Ответ 1
Это искусство и наука. Типичные области исследования вращаются вокруг анализа корзины рынка (также называемого анализом сродства), который является подмножеством области интеллектуального анализа данных. Типичные компоненты в такой системе включают идентификацию первичных элементов драйверов и идентификацию аффинированных элементов (аксессуар upsell, cross sell).
Имейте в виду источники данных, которые они должны добывать...
- Приобретенные тележки для покупок = реальные деньги от реальных людей, потраченных на реальные предметы = мощные данные и многое другое.
- Элементы, добавленные в тележки, но заброшенные.
- Ценовые эксперименты онлайн (тестирование A/B и т.д.), где они предлагают одни и те же продукты по разным ценам и видят результаты.
- Эксперименты по упаковке (тестирование A/B и т.д.), где они предлагают разные продукты в разных "связках" или имеют скидки на различные пары элементов.
- Списки желаний - что на них специально для вас - и в совокупности это можно рассматривать аналогично другому потоку данных анализа корзины.
- Сайты перенаправления (идентификация того, откуда вы пришли, могут намекать на другие интересующие предметы)
- Время ожидания (до того, как вы перейдете назад и выберите другой элемент).
- Рейтинги от вас или тех, кто в вашей социальной сети/кругах покупок - если вы оцениваете то, что вам нравится, вы получаете больше того, что вам нравится, и если вы подтвердите с помощью кнопки "Я уже владею им", они создадут очень полный профиль вас
- Демографическая информация (ваш почтовый адрес и т.д.) - они знают, что популярно в вашей общей области для ваших детей, вас самих, вашего супруга и т.д.
- сегментация пользователей = покупали ли вы 3 книги в отдельные месяцы для малыша? вероятно, есть ребенок или больше.. и т.д.
- Прямой маркетинговый клик по данным - вы получили от них электронную почту и нажмите? Они знают, по какой электронной почте это было, и что вы нажали, и приобрели ли вы его в результате.
- Выберите пути в сеансе - что вы посмотрели вне зависимости от того, поместили ли вы свою корзину.
- Количество просмотренных товаров до окончательной покупки
- Если вы имеете дело с кирпичным и минометным магазином, у них может быть и ваша физическая история покупок (например, игрушки r us или что-то, что находится в сети, а также физический магазин).
- и т.д.. д. и т.д.
К счастью, люди ведут себя одинаково в совокупности, поэтому чем больше они знают о покупающем населении в целом, тем лучше они знают, что будет и не будет продавать, и с каждой транзакцией, и каждый рейтинг/список желаний добавляют/просматривают, они знают, как более индивидуально адаптироваться рекомендации. Имейте в виду, что это, вероятно, всего лишь небольшая выборка полного набора влияний того, что заканчивается рекомендациями и т.д.
Теперь у меня нет внутреннего знания о том, как Amazon ведет бизнес (никогда не работал там), и все, что я делаю, это классические подходы к проблеме онлайн-торговли. Раньше я был премьер-министром, который работал над интеллектуальным анализом данных и аналитикой для продукта Microsoft под названием Commerce Server. Мы отправили в Commerce Server инструменты, которые позволяли людям создавать сайты с аналогичными возможностями.... но чем больше объем продаж, тем лучше данные, тем лучше модель - и Amazon BIG. Я могу только представить себе, как весело играть с моделями с таким количеством данных на сайте, ориентированном на коммерцию. Теперь многие из этих алгоритмов (например, предсказатель, запущенный на сервере коммерции) перешли к прямому действию в Microsoft SQL.
Четыре больших приема, которые вы должны иметь:
- Amazon (или любой розничный торговец) рассматривает совокупные данные для тонны транзакций и тонн людей... это позволяет им даже рекомендовать довольно хорошо для анонимных пользователей на своем сайте.
- Amazon (или любой сложный розничный торговец) отслеживает поведение и покупки тех, кто вошел в систему, и использует их для дальнейшего уточнения поверх совокупных данных.
- Часто существует возможность переместиться с накопленными данными и принять "редакционный" контроль за предложениями для менеджеров продуктов определенных линий (например, для человека, которому принадлежат вертикальные или цифровые "вертикальные или похожие" романтические романы) где они действительно являются экспертами.
- Часто предлагаются рекламные акции (например, sony или panasonic или nikon или canon или sprint или verizon оплачивает дополнительные деньги продавцу, или дает лучшую скидку в больших количествах или другие вещи в этих строках), которые вызывают определенные "предложения", подниматься на вершину чаще, чем другие - всегда есть разумная бизнес-логика и бизнес-причины, которые направлены на то, чтобы делать больше на каждой транзакции или снижать оптовые расходы и т.д.
С точки зрения фактической реализации? Почти все крупные онлайн-системы сводятся к некоторому набору конвейеров (или реализации шаблона фильтра или рабочего процесса и т.д., Вы называете это тем, что хотите), которые позволяют оценить контекст с помощью ряда модулей, которые применяют некоторую форму бизнес-логики.
Обычно для каждой отдельной задачи на странице будет связан другой конвейер - у вас может быть тот, который рекомендует "пакеты/upsells" (т.е. купите это с помощью элемента, который вы смотрите), и тот, который делает "альтернативы", (т.е. покупайте это вместо того, что вы ищете), а другой, который тянет предметы, наиболее тесно связанные с вашим списком желаний (по категории товаров или аналогичным).
Результаты этих конвейеров могут быть размещены на разных частях страницы (над полосой прокрутки, ниже прокрутки, слева, справа, разными шрифтами, изображениями разных размеров и т.д.) и проверены на посмотрите, какие из них лучше всего работают. Поскольку вы используете легко подключаемые модули, которые определяют бизнес-логику для этих конвейеров, вы получаете моральный эквивалент блоков lego, которые позволяют легко выбирать и выбирать из бизнес-логики, которую вы хотите применить при построении другого конвейера что позволяет быстрее инновации, больше экспериментов и, в конечном счете, более высокую прибыль.
Помогло ли это вообще? Надеюсь, что вы немного поняли, как это работает вообще для любого сайта электронной коммерции, а не только для Amazon. Amazon (от общения с друзьями, которые там работали) управляется данными и постоянно измеряет эффективность этого пользовательского опыта и ценообразования, продвижения по службе, упаковки и т.д. - они являются очень сложным розничным продавцом в Интернете и, вероятно, находятся на переднем крае многие алгоритмы, которые они используют для оптимизации прибыли, - и это, вероятно, секретные тайны (вы знаете, как формула для секретных специй KFC) и выглядят как таковые.