H mystring μαντεύει τι εσώρουχα και μαγιό θα πάρει ο πελάτης!
June 1, 2021
Πώς είναι τά νέα eshops με Recommendation Engineering?
July 6, 2021

Γιατί κάθε Εταιρεία πρέπει να έχει Recommendation Engine ;

 

Ο Bezos παρατηρούσε  τις πρώτες μέρες της Amazon .

Εάν  έχω 2 εκατομμύρια πελάτες στο eshop θα πρέπει να έχω  και 2 εκατομμύρια καταστήματα εκεί.

 Ένα για κάθε πελάτη!

    

Recommendation Engines  είναι το βασικό χαρακτηριστικό για την επιτυχία του e-commerce , e-shops , εταιρειών  περιεχομένου ,  παρόχων και επιχειρησεων  όπως οι Alibaba ,  Ebay ,  Google ,  Amazon , Netflix , Baidu, Youtube και άλλοι.

 

 

Επιστήμονες από το JD.com μια από τις μεγαλύτερες κινεζικές ιστοσελίδες e-commerce περιγράφουν τα ακόλουθα σε μια ακαδημαϊκή εφημερίδα

 

Η απουσία   Recommendation Engines ουσιαστικά θέτει υπό αμφισβήτηση την εμπορική απόδοση των επιχειρήσεων.

 Πολλές έρευνες αγοράς δείχνουν ότι οι πελάτες  προτιμούν εξατομικευμένες επιλογές.

 

Οι άνθρωποι  θέλουν  να επιλέγουν!

 

 

Ο Bezos παρατηρούσε  τις πρώτες μέρες της Amazon .

Εάν  έχω 2 εκατομμύρια πελάτες στο eshop θα πρέπει να έχω  και 2 εκατομμύρια καταστήματα εκεί.

 Ένα για κάθε πελάτη!

Σήμερα έχει 300 εκατομμύρια πελάτες και 300 εκατομμύρια ηλεκτρονικά καταστήματα.

Είτε   πρόκειται για ψώνια , γραπτά μηνύματα,  ταξίδια , εργασία, κοινωνικοποίηση  οι άνθρωποι θέλουν τις συσκευές τους να  προτείνουν  μέρη για να τρώνε, φωτογραφίες για να μοιραστούν, φίλους να επικοινωνήσουν , πράγματα για να αγοράσουν.

Οι πραγματικά επιτυχημένοι Recommenders  ξεπερνούν τις απλές  εμπορικές συναλλαγές.

Επιτυγχάνουν  Προσωπική Περιέργεια και Ανακάλυψη.

Θα έχετε παρατηρήσει ότι πολλές φορές θέλετε να αγοράσετε ένα παντελόνι.

Θέλετε να  το βάλετε στην βραδινή σας έξοδο . Έχετε περίπου φανταστεί πως θα είναι αλλά  δεν ξέρετε ακριβώς!

Οι Recommenders ανακαλύπτουν και προτείνουν πολλές φορές ένα παντελόνι που ίσως θα ήταν λίγο —προχωρημενο—για εσάς!

Κάτι που ίσως θα έλεγες …αυτό δεν είναι για εμενα…αλλα μέσα σου θα ήθελες να το δοκιμάσεις!

Θα σε έβγαζε από το comfort zone σου !

Θα σε πήγαινε λίγο πιο περά!

Οι επιτυχημένες συστάσεις κάνουν τους χρήστες να αισθάνονται καλά για τις επιλογές τους.

Προτείνοντας  ένα συναισθηματικά υποβλητικό spotify playlist  είναι περιπου  το  το  ίδιο με την εμπιστοσύνη που θα έδειχνες σε  ένα ταλαντούχο σεφ να προετοιμάσει ένα ειδικό γεύμα για εσάς και την οικογένειά σας.

Τι θα λέγατε αν δεν σας αρέσει  τελικά;

Τι θα έλεγες αν επιτέλους πάρεις κάτι καταπληκτικό;

Κάτι που δεν ονειρεύτηκες ποτέ;

Οι Recommenders εξαρτώνται από Δεδομένα  αγορών  των χρηστων, εμπλουτισμένα αλγοριθμικά , για να κάνουν προτάσεις που είτε ευχάριστα επιβεβαιώνουν ή ευχάριστα εκπλήττουν τον αγοραστή!

Η  GroupLens ,  ξεκίνησε από  με  τον  Paul Resnick του MIT  και  συναδέλφους  του Πανεπιστημίου της Μινεσότα το 1992, και είναι η πρώτη μηχανή Recommendations με κώδικα collaborative filleting

 

 

Ήταν από τους πρώτους  πρωτοπόρους των Recommendations Engines.

Ήταν μια ερευνητική προσπάθεια για την υποστήριξη της ταχέως αναπτυσσόμενης κοινότητας Usenet news reader.

