Seuraava artikkeli auttaa sinua: Hakusijoituksen tehon vapauttaminen verkkokauppasivustoilla Data Sciencen avulla
Hakusijoitus on kaikkien verkkokauppasivustojen selkäranka. Se on suoraan sidottu tuotteiden näkyvyyteen ja saavutettavuuteen ja sitä kautta myös myyntiin. Mutta kuten opimme, hienovaraisuutta voi olla enemmän.
Analytics India -lehti tapasi Tredencen tietotieteen johtajan Kavitha Krishnanin ymmärtääkseen, kuinka uudet tekoälyalgoritmit voivat parantaa hakukokemusta ja hyvän hakusijoituksen tehokkuutta.
TAVOITE: Mitä haasteita verkkokauppasivustot kohtaavat haussa ja miten ne voivat voittaa tällaiset haasteet?
Kavitha: Hakusyklissä on 2 päähaastetta.
(a) Luodaan kyselyn kannalta osuvimmat hakutulokset
(b) Päättää näiden tulosten sijoituksen/lajittelun.
Vaikka ensimmäiseen haasteeseen kiinnitetään yleensä paljon huomiota, toisen haasteen ratkaisemisen tärkeyttä ei pidä unohtaa.
Tehokkaat hakusijoitusalgoritmit ovat ratkaisevan tärkeitä tuotteiden näkyvyyden ja saavutettavuuden maksimoimiseksi potentiaalisille asiakkaille, mikä puolestaan voi lisätä oston todennäköisyyttä ja parantaa käyttäjien tyytyväisyyttä. Mitä tulee verkkokauppasivustoihin, avainkysymys on, miten tuotteet sijoitetaan hakutulossivulla tavalla, joka täyttää useita tavoitteita, mukaan lukien osuvuuden ja ostotodennäköisyyden maksimoiminen. Tasapainon saavuttaminen näiden tavoitteiden välillä voi olla monimutkainen tehtävä, joka vaatii AI/ML-tekniikoiden hyödyntämistä.
Esimerkiksi kun asiakas hakee välipaloja verkkokauppasivustolta, verkkosivusto voi näyttää satoja välipalatuotteita. Jos sopivimpia tuotteita ei kuitenkaan näytetä näkyvästi, verkkosivusto voi jäädä paitsi mahdollisesta myynnistä. On tärkeää tasapainottaa useita kilpailevia tavoitteita optimaalisen asiakaskokemuksen ja korkeamman myynnin/katteen varmistamiseksi. Jos verkkosivustolla näytetään jatkuvasti esimerkiksi vain kalliimpia tuotteita, se voi pelotella asiakkaita ja vaikuttaa negatiivisesti myyntiin. Oikean tasapainon löytäminen on tärkeää.
TAVOITE: Mitä erilaisia lähestymistapoja hakusijoituksen määrittämiseen on ja miten ne toimivat?
Kavitha: Kehitä järjestelmä tuotteiden tieteellistä lajittelua varten hakutulossivulla optimoidaksesi “Relevanssi”, “Lisää ostoskoriin hinnat”, “Bruttomarginaali dollarit” jne. Useiden tavoitteiden tasapainottaminen on sijoituksen päätavoite.
Sopivimmat algoritmit tähän käyttötapaukseen ovat ‘Learning to Rank’ ja ‘Multi-Objective Ranking Optimation’ -järjestelmät.
Järjestelmien luokittelun oppiminen käyttää koneoppimista ymmärtämään käyttäytymismalleja ja luomaan arvoja ominaisuuksien, kuten tuotekuvausten, arvostelujen, arvioiden ja varaston, yhdistelmän perusteella. Näiden ominaisuuksien painoarvoja voidaan säätää liiketoimintatavoitteiden ja prioriteettien perusteella tai jättää mallin viritettäväksi ja opittavaksi. Tämä algoritmi ottaa huomioon osuvuuden ja liiketoiminnan rajoitteiden moniulotteisuuden, mikä tekee siitä sopivan relevanssisijoitusmallien rakentamiseen tuotannossa. Sijoitusmallit toimivat yleensä ennustamalla osuvuuspisteet syöteominaisuusjoukolle, joka sisältää hakutermin sekä luettelon tuotteista ja niiden ominaisuuksista. Ja lajittelemme nämä tuotteet luotujen osuvuuspisteiden mukaan sijoituksen määrittämiseksi.
