发布于: Jan 29, 2022

使用统计方法生成规模化推荐

传统上,乐天玛特会使用客户资料中的销售历史与用户偏好,以发放优惠券的形式推动有针对性的产品推荐。这种方法在正确设置复购频率、用户喜爱品牌等条件的情况下是有效的。然而,这并不足以针对每一位购物者提供个性化推荐,而且仅仅适用于以往曾经购买过的产品。在向顾客推荐新产品时,优惠券的使用率可以体现用户对推荐内容的兴趣度,而实际结果是新产品的购买率非常低。

此外,建立并维护这种基于统计学的针对性营销引擎不仅极度耗时,而且会浪费掉大量宝贵的大数据工程团队资源。整个流程要求工程团队手动计算每种产品的购买周期,并估计优惠券的影响程度,并将这一切与相关产品的具体情况进行关联分析。

尽管付出了不少时间和精力,但其性能仍未能达到运营期望。对乐天玛特来说,最重要的指标就是优惠券浏览量、使用量、重复购买率以及使用个性化优惠券的具体比例。而比例的增加,则表示当前优惠券确实发掘出了客户的隐藏需求。基于以上种种原因,乐天玛特决定开始探索Amazon Personalize方案。

下图所示为乐天玛特之前基于统计规则生成推荐的架构。
通过量身定制的推荐,改善客户体验

借助 Amazon Personalize,乐天玛特可以经济高效地推荐那些难以通过传统方法宣传推广的新产品。以此为基础,优惠券命中率(即促销优惠券的使用率)有所增加,月度销售额也开始显著攀升。

这一切也很快转化为实际价值。与以往的方法相比,Amazon Personalize 消除了繁琐而复杂的数据手动分析需求,同时将开发时间缩短达 50%。乐天玛特只需要提供预定义的交互用户商品数据集。与以往的方法相比,工程团队只需一半的时间即可生成更准确的预测结果。

当然,节约时间只是 Amazon Personalize 成就卓越解决方案的指标之一。乐天玛特还希望客户能够更频繁地关注并购买新产品,同时不对最佳客户体验造成影响。Amazon Personalize 提供易于使用的不同数据集 schema,借此降低操作难度。随着试验的推进, schema 也可进行更新,例如通过增加或替换一些特征以提高优惠券的整体响应率。在完成数据准备之后,乐天玛特开始着手测试各种算法。

最后,Amazon Personalize 开始为每位客户提供个性化推荐,而不再僵化向所有人发布相同的规则性建议。整个流程不仅在时耗上有所优化,同时也使工程团队不必管理并维护自定义模型,由此极大提高了生产效率。

相关文章