Поиск продукта

Поисковики продуктов — это информационные системы , которые помогают потребителям идентифицировать продукты среди большого количества похожих альтернативных продуктов. Поисковики продуктов различаются по сложности, наиболее сложные из них являются частным случаем систем поддержки принятия решений . Однако традиционные системы поддержки принятия решений нацелены на специализированные группы пользователей, например, менеджеров по маркетингу, тогда как поисковики продуктов фокусируются на потребителях.

Область применения

Обычно, поисковики продуктов являются частью интернет-магазина или онлайн-презентации линейки продуктов. Будучи частью интернет-магазина, поисковик продуктов в идеале приводит к онлайн-покупке, в то время как традиционные каналы дистрибуции задействованы в поисковиках продуктов, которые являются частью онлайн-презентации (например, магазины, заказ по телефону).

Поисковики продуктов лучше всего подходят для групп продуктов, отдельные продукты которых сопоставимы по определенным критериям. Это справедливо в большинстве случаев для технических продуктов, таких как ноутбуки : их характеристики (например, тактовая частота , размер жесткого диска , цена, размер экрана) могут повлиять на решение потребителя.

Помимо технических товаров, таких как ноутбуки, автомобили, посудомоечные машины, мобильные телефоны или GPS- устройства, поисковики могут также поддерживать нетехнические товары, такие как вино, носки, зубные щетки или ногти, поскольку происходит сравнение по характеристикам.

С другой стороны, применение поисковиков товаров ограничено, когда речь идет об индивидуализированных товарах, таких как книги, ювелирные изделия или компакт-диски, поскольку потребители не выбирают такие товары по конкретным, сопоставимым характеристикам.

Кроме того, product finders используются не только для продуктов в узком смысле, но и для услуг, например, типы счетов банка, медицинского страхования или поставщиков услуг связи. В этих случаях иногда используется термин service finder .

Поисковики продуктов используются как производителями, так и дилерами (состоящими из нескольких производителей) и веб-порталами (состоящими из нескольких дилеров).

Предпринимаются попытки интегрировать поисковики продуктов с социальными сетями и групповыми покупками, что позволит пользователям добавлять и оценивать продукты, местоположения и приобретать рекомендуемые продукты совместно с другими.

Техническая реализация

Технические реализации различаются по своей выгоде для потребителей. Следующий список показывает основные подходы, от простых до более сложных, каждый с типичным примером:

