Это похоже на тебя? Ваше программное обеспечение для персонализации обещало, что его искусственный интеллект доставит звезды, но вы остались менее чем впечатлены его производительностью.
Почему так происходит?
ИИ и большие данные идут рука об руку. Наиболее очевидными примерами в мире электронной коммерции, вероятно, являются Netflix и Amazon, которые широко представлены в Интернете и доминируют в своих областях торговли. У них миллионы клиентов и взаимодействий в месяц, и именно здесь сильны стандартные формы ИИ - компании с тоннами данных, которые позволяют ИИ учиться быстро и эффективно, делая прибыльные выводы.
Однако малый и средний бизнес также может использовать ИИ с большим успехом. Такие компании, как магазин Norwich City Football Club (www.canaries.co.uk) или Королевский британский легион (www.poppyshop.org.uk), увеличили выручку благодаря соответствующим рекомендациям, хотя и не получали почти столько же посетителей в месяц, сколько в некоторых крупных магазинах. Как они это делают, если у них нет таких же взаимодействий и журналов данных о взаимодействии клиентов с продуктом, из которых можно было бы извлечь?
Введите фильтрацию по содержанию. Контентная фильтрация - это система рекомендаций, с помощью которой алгоритмы рекомендуют другие продукты на основе аналогичных атрибутов.
Даже если взаимодействия отсутствуют, его функции позволяют дать релевантные, персонализированные рекомендации. Это отлично подходит для холодного старта для компаний, у которых нет миллионов взаимодействий, но которые все же хотят дать своим пользователям релевантные результаты.
Что вы можете сделать, если у вас малый или средний бизнес и вы замечаете, что ваш ИИ не работает так хорошо, как вы ожидали? Что предлагают большинство провайдеров персонализации электронной коммерции?
Если вас не устраивает ИИ, вероятно, ваш провайдер персонализации электронной коммерции полагается на метод под названием совместная фильтрация. Это используется системами рекомендаций, которые делают автоматические прогнозы о том, что человеку понравится, на основе того, что понравилось другим людям.
Если Стефани купит платье, юбку и пару туфель, Элизабет, которая интересуется платьем и юбкой, вероятно, будет интересна и обувь, и ее порекомендуют ей.
Например, Netflix отлично предлагает телешоу, которые вам понравятся, на основе таких людей, как вы, и даже настраивает художественное оформление шоу и фильмов, чтобы привлечь внимание зрителей. Amazon также делает это на удивление хорошо, используя эти данные для соответствующих перекрестных продаж, допродажи и повторные покупки для своих клиентов, что дает большой эффект с точки зрения удовлетворенности клиентов и годового дохода.
Но они особые. У большинства компаний нет этого банка данных, из которого можно было бы извлечь пользу. Что происходит, когда малый или средний бизнес использует типичный ИИ с коллаборативным фильтром для прогнозирования?
1. Отсутствие актуальности
Если для продукта не хранятся абсолютно никакие данные, в большинстве рекомендательных стратегий по умолчанию используются рекомендатели бестселлеров или трендовых продуктов. Менее популярные продукты будут иметь гораздо менее разумные рекомендации. Посетителям будут показаны те же продукты, что и всем остальным, независимо от поведения, предпочтений или сегментации. Это идет вразрез со всем, что маркетологи знают сегодня о персонализации - хотя может быть хорошо получить один подход, который работает для большинства людей, гораздо лучше использовать множество разных подходов, чтобы удовлетворить каждого отдельного человека. То есть, чтобы максимально приблизиться к Святому Граалю «индивидуального маркетинга».
2. Смещение популярности.
Предметы, которые не пользуются большой популярностью, и для которых хранится лишь небольшое количество данных, будут плохо работать с любыми рекомендациями ИИ, с небольшими взаимодействиями, на которых ИИ мог бы учиться. Это, в свою очередь, будет означать, что он не отображается в рекомендациях ИИ, то есть не получает никаких дополнительных взаимодействий, поэтому ИИ не может обучаться и т. Д. В бесконечном цикле отрицательной обратной связи. Этот цикл может привести к тому, что подавляющее большинство продуктов в каталоге будет упущено из виду, особенно если какие-либо новые будут добавлены позже.
3. Новые пользователи без персонализации.
Если посетитель заходит на ваш сайт, который никогда не был там раньше, с чего ИИ может показать им для начала, если у этого посетителя нет сохраненных данных о поведении? Если ИИ зависит от совместной фильтрации, опять же, по умолчанию он будет использовать только общий рекомендатель. Это может привести к тому, что этого посетителя не впечатлит качество рекомендаций, и он не вернется, а это означает, что ИИ никогда не выучит лучшую технику для новых посетителей.
У большинства интернет-компаний нет такого количества посещений или клиентов. Следовательно, большая часть онлайн-компаний, которые в настоящее время используют систему искусственного интеллекта для демонстрации рекомендаций своим клиентам, могут иметь слабое место.
Какое решение? Более умный ИИ.
Системы искусственного интеллекта, которые позволяют сочетать совместную фильтрацию и фильтрацию на основе контента, намного превосходят только совместную фильтрацию. Компании с небольшим количеством взаимодействий смогут поддерживать актуальность, даже если у них меньше взаимодействий с более крупными. По мере роста числа пользователей компании плавный переход к совместной фильтрации расширяет круг потенциальных рекомендаций, но при этом предоставляет актуальные рекомендации для новых продуктов или пользователей.
В PureClarity мы стремимся предложить наилучший возможный искусственный интеллект для бизнеса любого размера, независимо от того, большой он или маленький. По сути, мы являемся платформой для персонализации с удивительным искусственным интеллектом, который предоставляет актуальные и полезные рекомендации для всех посетителей и продуктов.
Зайдите сюда, чтобы попробовать PureClarity. Свяжитесь с нами, чтобы получить демоверсию или опробовать ее бесплатно с помощью нашей 14-дневной бесплатной пробной версии. Никаких обязательств - только персонализация.
