机器学习加持下的购物体验

剁手也开心:机器学习加持下的购物体验

img
思艾特
07/27/2018
机器学习加持下的购物体验

零售业现在不好做了。仅在美国,就有25~30多万家电子商务公司正在相互厮杀,争夺购物者的关注,更不用说线下那些不计其数的实体商店了。零售商如何才能创造出更个性化的购物体验,以避免像2017年倒闭的那6700个零售店一样走向消亡?消费者更倾向把辛苦打拼赚来的钱花到哪里?

机器学习应用案例:1-800-Flowers.com

机器学习是改善购物体验的最好解决方案之一。举个例子,在给TA送花时,你想通过花束来表露自己的心意,但又担心自己选得不对。这时候你可以去当地的花店说下情况,让店员帮助你精心准备一束恰当的鲜花。但忙碌如你,真的有时间去花店吗?如果将实体店的推荐服务搬到线上,是不是很棒?

1-800-Flowers.com在2016年推出了‘Gifts When You Need’人工智能服务,简称GWYN。作为线上礼宾员,GWYN会询问有关礼物接收人的一系列问题,然后根据相似背景客户的购买记录,向您提供个性化的推荐。每增加一个订单,GWYN就能够更好地了解消费者的需求,从而改进给新顾客的推荐。首席执行官Chris McCann表示,在该服务推出后的两个月内,大约70%的在线购买都是通过GWYN进行的。

这只是运用机器学习提供个性化购物体验的无数个例子之一。每次用户访问您的网站,都会增加一个新的数据点,最后您的人工智能学习系统中会有数百万个数据点。它不仅有助于您更好地了解客户,还可以帮你在正确的时间交付正确的产品。

入门:第一方数据与预先训练模型

机器学习的概念很简单:通过使用统计技术,程序能够“学习”数据,而无需显式编程。当我们说“学习”时,这意味着当程序接收更多数据输入,就能提供更准确的输出 - 例如礼物创意。鉴于机器学习能够彻底颠覆当前的购物体验,人们会认为它只适用于预算较多的大公司。但其实无论一个零售商规模或预算如何,都应该尽早开始将机器学习应用于业务中。

如果您的业务已经相当成熟,数据库里有充足数据,您完全可以开始用这些专有或第一方数据去训练机器学习模型。无论是金融交易还是售后记录,这些数据都可用于帮助优化您的模型,让您获得如何更好地为客户创造价值的独特洞察。如果您的公司没有那么多数据,您可以使用预先培训的机器学习模型。在一些云平台中可以立刻获得这些模型,例如Google的Cloud AutoML,它是一个机器学习产品集合,使机器学习经验有限的开发人员能够更轻松地入门。
 
Cloud AutoML的图像分析模型开始可以帮助理解图像中的内容。提供图像后,就能输出文本类别(例如,“汽车”,“艾菲尔铁塔”)。该模型还可以识别图像中的物体,面部或印刷文字。
 
CI&T基于该模型为一个客户定制了一个自动发票阅读器,帮助优化发票处理这项恼人的工作。由于某些发票包含logo,不包含公司名称,我们使用Cloud Vision API的logo检测工具来训练发票阅读器模型,以识别公司名称并提高处理发票的准确性。最后,财务人员花很少的时间就能完成该项重复繁琐的任务,从而将精力集中在更有价值的工作上。
 
根据您的需要,您还可以利用文本分析模型来更好地理解文本的结构和语义。它可以帮助您从新闻、博客或聊天记录等任何文本中提取有关人员、地点和事件的信息,还能使用语音识别模型将音频转换为文本。而强大的视频分析模型则可以识别视频中的对象,并告诉您单个镜头或帧内发生的事情。

这些都只是冰山一角

上文讨论的是为客户提供更加个性化的购物体验。运用机器学习,零售商还可以优化供应链计划,以改善预测和订单。也能基于季节、可用供应品或其他相关因素优化定价策略。当然,所有这些例子都只是冰山一角,如果释放机器学习的全部潜能,整个零售业都将被颠覆。