Μεγιστοποιήστε τα έσοδά σας με ένα σύστημα σύστασης που βασίζεται στη βαθιά μάθηση

Σήμερα, οι προτάσεις προϊόντων αποτελούν βασική απαίτηση για κάθε επιχείρηση ηλεκτρονικού εμπορίου που επιθυμεί να αυξήσει τη συμμετοχή, τις αγορές και την αφοσίωση. Ωστόσο, μια διαρκής πρόκληση για τα στελέχη μάρκετινγκ και τους υπεύθυνους εμπορικής διάθεσης είναι ο προσδιορισμός των προϊόντων από έναν τεράστιο κατάλογο ειδών που πρέπει να προσφερθούν σε χρήστες με διάφορες προτιμήσεις και επίπεδα πρόθεσης.

Αυτή η ανάγκη για μεγαλύτερη ακρίβεια είναι ο λόγος για τον οποίο πολλοί στον κλάδο στρέφονται προς προηγμένα συστήματα σύστασης βασισμένα σε βαθιά μάθηση (deep learning) για την παροχή των επόμενων καλύτερων προϊόντων. Στην πραγματικότητα, στα δύο τρίτα των περιπτώσεων χρήσης που μελέτησε η Mckinsey & Company, η δημιουργία αλγορίθμων σύστασης που βασίζονται σε νευρωνικά δίκτυα (περισσότερα γι' αυτά παρακάτω) βελτίωσε την απόδοση πέρα από εκείνη που παρείχε οποιαδήποτε άλλη αναλυτική τεχνική.

Οι περισσότερες στρατηγικές προτάσεων προϊόντων που κυκλοφορούν σήμερα στην αγορά είναι είτε γενικού χαρακτήρα, δηλαδή βασίζονται στη δημοτικότητα και στις τάσεις, είτε συμφραστικές, προσαρμοσμένες σύμφωνα με συγκεκριμένα χαρακτηριστικά προϊόντων ή την πηγή επισκεψιμότητας του χρήστη, τη συσκευή του, τις τοπικές καιρικές συνθήκες και ούτω καθεξής. Και παρόλο που αυτές μπορεί να είναι ιδιαίτερα αποτελεσματικές σε ορισμένες περιπτώσεις, τελικά δεν είναι πραγματικά προσαρμοσμένες στο άτομο.

Ακόμη και οι εξατομικευμένες στρατηγικές, οι οποίες λαμβάνουν υπόψη την προτίμηση του χρήστη και την πρόσφατη δραστηριότητά του για την προβολή επιπλέον προϊόντων ενδιαφέροντος, είτε αδυνατούν να προβλέψουν ποια είδη πρέπει να προταθούν στη συνέχεια είτε αποτυγχάνουν να το πράξουν σε πραγματικό χρόνο.

But as consumers have come to expect a high level of personalization in online retail interactions, merchandising teams need to better anticipate their needs and dynamically recommend products in the moment, and refine them over time.

Σχεδιασμένος για αυτόν ακριβώς τον σκοπό, ο αλγόριθμος βαθιάς μάθησης του Dynamic Yield εντοπίζει άμεσα την πρόθεση του πελάτη, ακόμη και από την πρώτη συνεδρία. Δίνοντας τη δυνατότητα κατανόησης των καταναλωτών όπως ποτέ άλλοτε, τα brands μπορούν πλέον να προβάλλουν αυτόματα προϊόντα που προβλέπεται ότι θα προκαλέσουν δράση τη στιγμή εκείνη αλλά και με την πάροδο του χρόνου.

Ως σύστημα σύστασης νευρωνικού δικτύου, το μοντέλο που τροφοδοτεί τις προτάσεις βαθιάς μάθησης στο Dynamic Yield είναι εμπνευσμένο από τον ανθρώπινο εγκέφαλο, ο οποίος αποτελείται από πολλαπλές μονάδες μάθησης που συνδέονται μεταξύ τους σαν ιστός, λαμβάνοντας, επεξεργάζοντας και εξάγοντας πληροφορίες σε κοντινές μονάδες. Σε αντίθεση με τη συντριπτική πλειονότητα των παραδοσιακών εφαρμογών μηχανικής μάθησης, η αρχιτεκτονική του συστήματος βαθιάς μάθησης που διαθέτουμε επιτρέπει την ταχεία εκπαίδευσή του (και με λιγότερα δεδομένα), την πιο ελεύθερη προσαρμογή με βάση τα διδάγματα και την εξαγωγή ουσιαστικών πληροφοριών από σύνθετες πληροφορίες.

Για παράδειγμα, το Gmail χρησιμοποιεί ευρέως την Επεξεργασία Φυσικής Γλώσσας (NLP) για να μαθαίνει συσχετίσεις λέξεων και να βοηθά τους χρήστες του να γράφουν email πιο γρήγορα, προτείνοντας ολόκληρες προτάσεις καθώς πληκτρολογούν. Ομοίως, το Dynamic Yield μαθαίνει τα προϊόντα στο ιστορικό περιήγησης ενός χρήστη, τη δραστηριότητα κατά τη διάρκεια της συνεδρίας, καθώς και τις τάσεις που παρατηρούνται στον ιστότοπο, προκειμένου να προτείνει προϊόντα με τα οποία προβλέπεται ότι θα αλληλεπιδράσουν κατά τις αγορές τους. Αυτό επιτυγχάνεται μέσω του item2vec, του μοντέλου μάθησης που προέρχεται απευθείας από το αντίστοιχό του στο NLP, το word2vec.

