Skip to main content

Artikkel

Maksimer inntektene med et anbefalingssystem basert på dyp læring

Finn ut hvordan et anbefalingssystem for dyplæring kan forbedre produktoppdagelsen og generere høyere salg og omsetning ved å forutsi hvilke elementer en person mest sannsynlig vil engasjere seg i, allerede fra første økt.

Publisert: 7. mars 2025

Yaniv Navot profile photo

Yaniv Navot

Senior Vice President, Commercialization,

Consumer Acquisition & Engagement,

Mastercard

Bedriftseier i butikken sin som går gjennom tallene

I dag er produktanbefalinger et helt sentralt krav for enhver netthandelsbedrift som ønsker å øke engasjementet, kjøpene og lojaliteten. En vedvarende utfordring for markedsførere og varemerkeansvarlige har imidlertid vært å avgjøre hvilke produkter i en enorm katalog som skal presenteres for brukere med ulike preferanser og intensjonsnivåer.

Dette behovet for større nøyaktighet er grunnen til at mange i bransjen beveger seg mot avanserte anbefalingssystemer basert på dyp læring for å levere de nest beste produktene. Faktisk, i to tredjedeler av tilfellene som Mckinsey & Company studerte, forbedret det å bygge anbefalingsalgoritmer basert på nevrale nettverk (mer om det nedenfor) ytelsen utover det som ble levert av noen annen analytisk tenknikk.

 

Så hva er det som gjør dyp læring annerledes?

De fleste produktanbefalingsstrategiene på markedet i dag er enten globale av natur, noe som betyr at de er basert på popularitet og trender, eller kontekstuelle, skreddersydd i henhold til spesifikke produktattributter eller brukerens trafikkkilde, enhet, lokalt vær, og så videre. Og selv om disse kan være svært effektive i visse situasjoner, er de til syvende og sist ikke virkelig skreddersydd for enkeltpersoner.

Til og med personaliserte strategier, som tar hensyn til en brukers preferanse og nylige aktivitet for å tilby flere produkter av interesse, klarer enten ikke å forutsi hvilke elementer som bør tilbys deretter, eller så mislykkes de i å gjøre det i sanntid.

Men ettersom forbrukere har begynt å forvente et høyt nivå av personalisering i nettbutikkinteraksjoner, må merchandising-teamene bedre forutse behovene deres og anbefale produkter dynamisk i øyeblikket, samt finpusse dem over tid.

Dynamic Yields dypdæringsalgoritme er designet for nettopp dette, og identifiserer kundehensikter umiddelbart, selv fra den første økten. Merkevarer får en forståelse av forbrukerne som aldri før, og kan nå automatisk vise fram produkter som er spådd å utløse handling i øyeblikket og over tid.

 

Dynamic Yield anbefalingssystem for dyp læring

Som et nevrale nettverk-anbefalingssystem er modellen som driver anbefalinger fra dyplæring hos Dynamic Yield, inspirert av den menneskelige hjernen, som består av flere læringsenheter som kobles sammen som et nett, der hver enkelt mottar, behandler og sender ut informasjon til nærliggende enheter. I motsetning til de aller fleste tradisjonelle maskinlæringsapplikasjoner, gjør arkitekturen til dyplæringssystemet vårt det mulig å trene det opp raskt (og med mindre data), tilpasse seg friere basert på lærdommer, og hente ut meningsfull innsikt fra kompleks informasjon.

For eksempel bruker Gmail ofte naturlig språkbehandling (NLP) til å lære seg ordforbindelser og hjelpe brukerne med å skrive e-poster raskere ved å foreslå fulle setninger mens de skriver. På samme måte lærer Dynamic Yield produktene i en brukers nettleserhistorikk, aktivitet i økten samt trender som sees på tvers av nettstedet, for å anbefale produkter de forventes å engasjere seg i når de handler. Dette gjøres gjennom item2vec, læringsmodellen som er avledet direkte fra sin NLP-motpart, word2vec.

