Shopping Shop di festa Smart con il motore di raccomandazione di Amazon
A Natale molti di noi stanno lottando con la scelta del regalo più adatto per i nostri cari. La caccia regalo per Natale può richiedere giorni di pianificazione, a volte settimane. A parte la sua parte divertente e gioiosa, Lo shopping natalizio può essere un'esperienza lunga e stressante.
Fortunatamente nell'era della tecnologia avanzata, esistono strumenti liberamente disponibili che possono rendere il processo di acquisto molto più efficiente e produttivo. In questo post ti mostrerò come uno dei più grandi rivenditori al mondo, Amazon.com ti può aiutare trovare i migliori regali per i tuoi amici e familiari entro un ragionevole lasso di tempo con l'aiuto del suo motore di raccomandazione intelligente.
Esperienza utente personalizzata
I siti Web di maggior successo del mondo come Amazon, Facebook e Youtube sono così popolari perché offrono un'esperienza utente personalizzata a tutti.
Personalizzare l'esperienza utente significa fondamentalmente le aziende osserva i loro utenti mentre navigano attraverso il loro sito ed eseguono diverse azioni su di esso. Raccolgono i dati in database accurati e li analizzano.
Non è dannoso per la privacy? Da un certo punto di vista, sì lo è; queste aziende potrebbero sapere di più su di noi che i nostri amici più cari o anche noi stessi. D'altro canto, ci offrono un servizio che può semplificarci la vita, e le nostre decisioni meglio informate.
Se la consideriamo dal punto di vista della transazione, "paghiamo" per un'esperienza utente migliorata e il comfort, con una parte della nostra privacy.
Ovviamente, le battaglie legali tra i fornitori di contenuti online e le autorità sono costanti, basti pensare alla legge sui cookie non tanto amata dall'UE, ma poiché optare per un'opzione sempre meno realistica per qualcuno che vuole godersi uno stile di vita del 21 ° secolo, può essere utile per capire come i consigli personalizzati funzionano dietro le quinte.
La tecnologia dietro le raccomandazioni di Amazon
Durante la navigazione attraverso il sito web di Amazon, possiamo trovare consigli personalizzati ovunque sotto intestazioni come “Nuovo per te”, “Consigli per te nel Kindle Store”, “Raccomandazioni in primo piano”, “I clienti che hanno acquistato questo prodotto hanno acquistato anche”, e molti altri.
I consigli sono stati integrato in ogni singola parte del processo di acquisto dal ricerca del prodotto alla cassa. Le raccomandazioni personalizzate sono alimentate da un motore di raccomandazione intelligente che consente di conoscere meglio gli utenti mentre utilizzano il sito.
Per capire meglio i sistemi di raccomandazione, è una buona idea pensarli come versioni avanzate dei motori di ricerca. Quando cerchiamo un oggetto su Amazon, non restituiscono solo i risultati, ma anche fa previsioni sui prodotti di cui potremmo avere bisogno, e mostra le sue raccomandazioni per noi.
I sistemi di raccomandazione utilizzano diversi tipi di algoritmi di apprendimento automatico e sono diventati commercialmente implementabili con l'evoluzione della tecnologia dei big data. I motori di raccomandazione sono prodotti basati sui dati, come hanno bisogno di trovare il dataset più rilevante nel grande oceano dei big data.
Il compito computazionale che i sistemi di raccomandazione devono risolvere è la combinazione di analisi predittiva e filtraggio
Usano uno dei seguenti approcci:
(1) Filtraggio collaborativo, che cerca somiglianze tra dati di collaborazione come acquisti, valutazioni, Mi piace, voti positivi, voti negativi in:
- o il matrice utente-utente, dove vengono generati consigli basati sulle scelte di altri clienti che hanno gradito, acquistato, valutato, ecc. prodotti simili,
- o il matrice prodotto-prodotto, dove il motore di raccomandazione restituisce prodotti simili negli acquisti, i Mi piace, le valutazioni, ecc. ai prodotti che l'utente corrente ha acquistato, valutato, apprezzato, potenziato prima
Amazon usa quest'ultimo, in quanto è più avanzato (vedi in dettaglio nella prossima sezione).
(2) Filtro basato sul contenuto, che fa previsioni basate sulle somiglianze delle caratteristiche oggettive di prodotti come specificità, descrizioni, autori e anche sulle preferenze precedenti dell'utente (che qui non sono paragonate alle preferenze di altri utenti).