1. Диалоговые системы или интерактивные поисковики продуктов (Product Wizards) – Интерактивные поисковики продуктов – это основанные на диалоге рекомендательные решения, которые предоставляют покупателям персонализированную, ориентированную на потребности поддержку, поскольку они хотят выбрать правильный продукт. Основанное на интерактивном диалоге, в котором пользователь отвечает на несколько вопросов, решение ^{[ требуется цитата ]} анализирует ответы пользователя, переводит их в характеристики продукта и сопоставляет их с доступными продуктами в фоновом режиме. После каждого процесса пользователю предоставляется список подходящих продуктов. Product Wizards учитывают ожидания покупателей, индивидуальные предпочтения и ситуации, чтобы помочь им найти продукты, которые соответствуют их потребностям, предоставляют подробную информацию о продукте, чтобы повысить уверенность покупателя и побудить его к онлайн-покупке.
2. Сравнительная таблица – Сравнительная таблица – это базовая версия поисковика продуктов, которая позволяет потребителям легко сравнивать продукты, ^{[ нужна цитата ]} характеристики и цены. Используя структурированные строки и столбцы, сравнительная таблица размещает продукты и услуги рядом со всеми соответствующими характеристиками и ценами, указанными под каждым продуктом. Упрощенный и визуально привлекательный метод позволяет потребителям быстро различать продукты и выбирать лучший для своих нужд.
3. Деревья меню – Дерево меню представляет собой таблицу, отображающую иерархию элементов, которые можно развернуть или свернуть по желанию пользователя. Используя дерево меню, компании могут классифицировать свои продукты, чтобы помочь посетителям ориентироваться и сузить круг поиска продукта. Это требует определенных знаний и понимания предлагаемых категорий и меток. Например, на сайте розничной торговли одеждой в Интернете может быть раскрывающийся список для «Топов», который будет расширяться до таких вариантов, как «Футболки», «Свитера» или «Куртки».
4. Поиск строки – Алгоритм поиска строки определяет, где находятся несколько меньших строк в более крупном тексте. Например, если пользователь ввел «смартфон» в поиск Google , Google будет искать, где это ключевое слово находится в различных скриптах и ​​кодах, чтобы направить пользователя к максимально релевантной информации.
5. Системы фильтрации – Система фильтрации информации – это система, которая удаляет избыточную информацию из информационного потока перед тем, как предоставить ее пользователю-человеку. Цель этих систем – управлять информационной перегрузкой , чтобы пользователи могли немедленно находить более полезную информацию. Примером этого могут служить новостные ленты на различных платформах. Например, фильтр блокнота позволяет пользователям выбирать функции, чтобы сузить список отображаемых продуктов. Однако такие фильтры требуют от пользователя предварительных знаний о домене и функциях, которые доступны для выбора. Другим недостатком является вероятность того, что пользователь может столкнуться с нулевыми результатами через систему фильтрации.
6. Системы оценок – Системы оценок часто встречаются в рекомендательных системах и позволяют пользователям оценивать продукты, чтобы их могли видеть другие пользователи. Netflix , онлайн-сервис проката DVD и онлайн-трансляций, является прекрасным примером внедрения системы оценок ^[1] . Netflix позволяет пользователям оценивать телешоу и фильмы по системе от 1 до 5 звезд, где 1 звезда – плохо, а 5 звезд – отлично. Mac Observer, популярный рекомендательный и новостной сайт, который делает обзоры продуктов Apple, недавно объявил, что изменит свою систему оценок. ^[2] Вместо использования традиционной 5-звездочной системы TMO будет предлагать такие опции, как «Выдающийся продукт. Получите его сейчас!» или «Не рекомендуется. Держитесь подальше!» в качестве системы оценок.
7. Облака тегов – Облако тегов – это визуальное представление текстовых данных, используемое для упрощения и декодирования ключевых слов и тегов на веб-сайтах. Теги обычно представляют собой отдельные слова, а важность каждого тега представлена ​​цветом и размером слова. Это полезный формат, помогающий пользователям быстро воспринимать наиболее релевантные термины. В поисковиках продуктов облака тегов будут иметь свои теги в виде гиперссылок, чтобы пользователь мог легко перемещаться по веб-сайту. Чтобы найти продукт, который ищет пользователь, он должен найти тег в облаке, щелкнуть по тегу и перейти на целевую страницу, где представлен его желаемый продукт.
8. Нейронные сети – Нейронная сеть – это семейство моделей обучения, вдохновленных биологическими нейронными сетями (нервной системой животных, в частности мозгом) и используемых для оценки предпочтений пользователя. Нейронные сети обладают классификационными способностями, включая распознавание образов. Например, Netflix использует нейронную сеть, чтобы узнать, какой жанр фильмов вы предпочитаете смотреть. ^[3] Нейронные сети также выполняют обработку данных, включая фильтрацию данных, аналогично цели системы фильтрации.
9. Реляционная база данных – Реляционная база данных – это цифровая база данных, которая организует данные в таблицы (или «отношения») строк и столбцов с уникальным ключом для каждой строки. В отличие от иерархических таблиц, таких как деревья меню, таблицы реляционной базы данных могут иметь строки, которые связаны со строками в других таблицах ключевым словом, которое они могут совместно использовать. Отношения между этими таблицами могут принимать различные формы: один к одному, один ко многим или многие ко многим. Такие базы данных упрощают для искателей продуктов обнаружение связей между ключевыми словами, которые использует потребитель. Эта информация помогает этим системам предсказывать, что будет интересно потребителям при покупке, поэтому программное обеспечение может направлять клиентов к их идеальному продукту и поощрять продажу.

