To zarówno sztuka, jak i nauka. Typowe dziedziny badań koncentrują się wokół analizy koszyka rynkowego (zwanej również analizą powinowactwa), która jest podzbiorem dziedziny eksploracji danych. Typowe elementy takiego systemu obejmują identyfikację głównych elementów kierowcy oraz identyfikację elementów podobieństwa (sprzedaż dodatkowa, sprzedaż krzyżowa).
Pamiętaj o źródłach danych, które muszą wydobywać ...
- Zakupione koszyki = prawdziwe pieniądze od prawdziwych ludzi wydane na prawdziwe przedmioty = potężne dane i to dużo.
- Przedmioty dodane do koszyków, ale porzucone.
- Eksperymenty cenowe online (testy A / B itp.), W których oferują te same produkty w różnych cenach i sprawdzają wyniki
- Eksperymenty z pakowaniem (testy A / B itp.), W których oferują różne produkty w różnych „pakietach” lub rabaty na różne pary produktów
- Listy życzeń - co na nich jest specjalnie dla Ciebie - i zbiorczo można je traktować podobnie do innego strumienia danych z analizy koszyka
- Witryny odsyłające (identyfikacja, skąd przyszedłeś, może wskazać inne interesujące elementy)
- Czasy oczekiwania (ile czasu minie, zanim klikniesz wstecz i wybierzesz inny element)
- Oceny wystawione przez Ciebie lub osoby z Twoich sieci społecznościowych / kręgów zakupowych - jeśli oceniasz rzeczy, które lubisz, dostajesz więcej tego, co lubisz, a jeśli potwierdzisz przyciskiem „już to mam”, utworzą one bardzo pełny profil Ciebie
- Informacje demograficzne (adres wysyłki itp.) - wiedzą, co jest popularne w Twojej okolicy dla Twoich dzieci, Ciebie, Twojego współmałżonka itp.
- segmentacja użytkowników = czy kupiłeś 3 książki w oddzielnych miesiącach dla małego dziecka? prawdopodobnie mieć dziecko lub więcej ... itd.
- Dane dotyczące klikalności marketingu bezpośredniego - czy otrzymałeś od nich e-maila i kliknąłeś? Wiedzą, który to był e-mail, w jaki sposób kliknąłeś i czy w rezultacie to kupiłeś.
- Ścieżki kliknięć w sesji - co oglądałeś niezależnie od tego, czy trafiło to do Twojego koszyka
- Liczba wyświetleń przedmiotu przed ostatecznym zakupem
- Jeśli masz do czynienia ze sklepem stacjonarnym, mogą one również mieć Twoją fizyczną historię zakupów (np. Zabawki u nas lub coś, co jest online, a także sklep fizyczny)
- itp. itp.
Na szczęście ludzie zachowują się podobnie łącznie, więc im więcej wiedzą o całej populacji kupujących, tym lepiej wiedzą, co będzie, a czego nie sprzeda, a przy każdej transakcji i każdej ocenie / dodaniu / przeglądaniu listy życzeń wiedzą, jak bardziej osobiście dostosowywać rekomendacje. Należy pamiętać, że jest to prawdopodobnie tylko niewielka próbka pełnego zestawu wpływów tego, co kończy się w zaleceniach itp.
Teraz nie mam żadnej wewnętrznej wiedzy o tym, jak Amazon prowadzi interesy (nigdy tam nie pracowałem), a wszystko, co robię, to mówienie o klasycznym podejściu do problemu handlu internetowego - byłem kiedyś PM, który pracował nad eksploracją danych i analizą dla Microsoft produkt o nazwie Commerce Server. W Commerce Server dostarczyliśmy narzędzia, które pozwoliły ludziom tworzyć witryny o podobnych możliwościach… ale im większa wielkość sprzedaży, tym lepsze dane, tym lepszy model - a Amazon jest DUŻY. Mogę sobie tylko wyobrazić, jak fajnie jest bawić się modelami z tak dużą ilością danych w witrynie komercyjnej. Obecnie wiele z tych algorytmów (jak predyktor, który rozpoczął się na serwerze handlowym) zostało przeniesionych bezpośrednio do Microsoft SQL .