(3) Filtraggio ibrido, che utilizza una sorta di combinazione di filtri collaborativi e basati sul contenuto.
La matrice prodotto-prodotto
Il metodo tradizionale di filtraggio collaborativo fa uso della matrice utente-utente e, al di sopra di una certa quantità di dati, presenta seri problemi di prestazioni.
Per abbinare le preferenze, le valutazioni, gli acquisti di tutti gli utenti e trova quelli che sono i più vicini all'utente attivo, il motore di raccomandazione deve analizzare ogni utente nel database e confrontarli con quello attuale.
Se pensiamo alle dimensioni di Amazon, è chiaro che questo tipo di filtraggio non è fattibile per loro, così i tecnici di Amazon hanno sviluppato una versione aggiornata del precedente metodo e lo hanno chiamato filtraggio collaborativo item-to-item.
Il filtraggio collaborativo punto per punto mantiene successo collaborativo come il punto di riferimento invece delle qualità oggettive di un prodotto (vedi il filtro basato sul contenuto sopra), ma esegue le query nella matrice prodotto-prodotto che significa che non confronta gli utenti, ma confronta i prodotti.
Il motore dei consigli dà un'occhiata ai prodotti che abbiamo acquistato, valutato, inserito nella nostra lista dei desideri, commentato, ecc. Finora, quindi cerca altri elementi nel database che ha tassi e acquisti simili, li aggrega, quindi restituisce le migliori corrispondenze come raccomandazioni.
Come ottenere migliori consigli
Torna allo shopping natalizio, è possibile addestrare il motore di raccomandazione di Amazon per ottenere risultati migliori. Se hai solo una vaga idea di cosa comprare per una persona cara, non devi fare nient'altro se non lasciare tracce sul sito durante la navigazione.
Per il bene di questo post ho provato da solo.
Il mio punto di partenza era che volevo trovare alcuni mobili per ufficio più piccoli, ma non sapevo esattamente cosa. Così ho inserito alcune parole chiave correlate nella barra di ricerca e ho iniziato a sfogliare i risultati. Ho messo gli articoli che mi piacevano nella mia lista dei desideri, valutato alcune recensioni come “Utile”, lasciato cadere alcuni mobili per ufficio nel mio cestino.
Se avessi mai acquistato un oggetto simile su Amazon, sarebbe stato abbastanza utile scrivere una recensione su di esso, ma in realtà non potevo farlo (puoi solo scrivere recensioni sui prodotti che hai già acquistato).
Dopo circa 10-15 minuti mi sono fermato e ho fatto clic sulle mie pagine di raccomandazioni (che possono essere trovate sotto il file “[Il tuo nome] è Amazon” punto del menu). Prima dell'esperimento avevo solo libri su questa pagina, in quanto è quello che compro di solito su Amazon. Dopo la mia ampia ricerca, i libri sono scomparsi e sono stati sostituiti da mobili da ufficio, come potete vedere qui sotto.
Tweaking The Engine
È possibile addestrare ulteriormente il motore di raccomandazione, come sotto ogni raccomandazione c'è un “Perché consigliato?” collegamento. Tra i miei consigli puoi vedere un raccoglitore (ultimo articolo), che non è un prodotto per ufficio e uno che non voglio comprare per Natale.
Quindi vediamo perché è qui.
Dopo aver cliccato sul link, Amazon mi informa che è stato consigliato perché ho messo una certa sedia da ufficio nel mio carrello. Bene, questa è una connessione interessante, ma non ne ho ancora bisogno.
Ho due opzioni qui, posso o spuntare il “Non interessato” casella di controllo accanto al rivestimento del raccoglitore o al “Non usare per raccomandazioni” accanto alla sedia dell'ufficio. Segnalo “Non interessato” casella di controllo.
E a questo punto il rivestimento è scomparso, sostituito con un altro prodotto consigliato, il che significa che sono un passo avanti verso il regalo perfetto.
Peccato se in futuro avrò mai bisogno di quella pattumiera esatta. Oh aspetta. Ho trovato la soluzione per questo. Sotto il “Migliora i tuoi consigli” punto menu, posso modificare gli elementi che ho contrassegnato con “Non interessato” etichetta
Quando ho trovato la mia immaginaria caccia al regalo, posso semplicemente deselezionare i prodotti che potrei voler vedere tra i miei consigli in futuro.