Wyszukiwarka produktów

Wyszukiwarki produktów to systemy informacyjne , które pomagają konsumentom zidentyfikować produkty w dużej palecie podobnych produktów alternatywnych. Wyszukiwarki produktów różnią się złożonością, przy czym bardziej złożonym z nich jest szczególny przypadek systemów wspomagania decyzji . Konwencjonalne systemy wspomagania decyzji skierowane są jednak do wyspecjalizowanych grup użytkowników, np. menedżerów ds. marketingu, podczas gdy wyszukiwarki produktów koncentrują się na konsumentach.

Obszar zastosowania

Wyszukiwarki produktów są zwykle częścią e-sklepu lub internetowej prezentacji linii produktów. Będąc częścią e-sklepu, wyszukiwarka produktów idealnie prowadzi do zakupu online, podczas gdy konwencjonalne kanały dystrybucji są zaangażowane w wyszukiwarki produktów, które są częścią prezentacji online (np. sklepy, zamówienie przez telefon).

Wyszukiwarki produktów najlepiej nadają się do grup produktów, których poszczególne produkty są porównywalne według określonych kryteriów. Dotyczy to w większości przypadków produktów technicznych, takich jak notebooki : ich cechy (np. częstotliwość zegara , rozmiar dysku twardego , cena, rozmiar ekranu) mogą wpływać na decyzję konsumenta.

Oprócz produktów technicznych, takich jak notebooki, samochody, zmywarki do naczyń, telefony komórkowe czy urządzenia GPS , produkty nietechniczne, takie jak wino, skarpetki, szczoteczki do zębów czy paznokcie, mogą być obsługiwane przez wyszukiwarki produktów, ponieważ odbywa się porównanie według cech.

Z drugiej strony zastosowanie wyszukiwarek produktów jest ograniczone w przypadku produktów zindywidualizowanych, takich jak książki, biżuteria czy płyty kompaktowe, ponieważ konsumenci nie wybierają takich produktów według określonych, porównywalnych cech.

Co więcej, wyszukiwarki produktów są wykorzystywane nie tylko do produktów sensu stricto, ale również do usług, np. typów kont bankowych, ubezpieczeń zdrowotnych czy dostawców usług komunikacyjnych. W takich przypadkach czasami używany jest termin wyszukiwarka usług .

Z wyszukiwarek produktów korzystają zarówno producenci, dealerzy (składający się z kilku producentów), jak i portale internetowe (składające się z kilku dealerów).

Podjęto próbę zintegrowania Wyszukiwarki produktów z sieciami społecznościowymi i zakupami grupowymi, umożliwiając użytkownikom dodawanie i ocenianie produktów, lokalizacji oraz kupowanie polecanych produktów z innymi.

Realizacja techniczna

Wdrożenia techniczne różnią się pod względem korzyści dla konsumentów. Poniższa lista przedstawia główne podejścia, od prostych do bardziej złożonych, każde z typowym przykładem:

