¿Cómo funciona la función de recomendación de Amazon?

Es tanto un arte como una ciencia. Los campos de estudio típicos giran en torno al análisis de la cesta de mercado (también llamado análisis de afinidad), que es un subconjunto del campo de la minería de datos. Los componentes típicos de un sistema de este tipo incluyen la identificación de los elementos principales del controlador y la identificación de los elementos de afinidad (venta adicional de accesorios, venta cruzada).

Tenga en cuenta las fuentes de datos que tienen que extraer...

1. Carritos de compras comprados = dinero real de personas reales gastado en artículos reales = datos poderosos y mucho de ellos.
2. Objetos añadidos a los carritos pero abandonados.
3. Experimentos de precios en línea (pruebas A/B, etc.) donde ofrecen los mismos productos a precios diferentes y ver los resultados
4. Experimentos de embalaje (pruebas A / B, etc.) donde ofrecen diferentes productos en diferentes" paquetes " o descuento varios emparejamientos de artículos
5. Listas de deseos-lo que hay en ellas específicamente para usted-y en conjunto se puede tratar de manera similar a otro flujo de datos de análisis de cesta
6. Sitios de referencia (la identificación de dónde vino puede sugerir otros elementos de interés)
7. Tiempos de permanencia (cuánto tiempo antes de hacer clic atrás y elegir un elemento diferente)
8. Calificaciones por ti o por aquellos en tu red social/círculos de compra - si calificas cosas que te gustan obtienes más de lo que te gusta y si confirmas con el botón "ya lo poseo" crean un perfil muy completo de ti
9. Información demográfica (su dirección de envío, sucesivamente.)- saben lo que es popular en su área general para sus hijos, usted mismo,su cónyuge, etc.
10. segmentación de usuarios = ¿compró 3 libros en meses separados para un niño pequeño? probablemente tenga un hijo o más.. sucesivamente.
11. Marketing directo haga clic en los datos: ¿recibió un correo electrónico de ellos y hizo clic? Saben en qué correo electrónico fue y en qué hizo clic y si lo compró como resultado.
12. Rutas de clic en la sesión : ¿ qué vio independientemente de si fue en su carrito
13. Número de veces que se ha visto un artículo antes de la compra final
14. Si se trata de una tienda física, es posible que también tengan su historial de compras físico (es decir, toys r us o algo que esté en línea y también una tienda física)
15. etc. sucesivamente. sucesivamente.

Afortunadamente las personas se comportan de manera similar en conjunto, por lo que cuanto más sepan sobre la población compradora en general, mejor sabrán lo que venderá y no venderá y con cada transacción y cada calificación/lista de deseos agregar / navegar saben cómo personalizar más personalmente las recomendaciones. Tenga en cuenta que esto es probablemente solo una pequeña muestra del conjunto completo de influencias de lo que termina en recomendaciones, etc.

Ahora no tengo conocimiento interno de cómo Amazon hace negocios (nunca trabajó allí) y todo lo que estoy haciendo es hablar de enfoques clásicos para el problema del comercio en línea: solía ser el primer ministro que trabajó en minería de datos y análisis para el producto de Microsoft llamado Servidor de Comercio. Enviamos en Commerce Server las herramientas que permitían a las personas construir sitios con capacidades similares.... pero cuanto mayor es el volumen de ventas, mejores son los datos, mejor es el modelo , y Amazon es GRANDE. Solo puedo imaginar lo divertido que es jugar con modelos con tantos datos en un sitio impulsado por el comercio. Ahora muchos de esos algoritmos (como el predictor que comenzó en commerce server) han pasado a vivir directamente dentro de Microsoft SQL.

Los cuatro grandes maneras de tomar que usted debe tener son:

1. Amazon (o cualquier minorista) está buscando datos agregados para toneladas de transacciones y toneladas de personas... esto les permite incluso recomendar bastante bien para usuarios anónimos en su sitio.
2. Amazon (o cualquier minorista sofisticado) realiza un seguimiento del comportamiento y las compras de cualquier persona que haya iniciado sesión y lo utiliza para refinar aún más los datos agregados masivos.
3. A menudo hay un medio de sobrepasar el acumulado datos y tomar el control "editorial" de sugerencias para gerentes de producto de líneas específicas (como alguna persona que posee la vertical de 'cámaras digitales' o la vertical de 'novelas románticas' o similares) donde realmente son expertos
4. A menudo hay ofertas promocionales (es decir, sony o panasonic o nikon o canon o sprint o verizon paga dinero adicional al minorista, o da un mejor descuento en cantidades más grandes u otras cosas en esas líneas) que harán que ciertas" sugerencias " aumenten a la parte superior más a menudo que otros-siempre hay alguna lógica de negocio razonable y razón de negocio detrás de esto dirigido a hacer más en cada transacción o reducir los costos al por mayor,etc.

In terms of actual implementation? Casi todos los grandes sistemas en línea se reducen a un conjunto de tuberías (o una implementación de patrón de filtro o un flujo de trabajo, etc.). que permiten que un contexto sea evaluado por una serie de módulos que aplican alguna forma de lógica de negocios.

Normalmente se asociaría una canalización diferente con cada tarea separada en la página: es posible que tenga una que recomiende "paquetes/ventas adicionales" (es decir, compre esto con el artículo que está mirando) y una que haga "alternativas" (es decir, compre esto en lugar de lo que está mirando) y otra que extraiga los artículos más estrechamente relacionados de su lista de deseos (por categoría de producto o similar).

Los resultados de estas tuberías se pueden colocar en varios partes de la página (encima de la barra de desplazamiento, debajo del desplazamiento, a la izquierda, a la derecha, diferentes fuentes, imágenes de diferentes tamaños, etc.) y probado para ver cuál funciona mejor. Dado que está utilizando módulos fáciles de conectar y usar que definen la lógica de negocio para estas tuberías, termina con el equivalente moral de los bloques de lego que facilitan la selección y elección de la lógica de negocio que desea aplicar cuando construye otra tubería que permite una innovación más rápida, más experimentación y en al final mayores ganancias.

¿Eso ayudó en algo? Espero que te dé un poco de información sobre cómo funciona esto en general para casi cualquier sitio de comercio electrónico , no solo Amazon. Amazon (de hablar con amigos que han trabajado allí) está muy impulsado por los datos y mide continuamente la efectividad de su experiencia de usuario y los precios, la promoción, el embalaje, etc. - son un minorista muy sofisticado en línea y es probable que estén a la vanguardia de muchos de los algoritmos que utilizan para optimizar el beneficio-y esos son probablemente secretos de propiedad (ya sabes, como la fórmula de las especias secretas de KFC) y guaarded como tal.