Multi-Objective Ranking Optimization on tehtävä oppia sijoitusmalli koulutusesimerkeistä samalla, kun optimoidaan useita tavoitteita samanaikaisesti. Tällä järjestelmällä, joka tunnetaan myös nimellä MORO, voidaan luoda lista, joka täyttää kaikki liiketoiminnan vaatimukset. Sekä Learning to Rank- että Multi-Objective-järjestelmät voidaan helposti sisällyttää minkä tahansa jälleenmyyjän hakukoneisiin yleisen käyttökokemuksen parantamiseksi ja maksimaalisen voiton saamiseksi.
TAVOITE: Miten nämä hakusijoitusalgoritmit ottavat mielestäsi huomioon tekijät, kuten tuotteen merkityksen, suosion tai kannattavuuden?
Kavitha: Kun verkkosivustot luokittelevat tuotteitaan, niiden on otettava huomioon eri näkökohdat, kuten osuvuus, suosio ja kannattavuus.
Näistä osuvuus on äärimmäisen tärkeä, sillä se varmistaa, että näytettävä tuote vastaa käyttäjän hakulauseketta. Jos käyttäjä esimerkiksi tekee haun “luomuporkkanat”, verkkosivuston pitäisi näyttää osuvia tuloksia, kuten luomuporkkanat, ennen kuin tavallinen porkkana tai porkkana porkkana. Algoritmi tarkastelee useita näkökohtia, kuten avainsanatiheyttä, otsikkotunnisteita, metakuvauksia ja sisällön laatua luodakseen tämän osuvuuden. Hakutermin ja tuotetermien upotusten käyttäminen auttaa luomaan oikean osuvuuden.
Suosio määräytyy aiemmin tehtyjen katselukertojen tai ostosten sekä asiakkaiden arvioiden ja arvioiden perusteella. Kun käyttäjä esimerkiksi etsii hotelleja varaussivustolta, verkkosivusto näyttää luettelon suosituista hotelleista asiakkaiden arvostelujen ja arvioiden perusteella. Samoin tuotteille, joilla on korkeampi sitoutuneisuus ja asiakasarvostelut, pitäisi saada lisäpotkua.
Kannattavuustekijä tulee ottaa huomioon toisena näkökohtana. Keskittyminen vain tuotteiden merkityksellisyyteen ja suosioon voi tuottaa paremman asiakaskokemuksen, mutta voi johtaa riittämättömiin voittoihin ja epäonnistumiseen liiketoimintatavoitteiden saavuttamisessa. Tuotteiden sijoitusta määritettäessä on tärkeää ottaa huomioon hinnoittelu ja voittomarginaalit.
Web-sivustojen on sisällytettävä kaikki nämä tekijät hakutulosluettelon luovaan sijoitusalgoritmiin, erityisesti korostaen muutamaa ylintä tuoteriviä optimoidun hakuruudukon saavuttamiseksi.
TAVOITE: Millä indikaattoreilla verkkokauppayritykset voivat arvioida hakusijoitusalgoritmien suorituskykyä tai tehokkuutta?
Kavitha: Tärkein tapa arvioida hakusijoitusten suorituskykyä ja tehokkuutta on käyttää A/B-testausta. A/B vertaa kahta verkkosivun versiota määrittääkseen, kumpi toimii paremmin. Käyttäjät jaetaan satunnaisesti kahteen ryhmään ja heille näytetään eri versioita. Toimita uusi hakusijoitus asiakkaan osajoukolle, kun taas muut näkevät edelleen olemassa olevan hakuruudukon. Tunnista liiketoiminnan kasvu ja napsauta näiden kahden ryhmän välisiä stream-mittareita, kuten Lisää ostoskoriin -prosentti, Sitoutumisprosentti, Poistumisprosentti ja Bruttokate. Tämän A/B-testauksen avulla voimme nähdä, kuinka hyvä hakusijoitusprosessimme on.
