Γιατί τεχνολογία ειναι η γνώση που θα πρέπει να έχει ο CEO κάθε επιχείρησης!
March 16, 2021
Εξατομίκευση στο e-commerce και κατάστημα !
April 2, 2021

Πως υπερέχεις στο e-commerce με YouTube Recommendation System!

To τεχνολογικό θαύμα    YouTube  Recommendation System !

 

 

Ο στόχος του  Recommendation System  είναι να μαντεύει  που θέλει να πάει ο χρήστης  και να  τον βοηθήσει να φτάσει εκεί με ελάχιστη τριβή.

Έτσι ο χρήστης δεν φεύγει από το site άλλα επανέρχεται ξανά και ξανά !

Είμαι σίγουρος ότι θα ήθελες κάτι αντίστοιχο για  επιχείρηση σου , το κατάστημα σου  ,  το e-commerce περιβάλλον σου και το e-eshop σου.

Διάβασε λοιπόν παρακάτω !

Το YouTube είναι η κορυφαία ηλεκτρονική πλατφόρμα βίντεο περιεχομένου στο κόσμο.

Διαθέτει σήμερα 2.3 Δις χρήστες και είναι το σίτε με την μεγαλύτερη επισκεψιμοτητα στον κόσμο μετά  την  Google.

Για χρήστες που βλέπουν βίντεο streaming  κατέχει το 94.5% της αγοράς με δεύτερη την Netflix με 74,9%.

Οι χρήστες βλέπουν περισσότερο από 1δις ώρες βίντεο κάθε ημέρα.

Πως όμως είναι ο αριθμός αυτός τόσο μεγάλος.

66% των χρηστών στην γερμανία  βλέπουν YouTube  για να αναπτύξουν ένα νέο χόμπι.

94% των χρηστών στην Ινδία βλέπουν YouTube για να μάθουν να κάνουν πράγματα μόνοι τους!

82% των χρηστών διεθνώς βλέπουν YouTube για να μάθουν κάτι.

Χρήστες είδαν 100δις ώρες παιχνιδιών το 2020.

72% των χρηστών είδαν YouTube για να γυμναστούν κατά το 2020.

Η στρατηγική λοιπόν που εκτελεί το YouTube για  να πιάνει τα παραπάνω νούμερα είναι:

Να μαντεύει την ανάγκη του χρήστη   χρησιμοποιώντας Artificial Intelligence και Machine Learning και  να του προτείνει τι θα πρέπει να δει μετά για να φτάσει ο χρήστης τον στόχο του.

 

Διαθέτει το  καλύτερο  Recommendation  Engine στο κόσμο με περισσότερες από  1 εκατομμύριο γραμμές κώδικα.

 

Το YouTube  είναι  ένας  εκπληκτικός  μηχανισμός  Διάχυσης  Γνώσης  Μαθηματικών  , Φυσικής ,   Μηχανικής , Φιλοσοφίας  ,  Προσωπικής Ανάπτυξης  ,  Management  ,  Κάντο Μονός Σου ,  Διασκέδασης και  άλλα!

 

Το  YouTube Recommendation Engine είναι ένα τεχνολογικο θαυμα !

 

 

 

Δεν περιμένει λοιπόν το χρήστη να ψάξει να βρει αυτό που θέλει άλλα μαντεύει τι θέλει  να μάθει ,  να δει , να διασκεδάσει , να γυμναστή και το προτείνει.

Καταλαβαίνει που θέλει να πάει ο χρήστης και τον πηγαίνει εκεί.

 

 

 

Άλλα αυτό δεν θέλει και ο χρήστης στο e-shop σου?

Θέλει να  αλλάξει κάτι στην ζωή του και πρέπει να τον βοηθήσεις  να πάει εκεί.

 

Δεν αγοράζει ρούχα η παπούτσια από το e-commerce περιβάλλον σου γιατί δεν έχει ρούχα να βάλει.

Θέλει να γίνη περισσότερο ελκυστικός, να βελτιώσει την  εμπειρία που έχει στο σπίτι του , να αλλάξει κάτι στην ζωή του  ….να πάει κάπου αλλού!

