Trang chủ » Internet » Cửa hàng mua sắm kỳ nghỉ thông minh với công cụ khuyến nghị của Amazon

    Cửa hàng mua sắm kỳ nghỉ thông minh với công cụ khuyến nghị của Amazon

    Vào thời điểm Giáng sinh, nhiều người trong chúng ta đang vật lộn với việc chọn món quà phù hợp nhất cho những người thân yêu. Săn quà cho Giáng sinh có thể cần nhiều ngày lập kế hoạch, đôi khi vài tuần. Ngoài phần vui vẻ và vui vẻ nhất định của nó, Mua sắm Giáng sinh có thể là một kinh nghiệm tốn thời gian và căng thẳng.

    May mắn thay trong thời đại công nghệ tiên tiến, có những công cụ miễn phí có thể giúp quá trình mua sắm hiệu quả và hiệu quả hơn nhiều. Trong bài đăng này, tôi sẽ chỉ cho bạn cách một trong những trang web bán lẻ lớn nhất thế giới, Amazon.com có ​​thể hỗ trợ bạn trong việc tìm những món quà tốt nhất cho bạn bè và gia đình của bạn trong một khung thời gian hợp lý với sự giúp đỡ của công cụ đề xuất thông minh của nó.

    Trải nghiệm người dùng được cá nhân hóa

    Các trang web thành công nhất thế giới như Amazon, Facebook và Youtube rất phổ biến vì họ cung cấp trải nghiệm người dùng được cá nhân hóa cho mọi người.

    Cá nhân hóa trải nghiệm người dùng về cơ bản có nghĩa là các công ty quan sát người dùng của họ trong khi họ điều hướng qua trang web của họ và thực hiện các hành động khác nhau trên đó Họ thu thập dữ liệu vào cơ sở dữ liệu gọn gàng và phân tích nó.

    Điều đó có hại cho sự riêng tư không? Từ một quan điểm nhất định, có nó là; những công ty này có thể biết nhiều về chúng tôi hơn những người bạn thân nhất hoặc thậm chí là chính chúng tôi. Mặt khác, họ cung cấp cho chúng tôi một dịch vụ có thể làm cho cuộc sống của chúng tôi dễ dàng hơn, và quyết định của chúng tôi được thông báo tốt hơn.

    Nếu chúng tôi xem xét nó từ quan điểm giao dịch, chúng tôi sẽ "trả tiền" cho trải nghiệm người dùng được nâng cao và thoải mái, với một phần quyền riêng tư của chúng tôi.

    Tất nhiên, các cuộc chiến pháp lý giữa các nhà cung cấp nội dung trực tuyến và chính quyền là không đổi, chỉ cần nghĩ về luật cookie EU không được yêu thích, nhưng vì từ chối ngày càng ít là một lựa chọn thực tế cho những người muốn tận hưởng lối sống thế kỷ 21, có thể là hữu ích để hiểu cách các đề xuất được cá nhân hóa hoạt động đằng sau hậu trường.

    Công nghệ đằng sau khuyến nghị của Amazon

    Trong khi điều hướng qua trang web của Amazon, chúng tôi có thể tìm thấy các đề xuất được cá nhân hóa ở mọi nơi dưới tiêu đề như “Mới cho bạn”, “Đề xuất cho bạn trong Kindle Store”, “Khuyến nghị nổi bật”, “Khách hàng mua sản phẩm này cũng đã mua”, và nhiều người khác.

    Khuyến nghị đã được tích hợp vào từng bộ phận của quá trình mua hàng từ tra cứu sản phẩm để thanh toán. Các đề xuất tùy chỉnh được cung cấp bởi một công cụ đề xuất thông minh giúp người dùng hiểu rõ hơn và tốt hơn khi họ sử dụng trang web.

    Để hiểu hệ thống khuyến nghị tốt hơn, bạn nên nghĩ về chúng như là phiên bản nâng cao của công cụ tìm kiếm. Khi chúng tôi tìm kiếm một mục trên Amazon, nó không chỉ trả về kết quả mà còn đưa ra dự đoán về các sản phẩm chúng ta có thể cần, và hiển thị các khuyến nghị của nó cho chúng tôi.

    Các hệ thống đề xuất sử dụng các loại thuật toán học máy khác nhau và chúng đã trở nên có thể triển khai thương mại với sự phát triển của công nghệ dữ liệu lớn. Động cơ khuyến nghị là sản phẩm định hướng dữ liệu, như họ cần tìm tập dữ liệu nhỏ có liên quan nhất trong đại dương dữ liệu lớn.

    Nhiệm vụ tính toán mà các hệ thống khuyến nghị cần giải quyết là sự kết hợp của phân tích dự đoán và lọc

    Họ sử dụng một trong những cách tiếp cận sau:

    (1) Lọc cộng tác, tìm kiếm sự tương đồng giữa dữ liệu hợp tác chẳng hạn như mua hàng, xếp hạng, lượt thích, lượt upvote, lượt tải xuống trong:

    • hoặc là ma trận người dùng, nơi các đề xuất được tạo dựa trên sự lựa chọn của các khách hàng khác thích, mua, đánh giá, v.v.,
    • hoặc là ma trận sản phẩm, trong đó công cụ đề xuất trả lại các sản phẩm tương tự về mua, thích, xếp hạng, v.v. cho các sản phẩm mà người dùng hiện tại đã mua, xếp hạng, thích, nâng cấp trước

    Amazon sử dụng thứ hai, vì nó tiên tiến hơn (xem chi tiết trong phần tiếp theo).