Электронная коммерция (с использованием машинного обучения)

Поисковик товаров играет важную роль в электронной коммерции , товары должны быть категоризированы, чтобы лучше обслуживать потребителя при поиске желаемого товара, рекомендательная система для рекомендации товаров на основе их покупок и т. д. Поскольку люди переходят из офлайн-в онлайн-коммерцию (электронная коммерция), становится все сложнее и громоздче иметь дело с большим объемом данных о товарах, людях, которые необходимо хранить и анализировать, чтобы лучше обслуживать потребителя. Большой объем данных не может быть обработан только с использованием человеческой силы, нам нужны машины, которые будут делать это за нас, они могут эффективно и действенно обрабатывать большой объем данных.

Крупномасштабная категоризация предметов

Онлайн-торговля приобрела большую популярность за последнее десятилетие. Крупные онлайн-рынки потребитель-потребитель, такие как eBay , Amazon и Alibaba, предлагают миллионы товаров, и каждый день на рынок поступает все больше товаров. Категоризация товаров помогает классифицировать товары и присваивать им теги и этикетки , что помогает потребителям находить их. Традиционно подход с моделью «мешка слов» используется для решения проблемы с использованием отсутствия иерархии вообще или с использованием иерархии, определенной человеком.

Новый метод ^[4] , использующий иерархический подход, который разлагает задачу классификации на задачу грубого уровня и задачу тонкого уровня, с иерархией, созданной с использованием обнаружения модели латентного класса . Простой классификатор применяется для выполнения классификации грубого уровня (поскольку данные настолько велики, что мы не можем использовать более сложный подход из-за проблем со временем), в то время как более сложная модель используется для разделения классов на тонком уровне.

Основные моменты/Использованные методы:

• Скрытое групповое обнаружение : используется для поиска групп классов и слов или признаков, связанных с каждым классом. Затем мы формируем матрицу путаницы между группами, чтобы приблизительно оценить сходство классов, похожие классы сохраняются в группе, и поэтому на каждом этапе мы получаем группы без сходства, и, следовательно, получаем иерархическое дерево.
• На грубом уровне мы классифицируем тестовый экземпляр для одной из групп на первом уровне иерархии. Поскольку набор данных большой, мы не можем использовать сложный алгоритм, и поэтому на этом этапе используется либо KNN , либо наивный байесовский алгоритм .
• На тонком уровне мы классифицируем элементы внутри группы в некоторую подгруппу, поскольку в группе может быть сходство, мы используем сложный механизм, как правило, SVM на каждом узле.
• Алгоритм KNN (k ближайших соседей) находит k соседей, которые действительно похожи на тестовый экземпляр, он использует евклидову или косинусную функцию сходства, чтобы найти расстояние между каждым классом, а затем выдает k лучших классов.
• электроника → мобильный → samsung → чехлы . В этом примере крупнозернистый классификатор скажет нам, что тестовый экземпляр принадлежит к группе электроники, затем мы используем мелкозернистый на каждом этапе и получаем это дерево.

Проблемы, с которыми сталкиваются компании, занимающиеся электронной коммерцией, заключаются в следующем:

1. Крупный масштаб,
2. Данные о товаре крайне скудны
3. Неравномерное распределение по категориям
4. Разнородные характеристики по категориям

Рекомендательная система

Рекомендательные системы используются для рекомендации потребителям товаров/продуктов на основе их истории покупок или поиска.

Смотрите также

• Система рекомендаций

Ссылки

1. "Вкусовые предпочтения и рекомендации Netflix". NETFLIX . Получено 19 сентября 2015 г.
2. Джон Мартелларо (20 апреля 2015 г.). "Анонс новой системы оценки продуктов TMO". "The Mac Observer" . Получено 19 сентября 2015 г.
3. Тимоти Прикетт Морган (11 февраля 2014 г.). «Netflix ускоряет машинное обучение с помощью графических процессоров Amazon». «EnterpriseTech» . Получено 19 сентября 2015 г.
4. Дэн Шен; Жан Дэвид Рувини; Бадрул Сарвар (октябрь 2012 г.). "Крупномасштабная категоризация товаров для электронной коммерции" (PDF) . "eBay". Архивировано из оригинала (PDF) 2015-10-05.