C'est à la fois un art et une science. Les domaines d'étude typiques tournent autour de l'analyse du panier de marché (également appelée analyse d'affinité) qui est un sous-ensemble du domaine de l'exploration de données. Les composants typiques d'un tel système comprennent l'identification des éléments principaux du pilote et l'identification des éléments d'affinité (vente incitative d'accessoires, vente croisée).
Gardez à l'esprit les sources de données qu'ils doivent exploiter ...
- Caddies achetés = argent réel de personnes réelles dépensé sur de vrais articles = données puissantes et beaucoup.
- Articles ajoutés aux paniers mais abandonnés.
- Expériences de tarification en ligne (tests A / B, etc.) où ils proposent les mêmes produits à des prix différents et voient les résultats
- Expériences d'emballage (tests A / B, etc.) où ils proposent différents produits dans différents «lots» ou remettent diverses paires d'articles
- Listes de souhaits - ce qui y est spécifiquement pour vous - et dans l'ensemble, elles peuvent être traitées de la même manière qu'un autre flux de données d'analyse de panier
- Sites de référence (l'identification de l'endroit d'où vous êtes venu peut suggérer d'autres éléments d'intérêt)
- Temps d'attente (combien de temps avant de cliquer et de choisir un autre élément)
- Évaluations par vous ou par ceux de votre réseau social / cercles d'achat - si vous évaluez des choses que vous aimez, vous obtenez plus de ce que vous aimez et si vous confirmez avec le bouton "Je le possède déjà", ils créent un profil très complet de vous
- Informations démographiques (votre adresse de livraison, etc.) - ils savent ce qui est populaire dans votre région en général pour vos enfants, vous-même, votre conjoint, etc.
- segmentation des utilisateurs = avez-vous acheté 3 livres en plusieurs mois pour un enfant en bas âge? probablement avoir un enfant ou plus .. etc.
- Marketing direct cliquez sur les données - avez-vous reçu un e-mail de leur part et avez-vous cliqué dessus? Ils savent de quel e-mail il s'agissait, sur quoi vous avez cliqué et si vous l'avez acheté en conséquence.
- Cliquez sur les chemins dans la session - qu'avez-vous vu, qu'il soit ou non dans votre panier
- Nombre de vues d'un article avant l'achat final
- Si vous faites affaire avec un magasin physique, ils peuvent également avoir votre historique d'achat physique (par exemple, jouets 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, donc plus ils en savent sur la population acheteuse dans son ensemble, mieux ils savent ce qui se vendra et ce qui ne se vendra pas et à chaque transaction et chaque note / liste de souhaits ajouter / parcourir, ils savent comment personnaliser plus personnellement les recommandations. Gardez à l'esprit qu'il ne s'agit probablement que d'un petit échantillon de l'ensemble complet des influences de ce qui aboutit à des recommandations, etc.
Maintenant, je n'ai aucune connaissance approfondie de la façon dont Amazon fait des affaires (jamais travaillé là-bas) et tout ce que je fais est de parler d'approches classiques du problème du commerce en ligne - j'étais le PM qui travaillait sur l'exploration de données et l'analyse pour Microsoft. produit appelé Commerce Server. Nous avons fourni dans Commerce Server les outils qui permettaient aux gens de créer des sites avec des capacités similaires ... mais plus le volume des ventes est important, meilleures sont les données, meilleur est le modèle - et Amazon est GRAND. Je ne peux qu'imaginer à quel point il est amusant de jouer avec des modèles avec autant de données dans un site axé sur le commerce. Maintenant, beaucoup de ces algorithmes (comme le prédicteur qui a commencé dans le serveur de commerce) ont évolué pour vivre directement dans Microsoft SQL .
Les quatre grands conseils que vous devriez avoir sont:
- Amazon (ou n'importe quel détaillant) recherche des données agrégées pour des tonnes de transactions et des tonnes de personnes ... cela leur permet même de recommander assez bien pour les utilisateurs anonymes sur leur site.
- Amazon (ou tout autre détaillant sophistiqué) suit le comportement et les achats de toute personne connectée et l'utilise pour affiner davantage les données agrégées de masse.
- Il existe souvent un moyen de surpasser les données accumulées et de prendre le contrôle "éditorial" des suggestions pour les chefs de produit de lignes spécifiques (comme une personne qui possède le vertical "appareils photo numériques" ou le vertical "romans d'amour" ou similaire) là où ils sont vraiment sont des experts
- Il y a souvent des offres promotionnelles (par exemple, Sony ou Panasonic ou Nikon ou Canon ou Sprint ou Verizon verse de l'argent supplémentaire au détaillant, ou offre une meilleure remise pour des quantités plus importantes ou d'autres choses dans ces lignes) qui entraîneront certaines "suggestions" haut plus souvent que d'autres - il y a toujours une logique commerciale raisonnable et une raison commerciale derrière cela visant à faire plus sur chaque transaction ou à réduire les coûts de gros, etc.
En termes de mise en œuvre réelle? Presque tous les grands systèmes en ligne se résument à un ensemble de pipelines (ou une implémentation de modèle de filtre ou un flux de travail, etc. vous l'appelez comme vous voulez) qui permettent à un contexte d'être évalué par une série de modules qui appliquent une certaine forme de logique métier.
En règle générale, un pipeline différent serait associé à chaque tâche distincte sur la page - vous pourriez en avoir un qui fait des "packages / ventes incitatives" recommandés (c.-à-d. Achetez-le avec l'article que vous regardez) et un qui fait des "alternatives" (c.-à-d. Acheter ceci au lieu de ce que vous regardez) et un autre qui extrait les articles les plus étroitement liés de votre liste de souhaits (par catégorie de produit ou similaire).
Les résultats de ces pipelines peuvent être placés sur différentes parties de la page (au-dessus de la barre de défilement, sous le défilement, à gauche, à droite, différentes polices, images de tailles différentes, etc.) et testés pour voir lesquels fonctionnent meilleur. Étant donné que vous utilisez de jolis modules faciles à brancher et jouer qui définissent la logique métier de ces pipelines, vous vous retrouvez avec l'équivalent moral des blocs lego qui facilitent la sélection et le choix de la logique métier que vous souhaitez appliquer lorsque vous créez un autre pipeline. ce qui permet une innovation plus rapide, plus d'expérimentation et, au final, des profits plus élevés.
Cela vous a-t-il aidé du tout? J'espère que cela vous donnera un petit aperçu de la façon dont cela fonctionne en général pour à peu près n'importe quel site de commerce électronique - pas seulement Amazon. Amazon (en parlant à des amis qui y ont travaillé) est très axé sur les données et mesure en permanence l'efficacité de son expérience utilisateur et la tarification, la promotion, l'emballage, etc. - ils sont un détaillant en ligne très sophistiqué et sont probablement à la pointe de la technologie. beaucoup d'algorithmes qu'ils utilisent pour optimiser les profits - et ce sont probablement des secrets de propriété (vous savez comme la formule des épices secrètes de KFC) et gardés comme tels.