Αυτό πρέπει να μαντεύεις όταν μπαίνει κάποιος στο e-shop σου η  στο φυσικό κατάστημα   και να τον πηγαίνεις εκεί.

 

 

 

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

 

 

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

 

 

Δες παρακάτω μερικά  από  τα σημαντικά χαρακτηριστικά  λειτουργίας   του   YouTube  Recommendation Engine  .

 

O   Christos Goodrow     είναι   VP of Engineering  στην Google και ο Architect του YouTube Recommendation Engine.

 

To Recommendation Engine  έχει ένα σημαντικό έργο να εκτελέσει.

Το έργο  του  είναι να  καταλαβαίνει καθημερινά που θέλουμε  να πάμε και να μας βοηθήσει να φτάσουμε εκεί.

Να μαθαίνει συνεχεία τις ανάγκες μας ,τις όποιες πολλές φόρες  εμείς δεν ξέρουμε!

Πόσες φόρες έχει  μπει πελάτης στο φυσικό σου κατάστημα και δεν ξέρει ακριβώς τι θέλει.

Ξέρει που θέλει να πάει άλλα δεν ξέρει πώς να πάει εκεί!

Recommendation Systems  είναι o  χώρος  με την μεγαλύτερη εφαρμογή της Τεχνητής Νοημοσύνης  τον 21ο Αιώνα.

 

Το πρώτο σημαντικό σημείο είναι πως καταλαβαίνεις τι  προϊόν θέλει ο χρήστης ?

 

Η φιλοσοφία εδώ είναι να του δείξεις κάτι που είναι   κάπως  διαφορετικό με αυτό που είδε τώρα άλλα όχι πολλή διαφορετικό!

 

Έτσι μπορείς να βοηθήσεις τον χρήστη να ανακαλύψει πράγματα που το ενδιαφέρουν!

 

Η αρχιτεκτονική   εδώ είναι  η  δημιουργία   συμπλεγμάτων  (clusters )  προϊόντων  και  μετά να δεις χρήστες που είδαν προϊόντα σε ένα σύμπλεγμα τι άλλα προϊόντα από άλλο  διαφορετικό σύμπλεγμα είδαν.

 

Παράδειγμα στο YouTube έχουν βρει ότι χρήστες που Βλέπουν  Επιστημονικά βίντεο   βλέπουν και Jazz.

 

Σε χρήστες λοιπόν που βλέπουν βίντεο μαθηματικών μετά κάνουν recommend  βίντεο με Jazz.

 

Τα συμπλέγματα αυτά δημιουργούνται  χρησιμοποιώντας  Collaborative Filtering.

 

Και αυτά δημιουργούνται αυτόματα από το αλγόριθμο βασισμένα σε τι πατούν και αγοράζουν οι χρήστες σου μέσα στο  δικό σου eshop .

 

Collator active filtering   πρακτικά σημαίνει ποια προϊόντα βλέπει μαζί ο χρήστης.

 

Για παράδειγμα η τεχνολογία αυτή στο YouTube δημιουργεί αυτόματα clusters βίντεο που έχουν την ίδια γλώσσα.

Βίντεο που μιλούν για μαθηματικά  ,  management ,  φυσική ,  Yoga χωρίς να περιγράφεται στο βίντεο.

Και μετά άλλα  clusters  περισσότερο εξειδικευμένα που συνδυάζουν περισσότερες κατηγορίες η είναι περισσότερο στοχευμένα

Πχ βίντεο management που αφορούν Innovation  η  Personal Development η  Behavioral Economics.

 

Χιλιάδες λοιπόν clusters βασισμένα στην συμπεριφορά των χρηστών τα όποια εξελίσσονται καθημερινά.

Οι αλγόριθμοι λοιπόν  συνεχώς κοιτούν και δημιουργούν δυναμικά  clusters κάθε μέρα βασισμένα στην  συμπεριφορά των χρηστών μέσα στο e-shop σου η στο  ERP σου!

Οι  Machine Learning αλγόριθμοι χρειάζονται  δεδομένα αγοράς πελατών  από το e-shop σου η από το ERP σου.

