,但你实际上是如何构建一个推荐引擎的呢?

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

但我们的团队却不是这样北øna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美国,只有六个月的时间。Norrøna的产品经理Thomas Gariel在这篇文章中向我们展示了推荐引擎是如何普及的,无论是对于以数字为基础的公司还是实体企业。


作为斯堪的纳维亚地区领先的户外服装品牌,Norrøna与传统的数据科学公司相距甚远。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,我们与终端用户的关系非常紧张。

2009年,当我们在奥斯陆开设旗舰零售店并推出产品时,一切都改变了我们的电子商务商店.从那时起,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,近50%的收入来自直接面向消费者的业务。

在很短的时间内,我们不得不完全转变业务。在数十年向数千家批发商销售产品之后,我们必须学会如何与数百万客户建立联系。manbetx客户端应用下载

变焦和保证金

现在,我们公司已经新万博app2.0下载开始应对过去十年来最严峻的挑战:从批发业务向直接面向消费者业务转型。

建立或购买一个推荐引擎

我们的推荐引擎面临的第一个挑战是由来已久的“构建vs购买”问题。从一开始,我们的使命一直是生产高端的,性能驱动的产品。为了完成这一使命,我们必须专注于产品的完整性、创新以及最重要的技术功能。

我们也自豪地自给自足。从概念到创作,我们的内部团队的设计师和工匠自己建造一切。我们是少数几个在总部拥有内部研发、原型和材料测试的品牌之一。我们相信,如果我们将价值链的关键部分内部化,我们将实现最高水平的质量。

我们的理由是:如果我们一直都在为自己的实体产品做事情,为什么不试着为我们的数字产品做同样的事情呢?

值得庆幸的是,在客户数据和机器智能方面,全球技术的商品化使这一切变得更容易。万博官方购彩

就像Squarespace这样的软件让数百万人无需开发人员就能创建、设计和托管网站一样,Segment这样的工具让我们无需庞大而昂贵的员工就能解决常见的客户数据基础设施问题。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谷歌云平台上可用的机器智能工具。

变焦和保证金

我们用来构建推荐引擎的堆栈

我们在Norrøna有一个非常小的团队负责数据处理。由于我们的资源有限,它的重要技术易于使用,无需大量的工程资源即可采用

这就是走了进来。

Norrøna使用Segment进行数据收集和主数据管理。我们使用它进行开箱即用和足够接近实时的用户交互跟踪,包括客户端和服务器端。Segment然后分配一个ID,根据GDPR同意,可以是可识别的或匿名的,给每个客户。

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,只需轻轻一按开关。因为推荐引擎的好坏取决于它背后的数据,所以这一步是关键。

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扩展机器学习平台的所有必要构建块。

GCP拥有一个庞大的清洁的、相对直观的工具生态系统,这些工具易于使用,甚至对非技术人员也是如此。它都是基于模块化的概念,为人们提供现成的“砖块”,您可以使用它们立即启动和运行。

为了在速度、简单性、成本控制和准确性之间取得良好的平衡,我们使用了Big Query进行存储,Data Studio分离数据,Jenkins和App Engine为数据提供动力。

此外,我们使用BigQuery在云中存储消费者数据。为了简单起见,我们使用了已经存在的组件,这些组件可以以最少的工作量交付最大的影响。

运行中的推荐引擎

Norrøna每一季都有一个挑战,那就是帮助用户在18个不同的系列中浏览350种新产品。由于我们的一些产品非常具体,客户很难找到适合他们需求的完美产品。manbetx客户端应用下载

例如,我们有滑雪旅游收藏。我们有野外滑雪收藏。我们有一个城市滑雪收藏。对于一个新用户来说,当有非常相似的产品时,理解每个产品和每个系列的功能并不总是容易的。为了帮助解决这个问题,我们希望构建一个系统,能够在给定库存中的一种产品的情况下,计算与库存中其他所有产品的接近程度。这就是基于用户偏好的产品推荐对于提高认知度和增加销量至关重要的地方。