Systemy dialogowe lub interaktywne wyszukiwarki produktów (Kreatory produktów) – Interaktywne wyszukiwarki produktów to oparte na dialogach rozwiązania rekomendacyjne, które zapewniają kupującym spersonalizowane, zorientowane na potrzeby wsparcie, gdy chcą wybrać odpowiedni produkt. W oparciu o interaktywne okno dialogowe, w którym użytkownik odpowiada na kilka pytań, rozwiązanie ^{[ potrzebne źródło ]} analizuje odpowiedzi użytkownika, przekłada je na cechy produktu i porównuje z dostępnymi produktami w tle. Po każdym procesie użytkownikowi prezentowana jest lista odpowiednich produktów. Kreatory produktów biorą pod uwagę oczekiwania kupujących, indywidualne preferencje i sytuacje, aby pomóc im w znalezieniu produktów odpowiadających ich potrzebom, dostarczają szczegółowych informacji o produkcie, aby zwiększyć zaufanie kupującego i zachęcić do zakupu online.
Tabela porównawcza – Tabela porównawcza to podstawowa wersja wyszukiwarki produktów, która umożliwia konsumentom łatwe porównywanie produktów, ^{[ potrzebne źródło ]} cech i cen. Korzystając z uporządkowanych wierszy i kolumn, tabela porównawcza zestawia produkty i usługi ze wszystkimi istotnymi funkcjami i cenami wymienionymi pod każdym produktem. Ta uproszczona i atrakcyjna wizualnie metoda pozwala konsumentom na szybkie rozróżnienie produktów i wybranie najlepszego dla ich potrzeb.
Drzewa menu — drzewo menu to tabela wyświetlająca hierarchię elementów, którą można rozwijać lub zwijać w zależności od wygody widza. Korzystając z drzewa menu, firmy mogą kategoryzować swoje produkty, aby ułatwić odwiedzającym nawigację i zawężenie poszukiwanych produktów. Wymaga to pewnej wiedzy i zrozumienia dostarczanych kategorii i etykiet. Na przykład sklep internetowy z odzieżą może mieć listę rozwijaną „Koszulki”, która rozwinie się do opcji takich jak „T-shirty”, „Swetry” lub „Kurtki”.
Wyszukiwanie ciągów — Algorytm wyszukiwania ciągów lokalizuje kilka mniejszych ciągów w większym tekście. Na przykład, jeśli użytkownik wpisał w wyszukiwarce Google hasło „smartfon” , Google szuka miejsca, w którym znajduje się to słowo kluczowe w różnych skryptach i kodach, aby skierować użytkownika do najbardziej odpowiednich informacji.
Systemy filtrowania – system filtrowania informacji to system, który usuwa zbędne informacje ze strumienia informacji przed przedstawieniem ich użytkownikowi. Celem tych systemów jest zarządzanie nadmiarem informacji aby użytkownicy mogli znaleźć natychmiastowo przydatne informacje. Przykładem tego mogą być kanały informacyjne na różnych platformach. Na przykład filtr notatnika umożliwia użytkownikom wybór funkcji w celu zawężenia listy wyświetlanych produktów. Jednak takie filtry wymagają od użytkownika wcześniejszej wiedzy o domenie i dostępnych do wyboru funkcjach. Kolejną wadą jest możliwość napotkania przez użytkownika zerowych wyników w systemie filtrowania.
Systemy oceniania – Systemy oceniania są często spotykane w systemach rekomendacji i pozwalają użytkownikom oceniać produkty, aby inni użytkownicy mogli je zobaczyć. Netflix , internetowa wypożyczalnia płyt DVD i usługa przesyłania strumieniowego online, to doskonały przykład wdrażania systemu oceniania. Netflix pozwala użytkownikom oceniać programy telewizyjne i filmy w systemie od 1 do 5 gwiazdek, przy czym 1 gwiazdka oznacza słabą, a 5 gwiazdek znakomitą. Mac Observer, popularny serwis rekomendujący i informacyjny, który recenzuje produkty Apple, niedawno ogłosił, że zmieni swój system oceniania. Zamiast korzystać z tradycyjnego systemu 5 gwiazdek, TMO będzie oferować opcje, takie jak „Wyjątkowy produkt. Pobierz teraz!” lub „Niezalecane. Unikaj!” jako system punktacji.
Chmury tagów – chmura tagów to wizualna reprezentacja danych tekstowych, używana do uproszczenia i dekodowania słów kluczowych i tagów na stronach internetowych. Znaczniki to zwykle pojedyncze słowa, a znaczenie każdego znacznika jest reprezentowane przez kolor i rozmiar słowa. Jest to przydatny format, który pomaga użytkownikom szybko dostrzec najbardziej odpowiednie terminy. W wyszukiwarkach produktów chmury tagów będą miały hiperłącza do tagów, aby użytkownik mógł łatwo poruszać się po witrynie. Aby znaleźć produkt, którego szuka użytkownik, znajdzie tag w chmurze, kliknie tag i zostanie przekierowany na stronę docelową, na której prezentowany jest żądany produkt.
Sieci neuronowe – Sieci neuronowe to rodzina modeli uczenia się inspirowanych biologicznymi sieciami neuronowymi (systemy nerwowe zwierząt, w szczególności mózg) i służą do szacowania preferencji użytkowników. Sieci neuronowe mają klasyfikacyjne , w tym rozpoznawanie wzorców. Na przykład Netflix używa sieci neuronowej, aby zobaczyć, jaki gatunek filmów wolisz oglądać. Sieci neuronowe przetwarzają również dane, w tym filtrują dane, podobnie jak system filtrujący.
Relacyjna baza danych — relacyjna baza danych to cyfrowa baza danych, która organizuje dane w tabele (lub „relacje”) wierszy i kolumn, z unikalnym kluczem dla każdego wiersza. W przeciwieństwie do tabel hierarchicznych, takich jak drzewa menu, tabele relacyjnej bazy danych mogą mieć wiersze połączone z wierszami w innych tabelach za pomocą wspólnego słowa kluczowego. Relacje między tymi tabelami mogą przybierać różne formy: jeden do jednego, jeden do wielu lub wiele do wielu. Takie bazy danych ułatwiają wyszukiwarkom produktów odkrywanie relacji między słowami kluczowymi używanymi przez konsumentów. Te informacje pomagają tym systemom przewidywać, co konsumenci będą zainteresowani zakupem, aby oprogramowanie mogło kierować klientów do idealnego produktu i zachęcać do sprzedaży.