Το μοντέλο σύστασης βαθιάς μάθησης (deep learning) που διαθέτουμε εκπαιδεύεται αυτόματα γρήγορα, συχνά και με βάση τεράστιος όγκους δεδομένων συμπεριφοράς και προϊόντων, γι' αυτό και είναι σε θέση να εντοπίζει άμεσα την πρόθεση του πελάτη, ακόμη και από την πρώτη συνεδρία. Το καλύτερο από όλα είναι ότι, καθώς προστίθενται νέες πληροφορίες, τα αποτελέσματα βελτιώνονται συνεχώς.

Το κατάλληλο σύνολο παραμέτρων προσδιορίζεται αυτόματα με τον αλγόριθμό μας βαθιάς μάθησης (deep learning) με βάση τη διακριτή συμπεριφορά κάθε χρήστη, τη θέση του στη διαδρομή του πελάτη, καθώς και τις τάσεις που παρατηρούνται σε ολόκληρο τον ιστότοπο. Πείτε λοιπόν αντίο στην εφαρμογή προσαρμοσμένων κανόνων φίλτρων και αφήστε τον αλγόριθμο να κάνει τη δουλειά του.

Η εξατομίκευση βασίζεται στη συνέπεια, γι' αυτό και η ίδια προηγμένη τεχνολογία βαθιάς μάθησης για τη σύσταση προϊόντων που προβλέπεται να ενισχύσουν τη συμμετοχή επεκτείνεται πέρα από τον ιστό σε εφαρμογές για κινητά, καθώς και σε email, με αποτελέσματα προσαρμοσμένα κατά το άνοιγμα του email.

Με έδρα τις επώνυμες μάρκες της αλλά και πάνω από 60 επώνυμους σχεδιαστές, η GlassesUSA αντιλήφθηκε την πρόκληση της αντιστοίχισης των τέλειων γυαλιών σε κάθε αγοραστή ανάμεσα σε χιλιάδες διαθέσιμα στυλ στον κατάλογό της. Και μετά από χρόνια βελτιστοποίησης διαφορετικών εμπειριών με επίκεντρο την ανακάλυψη προϊόντων, η ομάδα ηλεκτρονικού εμπορίου ήταν έτοιμη να δοκιμάσει έναν πιο εξελιγμένο αλγόριθμο μηχανικής μάθησης.

Αντιπροσωπευτικό του ανώτερου τμήματος του χοάνης, η GlassesUSA δημιούργησε ένα πείραμα σε μια περιοχή ακριβώς κάτω από το οπτικό πεδίο (below the fold) στην αρχική της σελίδα, για να συγκρίνει τη στρατηγική βαθιάς μάθησης του Dynamic Yield με τη συνεργatική φίλτρανση για όλη την κίνηση από επιτραπέζιους υπολογιστές.

Καθώς το μοντέλο βαθιάς μάθησης διαμορφώνεται αυτόματα ανά ιστότοπο, τροφοδοσία προϊόντων και άτομο, η ομάδα έκανε μόλις μερικές μικρές ρυθμίσεις στη στρατηγική πριν δει γρήγορα εντυπωσιακά αποτελέσματα, κυρίως αύξηση 45% στο ποσοστό προσθήκης στο καλάθι, αύξηση 68,1% στις αγορές και αύξηση 87,6% στα έσοδα. Και μετά την εκτέλεση μιας παρόμοιας δοκιμής σε κινητά, ο προηγμένος αλγόριθμος απέδειξε για άλλη μια φορά ότι είχε την καλύτερη απόδοση σε σύγκριση με την ομάδα ελέγχου, με την ομάδα της GlassesUSA να καθιστά τη βαθιά μάθηση τη μοναδική στρατηγική για το δημοφιλές widget της αρχικής της σελίδας σε αυτό το κανάλι.

Read more about how GlassesUSA.com deploys a deep learning algorithm to adapt its recommendations to each shopper.

Σήμερα, οι εταιρείες πρέπει να είναι πρόθυμες να ξεπεράσουν τη σύσταση παρόμοιων ή συμπληρωματικών ειδών και να προσφέρουν προϊόντα που είναι πραγματικά προσαρμοσμένα στις ανάγκες κάθε χρήστη. Και ενώ οι αλγόριθμοι που βασίζονται στην ομοιογένεια και στο συνεργatτικό φιλτράρισμα θεωρούνται εξατομικευμένοι, η βαθιά μάθηση συνδυάζει τα καλύτερα χαρακτηριστικά τους, καθώς λειτουργεί σε πραγματικό χρόνο, ανεξάρτητα από το μέγεθος της ροής δεδομένων, και είναι σε θέση να μαθαίνει συνεχώς και να προσαρμόζεται στα εισερχόμενα δεδομένα.

Με το Dynamic Yield, οι ομάδες έχουν πρόσβαση σε αυτήν την τεχνολογία αιχμής έτοιμη προς χρήση, επιτρέποντάς τους να ξεπεράσουν τα όρια του τι θεωρούνταν αρχικά δυνατό, χωρίς να υποβάλλονται σε πολύπλοκες ενσωματώσεις με τρίτους παρόχους ή να απαιτείται εσωτερική ανάπτυξη.

Και για να γίνει ακόμα καλύτερο, το μοντέλο σύστασης βαθιάς μάθησης αποτελεί μέρος του συστήματος AdaptML™ του Dynamic Yield, το οποίο μοιράζεται και εφαρμόζει όλα τα δεδομένα και τις γνώσεις που συλλέγονται από τις εφαρμογές βαθιάς μάθησης, κατάταξης και πρόβλεψης για ενισχυμένη ικανότητα λήψης αποφάσεων.

If you are a Dynamic Yield customer interested in implementing deep learning recommendations, please contact your Customer Success Manager. And click here to learn more about the prerequisites and best practices.