Es ist sowohl eine Kunst als auch eine Wissenschaft. Typische Studienbereiche drehen sich um die Warenkorbanalyse (auch Affinitätsanalyse genannt), die eine Teilmenge des Bereichs Data Mining darstellt. Typische Komponenten in einem solchen System umfassen die Identifizierung von primären Treiberelementen und die Identifizierung von Affinitätselementen (Zubehör-Upsell, Cross-Selling).
Denken Sie an die Datenquellen, die sie abbauen müssen ...
- Gekaufte Einkaufswagen = echtes Geld von echten Menschen, die für echte Gegenstände ausgegeben wurden = leistungsstarke Daten und vieles davon.
- Artikel, die zu Einkaufswagen hinzugefügt, aber aufgegeben wurden.
- Online-Preisexperimente (A / B-Tests usw.), bei denen dieselben Produkte zu unterschiedlichen Preisen angeboten werden und die Ergebnisse angezeigt werden
- Verpackungsexperimente (A / B-Tests usw.), bei denen verschiedene Produkte in verschiedenen "Bündeln" angeboten werden oder verschiedene Artikelpaarungen rabattiert werden
- Wunschliste - was speziell für Sie darauf steht - und insgesamt kann sie ähnlich wie ein anderer Strom von Korbanalysedaten behandelt werden
- Empfehlungsseiten (die Identifizierung, woher Sie gekommen sind, kann auf andere interessante Elemente hinweisen)
- Verweilzeiten (wie lange dauert es, bis Sie zurückklicken und einen anderen Artikel auswählen)?
- Bewertungen von Ihnen oder denen in Ihrem sozialen Netzwerk / in Ihren Einkaufskreisen - Wenn Sie Dinge bewerten, die Ihnen gefallen, erhalten Sie mehr von dem, was Sie mögen, und wenn Sie mit der Schaltfläche "Ich besitze es bereits" bestätigen, erstellen sie ein sehr vollständiges Profil von Ihnen
- Demografische Informationen (Ihre Lieferadresse usw.) - Sie wissen, was in Ihrer Region für Ihre Kinder, sich selbst, Ihren Ehepartner usw. beliebt ist.
- Benutzersegmentierung = Haben Sie 3 Bücher in getrennten Monaten für ein Kleinkind gekauft? wahrscheinlich ein Kind oder mehr haben .. etc.
- Direktmarketing-Klickdaten - Haben Sie eine E-Mail von ihnen erhalten und sich durchklickt? Sie wissen, um welche E-Mail es sich handelt und worauf Sie geklickt haben und ob Sie sie als Ergebnis gekauft haben.
- Klicken Sie in der Sitzung auf Pfade - was haben Sie angezeigt, unabhängig davon, ob es in Ihren Warenkorb gelegt wurde?
- Häufigkeit, mit der ein Artikel vor dem endgültigen Kauf angesehen wurde
- Wenn Sie es mit einem stationären Geschäft zu tun haben, kann es sein, dass Ihre physische Kaufhistorie ebenfalls abläuft (z. B. Spielzeug für uns oder etwas, das online ist, und auch ein physisches Geschäft).
- usw. usw. usw. usw.
Glücklicherweise verhalten sich die Menschen insgesamt ähnlich. Je mehr sie über die kaufende Bevölkerung im Allgemeinen wissen, desto besser wissen sie, was verkauft wird und was nicht. Mit jeder Transaktion und jeder Bewertung / Wunschliste, die sie hinzufügen / durchsuchen, wissen sie, wie sie Empfehlungen persönlicher anpassen können. Denken Sie daran, dass dies wahrscheinlich nur eine kleine Auswahl der gesamten Einflüsse dessen ist, was in Empfehlungen usw. endet.
Jetzt habe ich keine Insider-Kenntnisse darüber, wie Amazon Geschäfte macht (hat dort nie funktioniert), und ich spreche nur über klassische Ansätze für das Problem des Online-Handels. Früher war ich der PM, der für Microsoft an Data Mining und Analytics gearbeitet hat Produkt namens Commerce Server. Wir haben in Commerce Server die Tools ausgeliefert, mit denen Benutzer Websites mit ähnlichen Funktionen erstellen können. Je größer das Verkaufsvolumen, desto besser die Daten, desto besser das Modell - und Amazon ist GROSS. Ich kann mir nur vorstellen, wie viel Spaß es macht, mit Modellen mit so vielen Daten auf einer handelsorientierten Website zu spielen. Jetzt sind viele dieser Algorithmen (wie der Prädiktor, der in Commerce Server gestartet wurde) direkt in Microsoft SQL integriert .
