Es a la vez un arte y una ciencia. Los campos de estudio típicos giran en torno al análisis de la canasta de mercado (también llamado análisis de afinidad), que es un subconjunto del campo de la minería de datos. Los componentes típicos en un sistema de este tipo incluyen la identificación de elementos principales del controlador y la identificación de elementos afines (venta adicional de accesorios, venta cruzada).
Tenga en cuenta las fuentes de datos que tienen para extraer ...
- Carritos de compras comprados = dinero real de personas reales gastadas en artículos reales = datos poderosos y mucho.
- Artículos agregados a los carros pero abandonados.
- Experimentos de precios en línea (pruebas A / B, etc.) donde ofrecen los mismos productos a precios diferentes y ven los resultados
- Experimentos de empaque (pruebas A / B, etc.) donde ofrecen diferentes productos en diferentes "paquetes" o descuentan varios pares de artículos
- Listas de deseos, lo que contiene específicamente para usted, y en conjunto, puede tratarse de manera similar a otro flujo de datos de análisis de cesta
- Los sitios de referencia (la identificación de dónde vino puede indicar otros elementos de interés)
- Tiempos de permanencia (cuánto tiempo antes de volver a hacer clic y elegir un elemento diferente)
- Calificaciones suyas o de su red social / círculos de compra: si califica las cosas que le gustan, obtiene más de lo que le gusta y si confirma con el botón "ya lo tengo", crean un perfil muy completo de usted
- Información demográfica (su dirección de envío, etc.): saben lo que es popular en su área general para sus hijos, usted, su cónyuge, etc.
- segmentación de usuarios = ¿compró 3 libros en meses separados para un niño pequeño? probablemente tenga un hijo o más .. etc.
- Datos de clic directo de marketing: ¿recibió un correo electrónico de ellos y hizo clic? Saben qué correo electrónico era y en qué hizo clic y si lo compró como resultado.
- Trayectos de clics en la sesión: ¿qué vio independientemente de si fue en su carrito?
- Número de veces que vio un artículo antes de la compra final
- Si está tratando con una tienda física, es posible que también tenga su historial de compras físicas (es decir, juguetes o algo que esté en línea y también una tienda física)
- etc. etc. etc.
Afortunadamente, las personas se comportan de manera similar en conjunto, por lo que cuanto más sepan sobre la población compradora en general, mejor sabrán qué venderán y qué no venderán, y con cada transacción y cada calificación / lista de deseos agregar / navegar, saben cómo personalizar más las recomendaciones. Tenga en cuenta que probablemente solo sea 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 sobre el problema del comercio en línea: solía ser el primer ministro que trabajaba en minería de datos y análisis para Microsoft producto llamado Commerce Server. Enviamos en Commerce Server las herramientas que permitieron a las personas crear sitios con capacidades similares ... pero cuanto mayor sea el volumen de ventas, mejores serán los datos, mejor será el modelo, y Amazon es GRANDE. Solo puedo imaginar lo divertido que es jugar con modelos con tanta información en un sitio impulsado por el comercio. Ahora muchos de esos algoritmos (como el predictor que comenzó en el servidor de comercio) han pasado a vivir directamente dentro de Microsoft SQL .
Las cuatro grandes ideas que debe tener son:
- 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.
- 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.
- A menudo hay un medio de sobrepasar los datos acumulados 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 similar) donde realmente son expertos
- A menudo hay ofertas promocionales (es decir, Sony o Panasonic o Nikon o Canon o Sprint o Verizon paga dinero adicional al minorista, o ofrece un mejor descuento en grandes cantidades u otras cosas en esas líneas) que provocarán ciertas "sugerencias" la parte superior con más frecuencia que otras: siempre hay una lógica comercial razonable y una razón comercial detrás de esto dirigida a hacer más en cada transacción o reducir los costos mayoristas, etc.
En términos de implementación real? Casi todos los grandes sistemas en línea se reducen a un conjunto de canalizaciones (o una implementación de patrón de filtro o un flujo de trabajo, etc., lo que quieran) que permiten que un contexto sea evaluado por una serie de módulos que aplican alguna forma de lógica de negocios.
Por lo general, se asociaría una tubería diferente con cada tarea por separado 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 viendo) y otro que extrae los elementos más relacionados de su lista de deseos (por categoría de producto o similar).
Los resultados de estas canalizaciones se pueden colocar en varias 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 se prueban para ver cuál funciona mejor. Dado que está utilizando módulos fáciles de conectar y usar que definen la lógica de negocios para estas canalizaciones, termina con el equivalente moral de los bloques de lego que hacen que sea fácil elegir y elegir entre la lógica de negocios que desea aplicar cuando construye otra tubería lo que permite una innovación más rápida, más experimentación y, al final, mayores ganancias.
¿Eso ayudó en absoluto? Espero que le brinde un poco de información sobre cómo funciona esto en general para casi cualquier sitio de comercio electrónico, no solo Amazon. Amazon (por hablar con amigos que han trabajado allí) depende de los datos y mide continuamente la efectividad de su experiencia de usuario y los precios, promociones, empaques, etc., son un minorista muy sofisticado en línea y probablemente están a la vanguardia de muchos de los algoritmos que utilizan para optimizar las ganancias, y esos son probablemente secretos de propiedad (ya sabes, como la fórmula de las especias secretas de KFC) y están garantizados como tales.