Οι ανάγκες των χρηστών είναι πολύπλοκες και η κατανόησή τους καθίσταται απαραίτητη για την παροχή σχετικών προϊόντων.
Το ανθρώπινο μυαλό μπορεί να είναι περίπλοκο, αλλά τίποτα δεν συγκρίνεται με αποφάσεις που βασίζονται σε δεδομένα τα οποία συγκεντρώνουν ακριβείς πληροφορίες για μεγάλες χρονικές περιόδους. Επιτρέποντας στο eshop σου να βασίζεται σε διορατικές τεχνολογίες μεγάλων δεδομένων (big data) παράλληλα με τη μηχανική εκμάθηση (machine learning), η επιχείρησή σου θα δει δραστικές αυξήσεις στις πωλήσεις και την απόδοση επένδυσης.
Πώς, όμως, μπορεί μια μηχανή αυτόματων προτάσεων προϊόντων να το πετύχει αυτό;
Η McKinsey εκτιμά ότι το 35% των προϊόντων που αγοράζουν οι καταναλωτές στο Amazon προέρχεται από προτάσεις προϊόντων.
Μια μηχανή εξατομικευμένων προτάσεων παρέχει στους χρήστες προτάσεις μεμονωμένων προϊόντων, επιτρέποντάς τους να εστιάζουν σε περιεχόμενο που τους ενδιαφέρει αντί να περιηγούνται σε άσχετες προσφορές. Έτσι, σχετικά προϊόντα που υπό άλλες συνθήκες θα έμεναν… στο ράφι, τελικά φτάνουν στους χρήστες με γρήγορο και άμεσο τρόπο.
Μια μηχανή αυτόματων προτάσεων μπορεί να προσεγγίσει το κοινό της μέσω πολλών καναλιών: widgets στην αρχική σελίδα, κατηγορίες σε συνδυασμό με φίλτρα που ορίζονται από τον χρήστη, σελίδες προϊόντων, διαφημίσεις και καμπάνιες email marketing.
Το μοντέλο Machine Learning λειτουργεί λαμβάνοντας υπόψη τα χαρακτηριστικά του προϊόντος (brand, τιμή, περιθώριο κέρδους, διαθεσιμότητα αποθεμάτων), τη συμπεριφορά των αγοραστών (σελίδες που επισκέφθηκαν, προϊόντα που αγοράστηκαν, προσθήκη στο καλάθι, λίστες αγαπημένων), καθώς και τη συμπεριφορά άλλων πελατών (για ενσωμάτωση προϊόντων που είναι τώρα σε ζήτηση στην αγορά). Επιπλέον, το μοντέλο μπορεί να ενημερώνεται καθημερινά ή ακόμα και σε πραγματικό χρόνο (εάν τα δεδομένα το επιτρέπουν), για να λαμβάνει υπόψη τις αλλαγές στα προϊόντα και τα επίπεδα αποθεμάτων και να μαθαίνει από τις αλληλεπιδράσεις νέων καταναλωτών.
Υπάρχουν διάφοροι τύποι αλγορίθμων που οδηγούν σε conversion. Ένας τύπος είναι ο αλγόριθμος συνεργατικού φιλτραρίσματος (collaborative filtering) που βασίζεται στη συλλογή και ερμηνεία μεγάλων όγκων δεδομένων συμπεριφοράς πελατών. Συγκρίνει παρόμοιες ενέργειες διαφορετικών πιθανών πελατών και προβλέπει τι μπορεί να ενδιαφέρει έναν συγκεκριμένο χρήστη.
Ένας άλλος τύπος αλγορίθμου μηχανικής εκμάθησης είναι η μηχανή προτάσεων βάσει περιεχομένου (content-based). Λαμβάνει υπόψη τα προφίλ των πελατών καθώς και τα χαρακτηριστικά των προϊόντων με τα οποία αλληλεπιδρούν οι χρήστες. Αυτός ο αλγόριθμος εστιάζεται έντονα στις ιδιότητες των αντικειμένων και στην ομοιότητα μεταξύ τους.
Συνολικά, τα οφέλη από την εφαρμογή μιας μηχανής προτάσεων προϊόντων είναι αμέτρητα, από το αυξημένο ποσοστό μετατροπής, το μέσο καλάθι και τον αριθμό των επισκέψεων μέχρι το συνεχώς μειωμένο ποσοστό εγκατάλειψης (bounce rate) και ποσοστό εγκατάλειψης καλαθιού (cart abandonment rate).