Algoritmen Deep Learning Recommendations gör det möjligt för varumärken att förutsäga vilken nästa serie produkter som en konsument är mest sannolik att köpa.
Publicerad: 28 april 2021
[New York, 28 april 2021] Dynamic Yield, plattformen för optimering av kundupplevelser, tillkännagav i dag en gradvis lansering av sin banbrytande, självlärande Deep Learning Recommendations -algoritm, vilket gör det möjligt för varumärken att förutsäga vilken serie av produkter en konsument är mest sannolik att köpa.
Idag är produktrekommendationer ett krav för alla e-handelsföretag som vill öka engagemanget, köpen och lojaliteten. En ständigt återkommande utmaning för marknadsförare och merchandiser har dock varit att avgöra vilka produkter i en enorm produktkatalog som ska visas för kunder med olika preferenser och avsiktsnivåer.
Dynamic Yield Deep Learning-Based Recommendations identifierar avsikter omedelbart, redan från den första sessionen, för att automatiskt matcha kunder med de produkter de är mest intresserade av eller sannolikt kommer att köpa. Funktionen anpassas i takt med att ny data läggs till. Modellen använder metoden item2vec, som härstammar direkt från motsvarigheten inom naturligt språkbehandling (NLP) – word2vec – för att lära sig produkterna i en användares sökhistorik, aktivitet i sessioner och trender som ses på webbplatsen, i syfte att rekommendera produkter som varje individ förväntas engagera sig i när de handlar.
”Konsumenterna förväntar sig en hög nivå av personalisering i onlinehandelns interaktioner”, säger Liad Agmon, vd för Dynamic Yield. ”Vår modell för djupinlärning utnyttjar banbrytande neuronnätverksteknik för naturligt språk som har visat sig vara extremt effektiv inom rekommendationsområdet, vilket ger en överlägsen metod för att förutsäga kundernas önskemål och behov.”
Ledande varumärken som URBN Brands, OFFICE, GlassesUSA.com med flera använder för närvarande Dynamic Yield deep learning-algoritm för att maximera prestandan för sina produktrekommendationer. Den avancerade maskininlärningsdrivna strategin har redan genererat betydande tvåsiffriga ökningar av antalet köp och extra intäkter för Dynamic Yields kunder.
Viktiga fördelar med modellen för rekommendationer baserade på djupinlärning inkluderar, men är inte begränsade till:
”Med Dynamic Yield behöver vi inte längre manuellt välja en strategi för vår widget för rekommendationer på startsidan”, säger Nadav Yekutiel, Head of Data på GlassesUSA.com. ”Dess algoritm för djupinlärning avgör automatiskt rätt parameterkombination för varje användare baserat på deras beteende, var i kundresan de befinner sig samt trender som syns på webbplatsen, vilket gör den överlägsen alla andra tillgängliga strategier – inte bara när det gäller resultat utan också tidsbesparing.”
Läs hela caset om hur GlassesUSA.com använder en algoritm för djupinlärning för att anpassa sina rekommendationer till varje kund.
Dynamic Yield rekommendationsmodell för djupinlärning är en del av AdaptML™, företagets självlärande AI-system för djupinlärning som anpassar den digitala upplevelsen individuellt för varje användare genom att extrapolera köpintentioner från kunddata och förutsäga vilka produkter de kan vara intresserade av.
Om Dynamic Yield
Dynamic Yield hjälper företag att snabbt leverera och testa personliga, optimerade och synkroniserade digitala kundinteraktioner. Marknadsförings-, produkt-, utvecklings- och e-handelsteam från mer än 350 globala varumärken använder Dynamic Yields plattform för optimering av kundupplevelser som ett tekniklager ovanpå befintliga CMS- eller e-handelslösningar för att iterera snabbare och med hjälp av algoritmer matcha innehåll, produkter och erbjudanden med varje enskild individ för att öka det långsiktiga affärsvärdet.