Die vier großen Möglichkeiten, die Sie haben sollten, sind:
- Amazon (oder ein beliebiger Einzelhändler) untersucht aggregierte Daten für Tonnen von Transaktionen und Tonnen von Menschen. Dies ermöglicht es ihnen, anonyme Benutzer auf ihrer Website sogar recht gut zu empfehlen.
- Amazon (oder ein anspruchsvoller Einzelhändler) verfolgt das Verhalten und die Einkäufe von angemeldeten Personen und verwendet diese, um die Daten der Massenaggregate weiter zu verfeinern.
- Oft gibt es ein Mittel, um die gesammelten Daten zu überschreiben und die "redaktionelle" Kontrolle über Vorschläge für Produktmanager bestimmter Linien zu übernehmen (wie eine Person, die die Vertikale "Digitalkameras" oder die Vertikale "Romane" oder ähnliches besitzt), wo sie wirklich sind sind Experten
- Es gibt oft Sonderangebote (z. B. Sony oder Panasonic oder Nikon oder Canon oder Sprint oder Verizon, die dem Einzelhändler zusätzliches Geld zahlen oder bei größeren Mengen oder anderen Dingen in diesen Bereichen einen besseren Rabatt gewähren), die dazu führen, dass bestimmte "Vorschläge" auftauchen häufiger als andere - es steckt immer eine vernünftige Geschäftslogik und ein vernünftiger Geschäftsgrund dahinter, der darauf abzielt, bei jeder Transaktion mehr zu erreichen oder die Großhandelskosten usw. zu senken.
In Bezug auf die tatsächliche Umsetzung? Nahezu alle großen Online-Systeme beschränken sich auf eine Reihe von Pipelines (oder eine Filtermusterimplementierung oder einen Workflow usw., wie Sie es nennen), die es ermöglichen, einen Kontext durch eine Reihe von Modulen zu bewerten, die irgendeine Form von anwenden Geschäftslogik.
Normalerweise wird jeder einzelnen Aufgabe auf der Seite eine andere Pipeline zugeordnet. Möglicherweise haben Sie eine, die "Pakete / Upsells" empfiehlt (dh diese mit dem Artikel kaufen, den Sie sich ansehen), und eine, die "Alternativen" ausführt (dh kaufen) Dies anstelle der Sache, die Sie sich ansehen) und eine andere, die Artikel, die am engsten verwandt sind, von Ihrer Wunschliste abruft (nach Produktkategorie oder ähnlichem).
Die Ergebnisse dieser Pipelines können auf verschiedenen Teilen der Seite platziert werden (über der Bildlaufleiste, unter dem Bildlauf, links, rechts, verschiedene Schriftarten, Bilder unterschiedlicher Größe usw.) und getestet werden, um festzustellen, welche Leistung erzielt wird Beste. Da Sie nette, einfach zu Plug-and-Play-Module verwenden, die die Geschäftslogik für diese Pipelines definieren, erhalten Sie das moralische Äquivalent von Legoblöcken, mit denen Sie einfach die Geschäftslogik auswählen können, die beim Erstellen einer anderen Pipeline angewendet werden soll Dies ermöglicht schnellere Innovationen, mehr Experimente und letztendlich höhere Gewinne.
Hat das überhaupt geholfen? Ich hoffe, das gibt Ihnen einen kleinen Einblick, wie dies im Allgemeinen für nahezu jede E-Commerce-Website funktioniert - nicht nur für Amazon. Amazon (von Gesprächen mit Freunden, die dort gearbeitet haben) ist sehr datengetrieben und misst kontinuierlich die Effektivität seiner Benutzererfahrung sowie die Preisgestaltung, Werbung, Verpackung usw. - sie sind ein sehr hoch entwickelter Online-Händler und wahrscheinlich an der Spitze von Viele der Algorithmen, mit denen sie den Gewinn optimieren - und das sind wahrscheinlich geschützte Geheimnisse (Sie kennen die Formel für die geheimen Gewürze von KFC) und werden als solche geschützt.