E-commerce (z wykorzystaniem uczenia maszynowego)

Wyszukiwarka produktów odgrywa ważną rolę w handlu elektronicznym , produkty muszą być kategoryzowane, aby lepiej służyć konsumentom w wyszukiwaniu pożądanego produktu, system rekomendacji do polecania produktów na podstawie ich zakupów itp. Ponieważ ludzie przechodzą z handlu offline do handlu online (e-commerce ), radzenie sobie z dużą ilością danych o przedmiotach, osobach, które należy przechowywać i analizować, aby lepiej służyć konsumentowi, staje się coraz trudniejsze i uciążliwe. Dużej ilości danych nie można obsłużyć tylko przy użyciu siły roboczej, potrzebujemy maszyny, która zrobi to za nas, mogą one poradzić sobie z dużą ilością danych wydajnie i skutecznie.

Kategoryzacja pozycji na dużą skalę

Handel online zyskał dużą popularność w ciągu ostatniej dekady. Duże internetowe rynki konsumenckie, takie jak eBay , Amazon , Alibaba , oferują bardzo duże, prawie miliony przedmiotów wprowadzanych na rynek każdego dnia. Kategoryzacja artykułów pomaga w sklasyfikowaniu produktów i nadaniu im tagów i etykiet , które pomagają konsumentowi je znaleźć. Tradycyjnie oparte na modelu worka słów jest stosowane do rozwiązania problemu bez użycia jakiejkolwiek hierarchii lub przy użyciu hierarchii zdefiniowanej przez człowieka.

Ale nowa metoda, wykorzystująca podejście hierarchiczne, która rozkłada problem klasyfikacji na zadanie na poziomie zgrubnym i zadanie na poziomie szczegółowym, z hierarchią utworzoną za pomocą odkrycia modelu klas ukrytych . Prosty klasyfikator jest stosowany do przeprowadzania klasyfikacji na poziomie zgrubnym (ponieważ dane są tak duże, że nie możemy zastosować bardziej wyrafinowanego podejścia ze względu na problem z czasem), podczas gdy bardziej wyrafinowany model jest używany do oddzielania klas na poziomie dokładnym.

Najważniejsze cechy/zastosowane metody:

Wykrywanie ukrytych grup : używane do znajdowania grup klas i słów lub cech powiązanych z każdą klasą. Następnie tworzymy macierz zamieszania między grupami w celu przybliżenia podobieństwa klas, podobne klasy są trzymane w grupie i tak na każdym etapie otrzymujemy grupy bez podobieństwa i stąd otrzymujemy drzewo hierarchii.
Na poziomie Coarse klasyfikujemy instancję testową do jednej z grup na pierwszym poziomie hierarchii. Ponieważ zbiór danych jest duży, nie możemy zastosować zaawansowanego algorytmu, dlatego na tym etapie stosuje się KNN lub Naive Bayes .
Na poziomie szczegółowym klasyfikujemy elementy w grupie do pewnej grupy podzbiorów, ponieważ w grupie mogą występować podobieństwa, używamy wyrafinowanego mechanizmu, ogólnie SVM w każdym węźle.
KNN (k najbliższych sąsiadów) znajduje k sąsiadów, którzy są naprawdę podobni do instancji testowej, wykorzystuje funkcję podobieństwa euklidesowego lub cosinusowego , aby znaleźć odległość między każdą klasą, a następnie podaje najwyższą k klasę.
elektronika → telefon komórkowy → samsung → pokrowce na etui . W tym przykładzie klasyfikator gruboziarnisty powiedziałby nam, że instancja testowa należy do grupy elektronicznej, następnie używamy klasyfikatora drobnoziarnistego na każdym etapie i otrzymaliśmy to drzewo.

Problemy, z którymi borykają się te firmy handlu elektronicznego online, to:

duża skala,
Dane pozycji są bardzo rzadkie
Skośny rozkład według kategorii
Heterogeniczne cechy ponad kategoriami

System rekomendacji

Systemy rekomendacji służą do polecania towarów/produktów konsumenckich na podstawie ich historii zakupów lub wyszukiwania.

Zobacz też

System rekomendacji