Η  GroupLens χρησιμοποίησε γρήγορες αξιολογήσεις από ένα έως πέντε για να αξιολογήσει τα άρθρα ειδήσεων, να συνδυάσει στατιστικά αξιολογήσεων και να δημιουργήσει συστάσεις με βάση το προφίλ των χρηστών και τις ομοιότητες προτιμήσεων

Το σύστημα ειχε κλιμακούμενη αρχιτεκτονική και επέτρεπε κλιμακούμενες συστάσεις  (Recommendations).

Το σύστημα προσδιόριζε αυτόματα παρόμοια ενδιαφέροντα μεταξύ αυξανόμενου αριθμού χρηστών, χωρίς αυτοί να χρειάζεται να γνωρίζονται μεταξύ τους.

Η GroupLens απέκτησε έναν μικρό πελάτη το 1995, μια νεοφυή επιχείρηση που πωλούσε βιβλία μέσω Διαδικτύου, την Amazon.com

Η GroupLens ήταν η πύλη της Amazon για Recommendations.

H Amazon.com  bookseller σύντομα πρότεινε —Αν σας αρέσει αυτός ο συγγραφέαςΔες και αυτό—-χαρακτηριστικό που ενθάρρυνε τους πελάτες να κάνουν κλικ για να διευρύνουν  κυριολεκτικά τις γνώσεις τους.

Από την αρχή της, η Amazon λάμβανε σοβαρά υπόψη τις μαζικές εξατομικευσεις.

Ο σκοπός της Amazon ήταν να μεταφέρει  στον πελάτη  νέες εμπειρίες και να ανακαλύψει νέα πράγματα.

Έπειτα χρησιμοποίησε αλγόριθμους ομοιότητας  προιοντων (item based Recommenders )  που βασίζονται σε χαρακτηριστικά  προϊόντων.

Οι συστάσεις ομοιότητας που βασίζονται σε χαρακτηριστικά προϊόντων , μπορούσαν να υπολογίζουν  καλύτερα, ταχύτερα, και φθηνότερα από τις συστάσεις που βασίζονται στον χρήστη (User Based Recommenders)

Για παράδειγμα εάν έχω αγοράσει ένα ποδήλατο mountain bike 10 ταχυτήτων και μετά έχω αγοράσει ένα βιβλίο για ποδηλασία στο βουνό και μετά έχω αγοράσει και ρούχα άσκησης βουνού και εάν υπάρχουν πολλοί χρήστες που έχουν κάνει  επίσης τις παραπάνω αγορές τότε δημιουργείτε correlation μεταξύ των προϊόντων .

Σε έναν πελάτη που αγοράζει mountain bike θα πρότεινε μετά ο Recommender ένα βιβλίο για ποδηλασία στο βουνό η και ρούχα άσκησης βουνού.

 

Όπως διαπίστωσαν η Amazon και η Netperceptions……

 

 

Αντί να βρίσκουν συσχετισμούς αγορών  μέσω προφίλ  ανθρώπων, άρχισαν να βρίσκουν  συσχετίσεις (correlations) μεταξύ αγορών προϊόντων.

Το πάθος του Bezos για την εξατομίκευση θα μιμούνταν από τους Netflixs Reed Hastings , facebooks Mark Zuckerberk  , Linkedins Reid Hoffman, StichFixs Katrina Lake, Alibabas JackMa, Airbnb Brian Chesky, Spotifys Daniel Ek και πολλους άλλους.

Η Amazon στράφηκε  μετα  σε μια άλλη καινοτομία σύστασης που παντρεύει τις πωλήσεις με την εμπειρία του πελάτη!

Μετέφερε συστάσεις στο καλάθι αγορών.

 Η ιδέα των συστάσεων  στο ταμείο είναι πολύ παλιά!

Τα καταστήματα τροφίμων τοποθετούν καραμέλες και άλλα είδη στις λωρίδες πληρωμής.

Αλλά η Amazon προχωρά ένα βήμα παραπέρα.

Είναι εξατομικευμένο!

Προτείνει αντικείμενα που πιθανώς να αγοράσετε!

Αλλά η εφαρμογή δεν προχωρεί  ομαλά.

Η κύρια ένσταση ήταν ότι οι συστάσεις θα αποσπάσουν την προσοχή των καταναλωτών!

Το έργο σταμάτησε!

Αλλά τότε Amazon χρησιμοποίησε την  πειραματική κουλτούρα που έχει αναπτύξει!

Όπως λέει  ο Bezos, αν διπλασιάσετε τα πειράματά σας θα διπλασιάσετε την εφευρετικότητά σας!

Το έργο θα προχωρήσει  δοκιμαστικά!