变焦和保证金

因此,如果我在API中输入产品“A”,系统可以检索我们目录中的每一个产品,并为每一个产品提供一个近似的相似度评分。

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将是计算产品接近度的良好代理——产品、点击、产品添加到购物车、产品添加到愿望列表和其他已完成的操作。

变焦和保证金

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),对一个用户进行一系列自动预测(过滤),并将它们组合成一个建议排序列表。基本上,如果有人在他或她的浏览模式下“赞”了你,我们会推荐他/她看过而你没看过的东西。

我们从Segment (Product Clicked, Product Added, Product Added to Wishlist)中提取特定事件,然后将其与过去30天的数据一起加载到BigQuery中。(对我们来说,大约有50万次观测。)然后,每天,算法输出目录中每一对可能的配对的列表,并与这些配对相关的接近分数,然后我们通过norrøna.com上的每个产品页面上的API公开它们。

从手工推荐到算法推荐

这大大改善了Norrøna的人们发现新产品的方式。

在此之前,我们一直认为,为了帮助人们浏览我们的产品和我们的收藏,最好的策略是将免费的或子集的产品放在主要产品附近。所以,如果我有一件夹克,加上裤子,一层基础层或中间层可以最大限度地提高人们发现其他产品的能力。

变焦和保证金

这都是手工完成的。每一季,我们的电子商务经理都会为我们网站上的每一款新品手动添加一系列配套产品。这个迭代耗费了大量的时间。

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工作。我们发现,推荐算法是系统地推荐相似的产品,而不是我们已经销售了好几年的互补产品。

这为我们节省了大量的手工开销,但更重要的是发现哪种推荐系统对收益影响最大。

所以我们对产品页面进行了A/B测试,将50%的流量导向版本A, 50%导向版本B。

变焦和保证金

结果令人难以置信。算法推荐完全击败了手工推荐。

我们的推荐引擎旨在解决一个特定的业务挑战。但管道的美妙之处在于,它足够通用,可以适应大量的此类业务挑战。基础架构“主干”就绪后,我们使用推荐引擎来揭示各种有趣的新见解。

例如,当我们进一步思考时,产品对和相关分数的算法输出基本上就像一个图表。产品是图的节点,分数是图的边。所以我们认为,如果我们可以使用Gephi将整个目录中的不同关系可视化,将会很有趣。

变焦和保证金

这有助于我们在产品目录中找到一些有趣的见解,否则这些见解可能会被隐藏起来。例如,我们在中间发现了三个大的红色簇——我们的滑雪产品。这表明,当涉及到选择滑雪产品时,人们并不关心我们推荐产品的现有方式。他们浏览了公司的系列(如配套的裤子、夹克等),并在这些系列中寻找类似的产品。

另一方面,当涉及到生活方式产品时,我们在旁边看到了蓝色的集群。那些对这些产品感兴趣的人倾向于呆在这个集群中,只浏览生活方式集合。所以,对法兰绒衬衫感兴趣的人可能也会对帽子或与生活方式相关的夹克感兴趣。

一旦我们开始可视化数据,所有这些模式和相互依赖就变得更加清晰,而且它还有一个额外的好处,那就是帮助我们以一种简单易懂的方式将结果传达给利益相关者。我们能够提供更好的用户体验,同时也更好地了解我们的客户和他们的需求。manbetx客户端应用下载


近期、短期的机器学习用例主要集中在电子商务领域,但我们预计未来的用例将出现在产品开发、可持续性、需求预测和物流等领域。既然我们已经看到了Segment和谷歌Cloud的可能性(以及它有多简单),那么我们使用推荐系统的方式就只取决于我们的想象了。

2021年的个性化状况

个性化的一对一营销是当今数字化企业的桌上赌注。但随着消费者期望值的提高,他们是否具备提供这些体验的能力?

成为数据专家。

将所有关于数据、产品和增长的最新文章直接发送到你的收件箱。