ارزش توصیه‌های شخصی شده برای شغل شما

رونق تجارت الکترونیکی باعث می شود تا محیط آنلاین رقابتی تر شود. فروشندگان اینترنت به دنبال مزیت های رقابتی هستند و ایجاد تجربه پیشنهادات شخصی سازی شده برای مشتریان خود یکی از آنهاست. برای دستیابی به تجربه واقعاً شخصی سازی پیشنهادات، فرد باید افراد خاص را بشناسد و عادات آنها را بیاموزد. با افزایش تعداد موارد، تعداد روزافزون کاربران و تغییر محیط، نمی توان تجربه شخصی سازی دستی را برای کاربران ایجاد کرد. از سیستم های توصیه گر می توان برای شخصی سازی محتوای وب سایت ها برای هر بازدید کننده به صورت جداگانه استفاده کرد. کانال های دیگر مانند خبرنامه نامه الکترونیکی یا اطلاعیه های تلفن همراه نیز قابل شخصی سازی هستند. فعل و انفعالات کاربر از چندین کانال، مواد اولیه سیستم توصیه گر را فراهم می کند، دقت توصیه ها را افزایش می دهد و تجربه شخصی شده کاربران را بهبود می بخشد. بسیاری از شرکتهای بزرگ ارزش توصیه های شخصی سازی شده را درک کرده اند و تیم علمی تخصصی داده بزرگی را برای توسعه و نگهداری موتورهای توصیه کننده خود استخدام می کردند. قبل از تصمیم به ساخت و نگهداری موتور توصیهگر داخلی خود ، باید هزینه ها و مزایای چنین تصمیمی را در نظر بگیرید.

هزینه های داشتن یک سیستم توصیه گر داده ها برای توصیه های خوب بسیار مهم هستند. شما باید از پروفایل کاربران خود و ویژگی های محصولات خود شروع کنید. می توانید با بازدید کنندگان ناشناس وب سایت خود شروع کرده و تعامل آنها را ذخیره نمایید. پس از یادگیری هویت آنها ، باید پروفایل ها را در همه کانال های خود ادغام کنید. با ارزش ترین داده ها برای توصیه، تاریخچه کاربران و تعامل آنها با محصولات شماست. برای موارد جدید، شما باید حداقل برخی از خصوصیات را جهت بهبود توصیه ارائه دهید. ذخیره و نگهداری از چنین داده هایی ارزان نیست، اما می توانید از بسیاری روش های دیگر استفاده کنید (مانند تجزیه و تحلیل RFM برای مشتریان).(لینک بشه به مقاله RFM)در صورتیکه تصمیم به تولید سیستم توصیه گر داخل سازمان خود را دارید حداقل به یک تیم متشکل از دو نفر دانشمند داده ، که بتوانند نمونه هایی را تهیه کنند، یک تا دو نفر برنامه نویسی که کد را تولید کنند و حداقل دو مهندس آماده سازی و نگهداری زیرساخت ها را دارند. مرحله توسعه به طور معمول 2-3 سال طول می کشد و بسته به هزینه کارمندان و منابع سخت افزاری شما حدود 1.5 میلیون دلار هزینه دارد. بعد از تولید نیاز به نگهداری متخصصان به منظور توسعه بدون در نظر گرفتن دانشمندان داده هایی که ارزان نیستند ، البته داستان بعد از تولید تمام نشده و شما برای حفظ کیفیت الگوریتم ها و بهبود سیستم نیز به آنها نیاز دارید. شما می توانید با استفاده از سیستم های توصیه گر موجود، بیشتر این هزینه ها را ریالی و زمانی پس انداز کنید.

مزایای سیستم های توصیه گر اجازه دهید از مزایای عمومی سیستم های توصیه گر شروع کنیم. با استفاده از سیستم توصیه گر، میتوانید بینش تازه ای نسبتا به محصولا و مشتریان خود پیدا نمایید.پروفایل کاربران بر اساس سابقه فعالیت آنها در گذشته شکل گرفته و یاعث میشود که بتوان تحلیل های قدرتمندی را دریافت کرد. در هر لحظه تصمیمات هوشمندانه ای در سیستم های توصیه گر گرفته می شوند. توصیه های تولید شده معمولاً زمان لازم برای یافتن یک محصول را کاهش می دهند و احتمال پیدا کردن سایر محصولات مورد علاقه کاربر را به میزان قابل توجهی افزایش می دهد. نتیجه این سیستم ها افزایش وفاداری و رضایت کاربران از خدمات وب سایت شما خواهد بود. به طور معمول، کاربران با محصولات بیشتری در تعامل خواهند بود که این رفتار منجر به افزایش مصرف و سود بیشتر می گردد. همچنین خبرنامه ها، محتوای تبلیغاتی شخصی شده و اعلان های صفحات (push notifications)، کاربران را ترغیب به بازگشت کرده، تعداد دفعات بازدید توسط کاربران عادی را افزایش داده و باعث افزایش ماندگاری بیشتر کاربران در سایت می گردند.. ما برای ارزیابی و به حداکثر رساندن ارزش تجاری توصیه های شخصی سازی شده با مشتریان و مشتریان بالقوه خود کار می کنیم. با این حال، این اصلا کار ساده ای نیست زیرا شرکت ها اهداف و دورنماهای متفاوتی را دنبال می کنند. بسیاری از شرکت ها به طور مرتب شاخص های کلیدی عملکرد (KPI) خود را تعریف می کنند و تاثیر توصیه های ارائه شده را ارزیابی می کنند. این ارزیابی سپس با AB test انجام می شود ، به طوری که ب ه کاربران گروه A توصیه های شخصی سازی شده داده می شود در حالی که کابران گروه B توصیه های استاندارد یا پرفروش را دریافت می کند.

تجارت الکترونیکی دامنه ای است که در آن مزایا به راحتی قابل ارزیابی است. اندازه گیری درآمد حاصل از توصیه های شخصی می تواند به سادگی بر اساس محصولات خریداری شده که کمتر از چند دقیقه قبل توصیه شده اند محقق شود.


منتشر شده در تاریخ June 29, 2020, 12:06 p.m.