È sia un'arte che una scienza. Tipici campi di studio ruotano attorno all'analisi del paniere di mercato (anche chiamata analisi di affinità) che è un sottoinsieme del campo del data mining. I componenti tipici di un tale sistema includono l'identificazione degli elementi principali del conducente e l'identificazione degli elementi di affinità (vendita di accessori, vendita incrociata).
Tieni a mente le fonti di dati che devono estrarre ...
- Carrelli della spesa acquistati = soldi veri da persone reali spesi per oggetti reali = dati potenti e molto.
- Oggetti aggiunti ai carrelli ma abbandonati.
- Esperimenti sui prezzi online (test A / B, ecc.) In cui offrono gli stessi prodotti a prezzi diversi e vedono i risultati
- Esperimenti di packaging (test A / B, ecc.) In cui offrono prodotti diversi in "fasci" diversi o scontano vari abbinamenti di articoli
- Liste dei desideri - cosa c'è su di loro appositamente per te - e in generale può essere trattata in modo simile a un altro flusso di dati di analisi del paniere
- Siti di riferimento (l'identificazione del luogo di provenienza può suggerire altri elementi di interesse)
- Tempi di permanenza (quanto tempo prima di fare clic indietro e scegliere un altro elemento)
- Valutazioni da te o da quelli nel tuo social network / cerchie di acquisto - se valuti le cose che ti piacciono ottieni più di quello che ti piace e se confermi con il pulsante "lo possiedo già" creano un profilo molto completo di te
- Informazioni demografiche (indirizzo di spedizione, ecc.): Sanno cosa è popolare nella tua zona generale per i tuoi figli, te stesso, il tuo coniuge, ecc.
- segmentazione utente = hai comprato 3 libri in mesi separati per un bambino? probabilmente avere un figlio o più .. ecc.
- Dati click-through marketing diretto: hai ricevuto un'email da loro e fai clic? Sanno quale email era e cosa hai cliccato e se l'hai acquistata di conseguenza.
- Percorsi di clic in sessione: cosa hai visualizzato indipendentemente dal fatto che sia stato inserito nel carrello
- Numero di volte in cui un articolo è stato visualizzato prima dell'acquisto finale
- Se hai a che fare con un negozio di mattoni e malta potrebbero avere anche la cronologia degli acquisti fisici da cui partire (ad es. Giocattoli o qualcosa che è online e anche un negozio fisico)
- ecc. ecc. ecc.
Fortunatamente le persone si comportano allo stesso modo in modo aggregato, quindi più conoscono la popolazione acquirente in generale, meglio sanno cosa venderanno e non venderanno e con ogni transazione e ogni valutazione / lista dei desideri aggiungi / naviga sanno come personalizzare più personalmente le raccomandazioni. Tieni presente che questo è probabilmente solo un piccolo esempio della serie completa di influenze di ciò che finisce nelle raccomandazioni, ecc.
Ora non ho alcuna conoscenza interna di come Amazon fa affari (non ho mai lavorato lì) e tutto ciò che sto facendo è parlare di approcci classici al problema del commercio online: ero il PM che lavorava sul data mining e sull'analisi per Microsoft prodotto chiamato Commerce Server. Abbiamo spedito a Commerce Server gli strumenti che consentivano alle persone di costruire siti con funzionalità simili .... ma maggiore è il volume delle vendite, migliori sono i dati, migliore è il modello - e Amazon è GRANDE. Posso solo immaginare quanto sia divertente giocare con i modelli con così tanti dati in un sito orientato al commercio. Ora molti di questi algoritmi (come il predittore iniziato nel server di commercio) sono passati a vivere direttamente in Microsoft SQL .
I quattro grandi modi che dovresti avere sono:
- Amazon (o qualsiasi rivenditore) sta esaminando i dati aggregati per tonnellate di transazioni e tonnellate di persone ... questo consente loro anche di raccomandare abbastanza bene agli utenti anonimi sul loro sito.
- Amazon (o qualsiasi rivenditore specializzato) sta monitorando il comportamento e gli acquisti di chiunque abbia effettuato l'accesso e lo utilizzi per perfezionare ulteriormente i dati aggregati di massa.
- Spesso c'è un modo per superare i dati accumulati e assumere il controllo "editoriale" dei suggerimenti per i product manager di linee specifiche (come una persona che possiede la verticale delle "fotocamere digitali" o verticale "simili" o simili) sono esperti
- Esistono spesso offerte promozionali (ad es. Sony o Panasonic o Nikon o Canon o Sprint o Verizon pagano denaro aggiuntivo al rivenditore o offrono uno sconto migliore a quantità maggiori o altre cose in quelle righe) che causano il sorgere di alcuni "suggerimenti" il più spesso degli altri - c'è sempre una logica aziendale ragionevole e ragioni commerciali dietro questo mirato a fare di più su ogni transazione o ridurre i costi all'ingrosso, ecc.
In termini di effettiva attuazione? Quasi tutti i grandi sistemi online si riducono a una serie di condutture (o un'implementazione del modello di filtro o un flusso di lavoro, ecc. Lo chiami come vuoi) che consente di valutare un contesto da una serie di moduli che applicano una qualche forma di logica di business.
In genere una pipeline diversa verrebbe associata a ciascuna attività separata nella pagina: potresti averne una che consiglia "pacchetti / upsell" (ad es. Acquista questo con l'oggetto che stai guardando) e uno che fa "alternative" (es. Acquista questo invece della cosa che stai guardando) e un altro che estrae gli articoli più strettamente correlati dalla tua lista dei desideri (per categoria di prodotto o simili).
I risultati di queste pipeline possono essere posizionati su varie parti della pagina (sopra la barra di scorrimento, sotto lo scorrimento, a sinistra, a destra, caratteri diversi, immagini di dimensioni diverse, ecc.) E testati per vedere quali migliore. Dato che stai usando dei moduli facili da collegare e riprodurre che definiscono la logica di business per queste pipeline, finisci con l'equivalente morale dei blocchi lego che rendono facile scegliere e scegliere dalla logica di business che vuoi applicare quando costruisci un'altra pipeline che consente un'innovazione più rapida, più sperimentazione e, alla fine, maggiori profitti.
Ti è stato di aiuto? Spero che ti dia un po 'di informazioni su come funziona in generale per qualsiasi sito di e-commerce, non solo per Amazon. Amazon (dal parlare con gli amici che hanno lavorato lì) è molto guidato dai dati e misura continuamente l'efficacia della sua esperienza utente e il prezzo, la promozione, l'imballaggio, ecc. - Sono un rivenditore online molto sofisticato e sono probabilmente all'avanguardia di molti algoritmi che usano per ottimizzare il profitto - e quelli sono probabilmente segreti proprietari (sai come la formula delle spezie segrete di KFC) e difesi come tali.