사용자 경험의 일부로 지능형제품추천을 포함하여 평균전환주문가치를 높일 수 있습니다. 시작하는 방법은 다음과 같습니다. 제때 상품을 추천하면 고객님이 다른 상품보다 하나를 선택하실 수 있습니다. 증거를 위해서 자신의 경험을 살펴보세요.
가게의 사주나 점원이 추천한 제품을 현지 매장에서 선택한 적이 있습니까? 친구나 가족에게 제품 추천만 사는 제품 결정에서 결정적인 요인이 되었습니까? 유명인의 추천(유료 또는 무료), 현재 사용자의 조언, 블로그의 "최고 10" 리스트 등 모든 언급이 제품 추천의 힘을 활용합니다.
하지만 전자상거래관리자는 타인이 고객에게 제품을 권장하기를 기다릴 필요는 없습니다. 잠재고객이 웹사이트에서 쇼핑하는 동안 제품을 추천합니다. 맞춤형 제품의 추천은 사이트의 사용자 경험과 전환율을 개선하는 데 도움이 될 수 있습니다.
이 기사에서는 고객에게 제품을 추천하기 위해 찾은 가장 효과적인 방법 중 일부를 공개합니다. 여기서 제공하는 정보는 쿠즈몰같이 더 많은 제품을 더 자주 판매하는 데 도움이 됩니다. 보장합니다.
전자상거래 제품 추천 엔진은 어떻게 작동됩니까?
전자상거래 사이트에서 `좋아요`라는 초보적인 권장사항을 수동으로 구현할 수 있으나 제품 권장사항인 최고 경험에서는 `제품 권장사항 엔진`을 배포해야 합니다. 기본 알고리즘을 구성하는 데 사용하는 3가지 기본 접근법이 있습니다.
콘텐츠 기반 필터링 방법은 각 사용자의 `좋든 싫든`에 대한 고객 데이터를 분석한 후 (쿠키를 통해 여러 방문을 추적할 수 있음) 해당 사용자의 검색 기록을 바탕으로 추천합니다. 콘텐츠 베이스의 필터링 생각은, 특정의 항목을 즐기면 유사한 항목도 즐길 수 있는 것입니다. 콘텐츠 기반의 필터링 시스템 예는 Pandora를 듣고 지속해서 다운 박자의 재즈 음악을 좋아 필요로 하는 경우입니다. 필터링 시스템은 해당 정보를 가져와 선호하는 노래에 기반을 둬서 유사한 음악을 추천하기 시작합니다.
협업 필터링 방법은 유사 제품을 구매한 사용자의 데이터를 통합한 후 해당 정보를 결합하여 권장 사항에 관해 결정을 내립니다. 이 필터링 방법의 장점은 항목이 무엇인지 `이해`하지 않아도 음악이나 영화 등의 항목에 대해 복잡한 추천이 가능하다는 것입니다. 이 필터링 방법은 사용자가 과거에 산 항목에 근거한 추천을 선호한다는 가정하에 작동합니다. 예:고객 A가 고객 B도 좋아하는 특정 제품라인을 선호할 경우(유사한 관심사가 있을 것으로 가정) 협업 필터링은 고객 A가 고객 B 가구매한다른 제품을 선호한다고 가정하고, 그 반대의 경우에도 마찬가지입니다.
혼합형 방법은 콘텐츠 기반 및 협업 기반 방법을 결합하여 그룹 결정을 통합하는데, 특정 방문자의 속성을 기반으로 출력에 집중합니다. 혼합형 필터링 시스템의 예는, Spotify가 개인화된 「Discover Weekly」 재생 리스트를 큐레이팅 하는 방법입니다. 개인화된 스포티 재생 목록을 들어본 적이 있다면 그들이 좋아하는 노래를 얼마나 정확하게 추천할 수 있는지 놀라워요. 그들이 이를 어떻게 끌어내는지 비밀은 당신의 청취 습관과 유사한 사용자의 청취 습관에 대한 데이터를 집계하는 복잡한 혼합형 필터링 시스템을 통해 개인의 취향에 맞는 독특한 노래 재생 목록을 만드는 것입니다.
세 가지 방법 모두 기계학습 알고리즘을 사용하여 프로세스를 가속하고 개인화된 제품 권장사항을 제공합니다. 각각의 수학적 원리가 정교하고 복잡하지만, 온라인 상점에 대한 애플리케이션이 압도적일 필요는 없습니다.