 

Χρησιμοποιούν   κατηγορία  και  περιγραφή βίντεο  αρχικά  (φαντάσου Προϊόν σου)

Όταν ο καταναλωτής κάνει search στο YouTube χρησιμοποιούν συντακτικό match  για να δουν εάν αυτή η λέξη υπάρχει στην επικεφαλίδα η κατηγορία του βίντεο.

Μετά κοιτούν ποσό χρόνο έκατσε ο χρήστης στο βίντεο αυτό η έφυγε μετά από λίγο , που σημαίνει ότι η λέξη search δεν είναι αντιπροσωπευτική με το περιεχόμενο του βίντεο.

 

Μετά αφού αρχίζεις και βλέπεις  μερικά βίντεο αρχίζει  να βρίσκει ο Recommender  τα clusters που ανήκεις.

Για το ποσό εντυπωσιακή είναι η τεχνολογία των Recommendation Systems σήμερα   ας  δούμε  το παρακατω παραδειγμα.

 

Κάποιος που κάνει ερεύνα στην Αμερική  πχ στο αντικείμενο  Physics θέλει  να δει βίντεο στα αγγλικά.

Εάν κάνεις λοιπόν search για κάτι σχετικό βλέπεις βίντεο στα αγγλικά.

Ας υποθέσουμε λοιπόν ότι έχεις   ελληνική καταγωγή ,  και θέλεις να φτιάξεις Μπακλαβά και θέλεις  βίντεο στα ελληνικά

Εάν κάνεις  search βλέπεις   βίντεο πως φτιάχνεις  Μπακλαβά  στα ελληνικά άλλα μετά όλα τα recommendations για μαγείρεμα είναι βίντεο στα ελληνικά.

 

Μαντεύει δηλαδή ότι την δουλειά την θέλεις στα αγγλικά και μαγείρεμα στα ελληνικά!

 

Αυτό είναι λοιπόν  το  Related Graph  που δημιουργείται αυτόματα μέσω collaborative filtering.

Σημαντικό όπως είναι να  καταλάβει ο Recommender βαθύτερα  την ποιότητα  που εκλαμβάνει ο χρήστης από το  βίντεο  (προϊόν σου ) που βλέπει.

 

Ένα πρώτο στοιχείο  είναι να δει ποια  βίντεο (σκέψου Προϊόν σου ) ειδες για αρχη.

Άλλα αυτό δεν είναι αρκετό.

Το δεύτερο που κοίτα είναι ποσό χρόνο έκατσες στο βίντεο, το είδες όλο ? το μισό ? το 10%?

Άλλα και αυτό δεν είναι αρκετό.

Το έκανες Like? Dislike?

Το έκανες share?

Έγραψες κάποιο σχόλιο ?

Και αυτό δεν είναι αρκετό !

Μετά από μερικές μέρες σε ρωτά  (Ερεύνα)  εάν σου άρεσε το βίντεο που ειδες…….όχι για όλα …….άλλα για αυτά που   δεν είναι σίγουρος ο Αλγόριθμος.

Έχει εγγραφεί στο e-shop σου ?

Αυτό λέει κάτι παραπάνω!

Μπαίνει στο κατάστημα σου ?

Αυτό λέει κάτι παραπάνω!

Ανοίγει  την εφαρμογή σου ?

Ανοίγει τα μέλι σου ?

Αγόρασε το προϊόν ?

Πόσα αστεράκια έβαλε?

Θέλει να του στέλνεις πληροφορίες για αυτό το προϊόν ?

Προϊόν , όχι όλο το e-shop σου !

Έτσι βελτιώνει συνεχώς το clustering.

 

Επιπλέον σκέφτονται να βάλουν κάτι παραπάνω από Like.

Πολλές φόρες βάζεις Like , σου αρέσει άλλα δεν σου αρέσει παρά πολλή.

Κάποιο άλλη ένδειξη χρειάζεται  πχ  Λατρεύω!

 

Μπορείς να δεις εδώ την παρουσίαση του YouTube Recommendation    System     από τον Christos Goodrow σε συνέντευξη με τον Lax Friedman.

 

 

 

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.