A/B-testauksen lisäksi on muitakin tapoja arvioida hakusijoitusten suorituskykyä ja tehokkuutta. Yksi keskeinen mittari on keskimääräinen hakutulossivulla vietetty aika. Hyvin optimoidun hakuruudukon pitäisi vähentää aikaa, jonka käyttäjät käyttävät oikean tuotteen etsimiseen. Analysoimalla näitä mittareita jälleenmyyjät voivat tunnistaa parannuskohteita ja tehdä tietoihin perustuvia päätöksiä optimoidakseen hakusijoitusalgoritmiaan. Lisäksi on tärkeää seurata ja arvioida hakumittareita säännöllisesti sen varmistamiseksi, että hakuruudukko toimii edelleen tehokkaasti ja täyttää liiketoimintatavoitteet.
TAVOITE: Miten AI/ML voi mielestäsi auttaa haun sijoituksissa? Miten tämä tekniikka kehittyy?
Kavitha: Keskitymme vastaamaan haasteeseen, joka liittyy “hakujen muuntamiseen myyntiin”, ja uskon vakaasti, että AI/ML:n hyödyntäminen on optimaalinen lähestymistapa tämän tavoitteen saavuttamiseen. AI/ML-algoritmit auttavat jälleenmyyjiä parantamaan hakukokemusta ja saavuttamaan tehokkaasti liiketoimintatavoitteensa tunnistamalla esteet, jotka estävät verkko-ostajien löytämästä etsimiään tuotteita ja tekemästä ostoksia.
Poikkeuksellisen hakukokemuksen tärkein ominaisuus on kyky tarjota jokaiselle käyttäjälle nopeasti osuvimmat tulokset. Haasteena on kuitenkin tämän tehtävän tehokas ja tyylikäs suorittaminen kulissien takana. Joten oikean algoritmin ja oikean toteutusstrategian valitseminen on avainasemassa. Pienilläkin parannuksilla osuvuusluokitusjärjestelmään voi olla kaksinkertainen vaikutus: miljoonien asiakkaiden ostokokemuksen parantaminen ja tulojen merkittävä kasvu.
Vaikka oppimisen rankaisemiseen (LTR) soveltamista verkkohaussa on tutkittu laajasti, sen hyödyntäminen E-Com-haussa on jäänyt suurelta osin tutkimatta. Oikeiden ominaisuuksien käyttö ja luotettavien asiaankuuluvien ominaisuuksien hankkiminen ja käyttäjien palautteen hyödyntäminen ominaisuuksina ovat edelleen alueita, jotka vaativat paljon Business + AI -taitoa.
Tavoitteenamme on tarjota oikea näkökulma ongelman ratkaisemiseen verkkokaupan käyttötapauksessa huolimatta siitä, että käytettävissä on erilaisia algoritmeja, jotka voivat ratkaista ongelman. Valitettavasti vain harvat jälleenmyyjät ovat toistaiseksi hyödyntäneet näitä järjestelmiä täysimääräisesti. Google ja Amazon ovat viime aikoina jopa ottaneet käyttöön uusia lähestymistapoja ranking-ongelman ratkaisemiseksi, mikä osoittaa, kuinka tärkeää vähittäiskauppiaiden on toimia. Siksi jälleenmyyjien on tartuttava tähän runsaaseen tilaisuuteen. Tehokkain tapa edetä on hyödyntää AI/ML:n potentiaalia käyttämällä uusimpia ja tehokkaimpia algoritmeja ja integroimalla ne verkkokaupan hakukoneeseesi.