Cztery najważniejsze rzeczy, które powinieneś mieć, to:
- Amazon (lub jakikolwiek sprzedawca) analizuje zbiorcze dane dotyczące ton transakcji i mas ludzi ... to pozwala im nawet całkiem dobrze polecać anonimowym użytkownikom ich witrynę.
- Amazon (lub jakikolwiek zaawansowany sprzedawca detaliczny) śledzi zachowanie i zakupy każdego, kto jest zalogowany, i wykorzystuje je do dalszego udoskonalania danych zbiorczych.
- Często istnieje sposób na przejechanie zgromadzonych danych i przejęcie „redakcyjnej” kontroli nad sugestiami kierowanymi do menedżerów produktu z określonych linii (np. Osoba, która jest właścicielem pionu „aparatów cyfrowych” lub „powieści romantycznych” lub podobnych). są ekspertami
- Często zdarzają się oferty promocyjne (np. Sony, Panasonic, Nikon, Canon, Sprint lub Verizon płaci dodatkowe pieniądze sprzedawcy detalicznemu lub daje lepszy rabat przy większych ilościach lub innych rzeczach w tych liniach), które powodują, że niektóre „sugestie” wzrosną top częściej niż inni - zawsze kryje się za tym jakaś rozsądna logika biznesowa i biznesowy powód, który ma na celu zarobienie więcej na każdej transakcji lub zmniejszenie kosztów hurtowych itp.
Jeśli chodzi o rzeczywistą realizację? Prawie wszystkie duże systemy online sprowadzają się do pewnego zestawu potoków (lub implementacji wzorca filtru lub przepływu pracy itp., Nazywasz to, jak chcesz), które pozwalają na ocenę kontekstu przez serię modułów, które stosują jakąś formę logika biznesowa.
Zwykle z każdym oddzielnym zadaniem na stronie powiązany byłby inny potok - możesz mieć taki, który obsługuje zalecane „pakiety / promocje” (tj. Kup to z przedmiotem, który oglądasz) i taki, który obsługuje „alternatywy” (tj. Kup to zamiast tego, na co patrzysz) i inne, które wyciąga pozycje najbardziej zbliżone do Twojej listy życzeń (według kategorii produktów lub podobnych).
Wyniki tych potoków można umieścić w różnych częściach strony (nad paskiem przewijania, pod przewijakiem, po lewej, po prawej stronie, różne czcionki, obrazy o różnych rozmiarach itp.) I przetestować, które Najlepsza. Ponieważ używasz ładnych, łatwych do podłączenia modułów, które definiują logikę biznesową dla tych potoków, otrzymujesz moralny odpowiednik klocków lego, które ułatwiają wybieranie i wybieranie logiki biznesowej, którą chcesz zastosować, gdy budujesz kolejny potok co pozwala na szybsze innowacje, więcej eksperymentów, a na koniec większe zyski.
Czy to w ogóle pomogło? Mam nadzieję, że dzięki temu dowiesz się, jak to ogólnie działa w przypadku niemal każdej witryny e-commerce - nie tylko Amazon. Amazon (dzięki rozmowom ze znajomymi, którzy tam pracowali) jest bardzo oparty na danych i stale mierzy skuteczność swojego doświadczenia użytkownika oraz ceny, promocje, opakowania itp. - jest bardzo wyrafinowanym sprzedawcą online i prawdopodobnie znajduje się w czołówce wiele algorytmów, których używają do optymalizacji zysków - i są to prawdopodobnie zastrzeżone tajemnice (znasz wzór na tajne przyprawy KFC) i jako takie są chronione.