Il est à la fois un art et une science. Typique des domaines d'études s'articulent autour de l'analyse du panier d'achat (également appelée affinité analyse) qui est un sous-ensemble du champ de l'exploration de données. Les composants typiques dans un tel système d'identification du conducteur principal des éléments et de l'identification de l'affinité des éléments (accessoires de montée en gamme, cross sell).
Gardez à l'esprit les sources de données qu'ils ont à la mienne...
- Acheté des caddies = de l'argent réel à partir de personnes réelles passé sur des éléments réels = données puissant et beaucoup de lui.
- Les éléments ajoutés à des charrettes, mais abandonné.
- Des expériences de tarification en ligne (A/B testing, etc.) où ils offrent les mêmes produits à des prix différents et de voir les résultats
- L'emballage des expériences (A/B testing, etc.) où ils offrent des produits différents dans différents "paquets" ou d'actualisation différents couples d'éléments
- Idées de cadeaux - ce qui est précisément pour vous - et dans l'ensemble il peut être traité de la même manière à un autre flux de données de l'analyse du panier
- Sites de référence (identification d'où vous est venue de peut soupçon autres points d'intérêt)
- Le temps de séjour (combien de temps avant que vous cliquez sur et sélectionnez un autre élément)
- Les cotes par vous ou les personnes de votre réseau social à acheter et/ou cercles - si-vous des choses que vous aimez que vous obtenez plus de ce que vous voulez, et si vous confirmez avec le "j'ai déjà des" bouton-ils créer un profil complet de vous
- Des informations démographiques (votre adresse de livraison, etc.) - ils savent ce qui est populaire dans votre quartier pour vos enfants, vous-même, votre conjoint, etc.
- l'utilisateur segmentation = avez-vous acheté 3 livres dans différents mois pour un tout-petit? de chances d'avoir un enfant ou plus.. etc.
- Le marketing Direct cliquez sur par le biais des données - avez-vous reçu un mail de leur part et cliquez sur par le biais de? Ils savent par courriel, qui il était et ce que vous avez cliqué sur et si vous l'avez acheté.
- Cliquez sur les chemins de session - qu'avez-vous vue, indépendamment de savoir si il est allé dans votre panier
- Nombre de fois vu un article avant de l'acheter
- Si vous faites affaire avec une brique et de mortier magasin, ils pourraient avoir des physiques de votre historique d'achat à aller hors de la ainsi (c'est à dire toys r us ou quelque chose qui est en ligne et aussi un magasin physique)
- etc. etc. etc.
Heureusement, les gens se comportent de la même manière dans l'ensemble de sorte que le plus qu'ils savent à propos de l'achat de la population dans son ensemble le mieux qu'ils savent ce qui va et ne se vendra pas et avec chaque transaction et chaque notation/liste d'envies ajouter/parcourir ils savent plus personnellement d'adapter les recommandations. Gardez à l'esprit ce n'est probablement qu'un petit échantillon de l'ensemble des influences de ce qui se retrouve dans les recommandations, etc.
Maintenant, je n'ai pas l'intérieur de la connaissance de la façon dont Amazon (n'a jamais travaillé), et tout ce que je suis en train de faire est de parler des approches classiques pour le problème du commerce en ligne - j'ai utilisé de la PM qui a travaillé sur l'exploration de données et de l'analytique pour le produit Microsoft appelle le Serveur de Commerce. Nous avons expédié dans microsoft Commerce Server les outils qui ont permis à des personnes de créer des sites avec des fonctionnalités similaires.... mais le plus grand que le volume de ventes le mieux les données le mieux le modèle d'Amazon est GRAND. Je peux seulement imaginer comment il est amusant de jouer avec des modèles avec une quantité de données dans un commerce site piloté par. Maintenant, beaucoup de ces algorithmes (comme le prédicteur qui a commencé dans le commerce server) ont déménagé à vivre directement dans Microsoft SQL.
Les quatre grandes une des façons que vous devriez avoir:
- Amazon (ou un distributeur) est à la recherche à des données agrégées pour des tonnes de transactions et des tonnes de gens... cela permet à même de recommander assez bien pour les utilisateurs anonymes sur leur site.
- Amazon (ou toute sophistiqué détaillant) est de garder la trace de comportement et d'achat de quelqu'un qui est connecté et en les utilisant pour affiner sur le dessus de la masse de données agrégées.
- Souvent, il ya un moyen de cours d'équitation le cumul des données et la prise de "éditorial" contrôle de suggestions pour les chefs de produit de lignes spécifiques (comme une certaine personne qui est propriétaire de la 'appareils photo numériques' vertical ou les "romans d'amour" vertical ou similaire) où ils sont de véritables experts
- Il y a souvent des offres de promotion (c'est à dire sony ou panasonic ou nikon ou canon ou sprint ou verizon paie de l'argent pour le détaillant, ou donne une meilleure réduction à de plus grandes quantités ou d'autres choses dans ces lignes) qui sera la cause de certains des "suggestions" pour atteindre le sommet plus souvent que les autres - il y a toujours quelques raisonnable des affaires et la logique de la raison derrière cette ciblées à faire de plus sur chaque transaction ou de réduire les coûts de gros, etc.
En termes de mise en œuvre effective? Juste au sujet de tous les grands systèmes en ligne se résument à un ensemble de canalisations (ou un modèle de filtre de mise en œuvre ou d'un flux de travail, etc. vous appelez ça comme vous voulez) qui permettent un contexte pour être évalué par une série de modules qui s'appliquent à une certaine forme de logique d'entreprise.
Typiquement, un autre pipeline serait associé à chaque tâche distincte sur la page - vous pouvez en avoir un qui n'a recommandé de "packages/mises à jour" (c'est à dire acheter des ce avec l'article que vous êtes en train de regarder) et qui n' "alternatives" (c'est à dire acheter ce au lieu de la chose que vous êtes en train de regarder) et un autre qui tire les articles les plus étroitement liées l'une à partir de votre liste de souhaits (par catégorie de produits ou similaire).
Les résultats de ces pipelines sont en mesure d'être placé sur les différentes parties de la page (au-dessus de la barre de défilement, en dessous de la faire défiler, sur la gauche, sur la droite, les différentes polices de caractères, la taille différente des images, etc.) et testé pour voir lesquelles fonctionnent le mieux. Depuis que vous utilisez agréable facile à brancher et jouer à des modules qui définissent la logique métier pour ces pipelines de vous retrouver avec l'équivalent moral de blocs de lego qui font qu'il est facile de sélectionner à partir de la logique d'entreprise que vous souhaitez appliquer lorsque vous construire un nouveau pipeline qui permet à une innovation plus rapide, plus l'expérimentation, et à la fin des profits plus élevés.
N'a que peu d'aide? Espérons que vous donner un peu d'un aperçu de la façon dont cela fonctionne, en général, à peu près n'importe quel site d'e-commerce - pas seulement Amazon. Amazon (en parlant à des amis qui y ont travaillé) est très piloté par les données et de mesure en continu de l'efficacité de l'expérience utilisateur et la tarification, la promotion, l'emballage, etc. - ils sont très sophistiqués détaillant en ligne et sont susceptibles d'être à la pointe de beaucoup d'algorithmes qu'ils utilisent pour optimiser le profit et ceux qui sont susceptibles de secrets commerciaux (vous savez, comme la formule de KFC secrète d'épices) et guaarded en tant que tel.