 

Fordelene som tilbys av vår dyp læring-algoritme

Den trenes raskt opp og er tilpasningsdyktig

Anbefalingsmodellen vår for dyplæring selvlærer raskt, hyggelig og basert på en enorm mengde atferds- og produktdata, og det er derfor den umiddelbart kan identifisere kundehensikten, selv fra den første økten. Og enda bedre: Etter hvert som ny informasjon kommer inn, blir resultatene kontinuerlig finjustert.

Den er optimalisert per bruker

De riktige parameterne bestemmes automatisk med vår dyp læring-algoritme basert på hver brukers særegne atferd, plassering i kundereisen samt trender som observeres på nettstedet. Så si farvel til å bruke egendefinerte filterregler og la algoritmen gjøre jobben sin.

Den er tilgjengelig i viktige digitale kanaler

Personalisering handler om konsistens, og derfor strekker den samme avanserte dyplæringsteknologien for å anbefale produkter som forventes å øke engasjementet, seg ut over nettet til både mobilapper og e-post, med resultater som skreddersys i det e-posten åpnes.

Hvordan GlassesUSA oppnådde en økning i inntektene på 87,6 % ved å tilpasse anbefalingene til hver enkelt kunde med en dyplæringsalgoritme

GlassesUSA huser både egne merkevarer og over 60 designernavn, og forsto utfordringen med å finne de perfekte brillene til hver enkelt kjøper blant tusenvis av stiler i katalogen. Etter flere år med optimalisering av ulike opplevelser rettet mot produktoppdagelse, var e-handelsteamet klare til å teste en mer sofistikert maskinlæringsalgoritme.

GlassesUSA representerer toppen av salgstrakten, og opprettet et eksperiment i et område like under bretten på hjemmesiden sin for å sammenligne Dynamic Yield's dypdrivende læringsstrategi med samarbeidsfiltrering for all datamaskintrafikk.

Fordi dyplæringsmodellen konfigureres automatisk per nettsted, produktfeed og enkeltperson, gjorde teamet bare noen få mindre justeringer av strategien før de raskt så imponerende resultater, mest nevneverdig en økning på 45 % i antall lagt til i handlekurv, en økning på 68,1 % i kjøp og et løft på 87,6 % i omsetning. Og etter å ha kjørt en lignende test på mobil, viste den avanserte algoritmen seg igjen å være den som presterte best sammenlignet med kontrollgruppen, noe som førte til at teamet hos GlassesUSA gjorde dyplæring til sin eneste strategi for sin populære startside-widget i denne kanalen.

Les mer om hvordan GlassesUSA.com tar i bruk en dyplæringsalgoritme for å tilpasse anbefalingene til hver enkelt kjøper.

 

Neste generasjon av anbefalinger har ankommet

I dag må bedrifter være villige til å gå lenger enn å anbefale lignende eller komplementære varer til de som er genuint skreddersydd for hver enkelt bruker. Og selv om både affinitets- og samarbeidsfiltreringsbaserte algoritmer anses som personaliserte, kombinerer dyp læring det beste fra begge ved at den fungerer i sanntid, uavhengig av strømstørrelse, og kan lære og tilpasse seg innkommende data kontinuerlig.

Med Dynamic Yield har team tilgang til denne avanserte teknologien umiddelbart, noe som gjør dem i stand til å sprenge grensene for hva man opprinnelig trodde var mulig, uten å måtte gjennomgå kompleks integrasjon med tredjepartsleverandører eller kreve intern utvikling.

I tillegg er modellen vår for anbefalinger basert på dyplæring en del av AdaptML™-systemet til Dynamic Yield, som deler og bruker alle dataene og all innsikten som er samlet inn fra alle våre applikasjoner for dyplæring, rangering og prediksjon, slik at beslutninger kan tas på et bedre grunnlag.

Hvis du er en Dynamic Yield-kunde som er interessert i å implementere anbefalinger for dyp læring, kan du kontakte din Customer Success Manager. Og klikk her for å finne ut mer om forutsetninger og beste praksis.

Contact sales

Talk to an expert to learn how Mastercard can enhance your business through our products and services.

Mastercard