Τα αποτελέσματα ήταν εκπληκτικά και οι συστάσεις για το καλάθι έμεινα στο καλάθι για πάντα!

Επιπλέον, ο Jef Bezos παρουσίασε  αξιολογήσεις προϊόντων, κάτι που  μισούν πολλοί λιανοπωλητές.

Σε μια ανασκόπηση του Harvand Business, ο  Jef Bezos αναφέρθηκε σε μια εξέχουσα δημοσίευση επικριτικών αξιολογήσεων προϊόντων…

Γιατί επιτρέπω αρνητικές κριτικές πελατών;

Δεν βγάζω χρήματα όταν πουλάω πράγματα…

 Βγάζω χρήματα όταν βοηθώ τους πελάτες να παίρνουν αποφάσεις αγοράς.

 

 

Μακροπρόθεσμα, μια σχέση εμπιστοσύνης, είναι πιο πολύτιμη για οποιαδήποτε επιχείρηση λιανικού εμπορίου από ένα βραχυπρόθεσμο κέρδος.

Η διαχρονική αξία πελάτη για την επιχείρηση έχει μεγαλύτερη σημασία από μια συναλλαγή ή δύο!

Η ιστορία των συστάσεων είναι η ιστορία του πώς οι άνθρωποι επιδιώκουν και αντιλαμβάνονται τις συμβουλές.

Είτε προσφέρονται από την Πυθία, ή από τους θεούς, από  σοφούς άνδρες, τα αστέρια ή το ζάρι    οι  συστάσεις δεν πρέπει να διατάσουν , αλλά πρέπει να παρουσιάζουν  αληθοφανή μονοπάτια και πιθανές επιλογές.

Γι’ αυτό έχουν σημασία.

 

Για να μάθεις  πως οι κορυφαιες εταιρειες στον κοσμο αυξανουν τα εσοδα εως 30% απο τους υπαρχοντες πελατες χρησιμόποιοντας Recommendation Systems  και Personalization  διαβασε το παρακατω βιβλιο.

 

 

https://mobiplus.co/e-books/e-book-proevlepse-ti-tha-agorasoun-oi-pelates/

  

Άνοιγμα των δεδομένων σας σε άλλους… Βραβείο Netflix

 

Η Netflix και ο  Hastings ανακοίνωσαν   τον διαγωνισμό  Netflix  των  1 Εκατομμυρίων Δολαρίων  το 2006.

Τα χρήματα θα τα έπαιρνε ο διαγωνιζόμενος  που  θα προέβλεπε αξιολογήσεις των καταναλωτών 10% καλύτερα από ό, τι  η μηχανή recommendations της  Netflix  που ονομάζεται Cinematch.

Έδωσαν σε όλους τους διαγωνιζόμενους και δημόσια πάνω από 100 εκατομμύρια προβολές ταινιών με ένα έως πέντε αστέρια για 17000 ταινίες από 500.000 χρήστες

Η Netflix κατάλαβε ότι όλα όσα αφορούσαν την επιχείρησή της  θα βελτιώνονταν  αν βελτίωναν  τα recommendtions.

Η ανταγωνιστική  δημοσίευση  αυτού του διαγωνισμού προμηθειών ήταν ένα έξυπνο στοίχημα για την καινοτομία των συστάσεων.

Για να καταλάβετε τη φύση της εργασίας φανταστείτε ένα γιγάντιο λογιστικό φύλλο με μια σειρά για κάθε χρήστη (500.000 χρήστες) και μια στήλη για κάθε ταινία (17.000 ταινίες)

Αν κάθε χρήστης βαθμολογούσε κάθε ταινία, το λογιστικό φύλλο θα περιείχε 8,5 δισεκατομμύρια βαθμολογίες.

Το λογιστικό φύλλο περιείχε μόνο 100m βαθμολογίες και γέμιζε το 1,2 % των κελιών.

Επομένως τα περισσότερα από τα κελιά ήταν κενά.

Το έργο ήταν να προβλέψετε ποια θα ήταν η αξιολόγηση σε κάθε κελί!

Καταπληκτικό!

Τρία χρόνια μετά, ο Bellcores Pragmatic Chaos Recommender υπερέβη το όριο 10% και κέρδισε τα 1 εκατ. δολάρια.

Για να γίνει αυτό, δημιούργησαν συμμαχίες με σημαντικούς ανταγωνιστές  τους στην πρόκληση και χρησιμοποιήθηκαν οι αλγόριθμοι προτάσεών τους.

Συνδύασαν τις προσεγγίσεις τους δηλαδή.

 

 

Η επιτυχία των διαγωνισμών εξέπληξε τόσο τους επιστήμονες δεδομένων όσο και  ψηφιακούς καινοτόμους.