    (2) Lọc dựa trên nội dung, đưa ra dự đoán dựa trên sự tương đồng về đặc điểm khách quan của sản phẩm như thông tin cụ thể, mô tả, tác giả và cả sở thích trước đây của người dùng (ở đây không được so sánh với sở thích của người dùng khác).

    (3) Lọc lai, sử dụng một số loại kết hợp của lọc cộng tác và dựa trên nội dung.

    Ma trận sản phẩm-sản phẩm

    Cách lọc cộng tác truyền thống sử dụng ma trận người dùng-người dùng và trên một lượng dữ liệu nhất định, nó có vấn đề nghiêm trọng về hiệu suất.

    Để phù hợp với sở thích, xếp hạng, mua hàng của tất cả người dùng và tìm những người gần gũi nhất với người dùng đang hoạt động, công cụ đề xuất phải phân tích mọi người dùng trong cơ sở dữ liệu và khớp chúng với cơ sở dữ liệu hiện tại.

    Nếu chúng ta nghĩ về kích thước của Amazon, rõ ràng loại lọc này không khả thi đối với họ, vì vậy các kỹ sư của Amazon đã phát triển một phiên bản nâng cấp của phương pháp cũ và gọi nó là lọc cộng tác giữa các mục.

    Lọc cộng tác giữa các mục với nhau hợp tác thành công làm điểm chuẩn thay vì phẩm chất khách quan của sản phẩm (xem phần lọc dựa trên nội dung ở trên), nhưng chạy các truy vấn trong ma trận sản phẩm - sản phẩm có nghĩa là nó không so sánh người dùng, thay vào đó, nó so sánh sản phẩm.

    Công cụ đề xuất xem xét các sản phẩm chúng tôi đã mua, xếp hạng, đưa vào danh sách mong muốn của chúng tôi, nhận xét, v.v. cho đến nay, sau đó tìm kiếm các mục khác trong cơ sở dữ liệu có tỷ lệ và mua tương tự, tổng hợp chúng, sau đó trả về phù hợp nhất như khuyến nghị.

    Làm thế nào để có được khuyến nghị tốt hơn

    Quay lại mua sắm Giáng sinh, có thể đào tạo công cụ đề xuất của Amazon để có kết quả tốt hơn. Nếu bạn chỉ có một ý tưởng mơ hồ về việc mua gì cho người thân, bạn không phải làm gì khác ngoài việc để lại dấu vết trên trang web trong khi duyệt.

    Vì lợi ích của bài đăng này, tôi đã tự mình thử nó.

    Xuất phát điểm của tôi là tôi muốn tìm một số đồ nội thất văn phòng nhỏ hơn, nhưng không biết chính xác cái gì. Vì vậy, tôi đã nhập một số từ khóa liên quan vào thanh tìm kiếm và bắt đầu duyệt kết quả. Tôi đặt các mục tôi thích vào danh sách mong muốn của mình, đánh giá một số đánh giá là “Hữu ích”, bỏ một số đồ nội thất văn phòng vào giỏ hàng của tôi.

    Nếu tôi đã từng mua một mặt hàng tương tự trên Amazon, việc viết đánh giá về nó sẽ rất hữu ích, nhưng thực sự tôi không thể làm điều đó (bạn chỉ có thể viết đánh giá về các sản phẩm mà bạn đã mua).

    Sau khoảng 10 - 15 phút, tôi dừng lại và nhấp vào các trang Khuyến nghị của mình (có thể tìm thấy bên dưới “[Tên của bạn] là Amazon” điểm menu). Trước khi thử nghiệm tôi chỉ có sách trên trang này, vì đó là thứ tôi thường mua trên Amazon. Sau khi tra cứu rộng rãi, những cuốn sách đã biến mất và được thay thế bằng nội thất văn phòng mát mẻ, như bạn có thể thấy dưới đây.

    Tinh chỉnh động cơ

    Có thể đào tạo thêm công cụ đề xuất, như bên dưới mỗi đề xuất có một “Tại sao nên?” liên kết. Trong số các đề xuất của tôi, bạn có thể thấy một thùng lót (mặt hàng cuối cùng), không phải là sản phẩm nội thất văn phòng và là sản phẩm tôi không muốn mua cho Giáng sinh.

    Vậy hãy xem tại sao nó ở đây.

    Sau khi nhấp vào liên kết, Amazon thông báo cho tôi rằng nó được khuyến nghị vì tôi đặt một chiếc ghế máy tính văn phòng nhất định vào giỏ hàng của mình. Chà, đó là một kết nối thú vị, nhưng tôi vẫn không cần nó.

    Tôi có hai lựa chọn ở đây, tôi có thể đánh dấu vào “Không quan tâm” hộp kiểm bên cạnh thùng lót, hoặc “Đừng sử dụng cho các khuyến nghị” cạnh ghế văn phòng. Tôi đánh dấu “Không quan tâm” hộp kiểm.

    Và tại thời điểm này, lớp lót bin đã biến mất, thay thế bằng một sản phẩm được đề xuất khác, điều đó có nghĩa là tôi tiến một bước gần hơn đến món quà hoàn hảo.

    Thật tệ nếu tôi không bao giờ cần cái thùng rác chính xác đó trong tương lai. Đợi đã. Tôi đã tìm thấy giải pháp cho điều đó. Ở dưới cái “Cải thiện đề xuất của bạn” điểm menu, tôi có thể chỉnh sửa các mục tôi đã đánh dấu bằng “Không quan tâm” nhãn

    Khi tôi tìm thấy quà tặng tưởng tượng của mình, tôi chỉ có thể bỏ chọn các sản phẩm tôi có thể muốn xem trong số các đề xuất của mình trong tương lai.