 

Τα σύνολα δεδομένων που κοινοποιούνται δημοσίως προσελκύουν καινοτομία.

 

Οι άνθρωποι, τα μηχανήματα, τα ηλεκτρονικά καταστήματα, οι εταιρείες πρέπει να υιοθετήσουν νέους τρόπους για να μαθαίνουν ο ένας από τον άλλο και από τα δεδομένα.

Να βελτιώσουν δραματικά τις συνεργατικές ικανότητές τους για να προβλέψουν τι πραγματικά θέλουν οι άνθρωποι.

Τα διδάγματα αποδείχθηκαν επίσης εξαιρετικά σημαντικά και ήταν..

  • Η έμμεση ανατροφοδότηση από τους χρήστες, όπως clicks , views , χρόνος παραμονής στο προϊόν, αποκαλύπτει περισσότερα για τις προτιμήσεις των χρηστών.
  • Machine learned ranklings παράγουν καλύτερα πακέτα
  • Εξισορρόπηση τεχνικών exploration and exploitation για καλύτερο engagement  των χρηστών.
  • Χρησιμοποιήστε contextual στοιχεία , όπως ημέρα, ημέρα της εβδομάδας, τοποθεσία, και άλλες πληροφορίες.
  • Χρησιμοποιήστε κοινωνικές συνδέσεις, facebook, Linkedin κλπ και πληροφορίες που παρέχονται εκεί   για τη βελτίωση του συστήματος συστάσεων.
  • Παρουσιάστε και εξηγήστε στους χρήστες γιατί λαμβάνουν αυτές τις συστάσεις.

 

Οι συστάσεις είναι μια ένα Μαχαίρι με δύο Πλευρές.

 

Τα ίδια δεδομένα και τα ίδια Εργαλεία που χρησιμοποίησε η Netflix για να βοηθήσει τους συνδρομητές να αποφασίσουν τι  έργο  θα παρακολουθήσουν βοήθησε το Netflix να αποφασίσει τι έργα  θα παράγει.

Το 2011, η Netflix υπερέβη τις τιμές προτάσεων σε σχετικό διαγωνισμό , των  HBO και AMC  ,για το δικαίωμα παραγωγής  της  αμερικανικής έκδοσης της βρετανικής σειράς   …. House of Cards.

Η ανάλυση που παρείχαν οι  Recommenders ήταν βασική για την προθυμία της εταιρείας   να στοιχηματίσει  100 εκατομμύρια   Δολάρια για να πάρουν την παραγωγή της σειράς και να  εισέλθουν  πλέον στην παραγωγή ταινιών.

Οι Recommenders προτείνουν στους  μάνατζερ της Netflix τι σόου θα κερδίσει πιθανότατα την περιέργεια, την αφοσίωση και τα χρήματα των καταναλωτών.

Οι συστάσεις αποτελούνται από αλγόριθμους.

 

Οι αλγόριθμοι μετατρέπουν τα δεδομένα σε σχετικές συστάσεις βρίσκοντας, υπολογίζοντας και κατατάσσοντας τους πιο ενδιαφέροντες συσχετισμούς και συνεμφανίσεις για τους χρήστες.

Ο Greg Linden που πρωτοστάτησε με επιτυχία στις πρώτες μηχανές  συστάσεων  της Amazon αναφέρει το 2017.

 

Οι Συστάσεις και η Εξατομίκευση ζουν στη θάλασσα των δεδομένων που όλοι δημιουργούμε καθώς κινούμαστε στον κόσμο, συμπεριλαμβανομένων όσων βρίσκουμε, όσων ανακαλύπτουμε και όσων αγαπάμε.

 Το όραμα… να προσφέρουμε μια εμπειρία σε  κάθε πελάτη  ….που τον εκπλήσσει και τον ενθουσιαζει…..παραμενει ακόμη ανοικτό!

 

Οι εταιρείες  στο έξεις  θα πρέπει να είναι   Recommender innovators   όπως   η Spotify, Stitch-fix  , Bytedance και  χιλιαδες  άλλοι.

Θα πρέπει να μάθουν να χρησιμοποιούν συνεχώς Machine Learning  και να παρέχουν   ευπρέπεια και έκπληξη για τους χρήστες τους.

Οι εταιρείες  που θα επιτύχουν είναι αυτές που θα αγκαλιάσουν με πάθος το Machine Learning και την Tεχνητή Nοημοσύνη ως απαραίτητα  για τη στρατηγική τους.

 

Επικοινώνησε  μαζί μας τώρα , για να δούμε   πως μπορεί  το mobiplus  shopping  recommendation   platform  να σου δωσει τις παραπάνω δυνατότητες και να  αυξήσει τα έσοδα σου  30%.

 

mobiplus  μέλος  Elevate Greece
Επιβεβαίωση πρωτοπορίας.