É uma arte e uma ciência. Os campos de estudo típicos giram em torno da análise da cesta de mercado (também chamada de análise de afinidade), que é um subconjunto do campo de mineração de dados. Os componentes típicos desse sistema incluem a identificação de itens principais do driver e a identificação de itens de afinidade (upsell de acessórios, venda cruzada).
Lembre-se das fontes de dados que eles têm para minerar ...
- Carrinhos de compras comprados = dinheiro real de pessoas gastas em itens reais = dados poderosos e muito disso.
- Itens adicionados aos carrinhos, mas abandonados.
- Experimentos de preços on-line (testes A / B, etc.), onde eles oferecem os mesmos produtos a preços diferentes e veem os resultados
- Experiências de empacotamento (teste A / B, etc.), onde eles oferecem produtos diferentes em "pacotes" diferentes ou descontam vários pares de itens
- Listas de desejos - o que há nelas especificamente para você - e agregadas podem ser tratadas de maneira semelhante a outro fluxo de dados de análise de cesta
- Sites de referência (a identificação de onde você veio pode sugerir outros itens de interesse)
- Tempos de espera (quanto tempo antes de você clicar novamente e escolher um item diferente)
- Avaliações feitas por você ou por pessoas da sua rede social / círculos de compras - se você classifica as coisas que gosta, obtém mais do que gosta e se confirma com o botão "eu já possuo", elas criam um perfil muito completo de você
- Informações demográficas (seu endereço de entrega etc.) - eles sabem o que é popular em sua área geral para seus filhos, você, seu cônjuge etc.
- segmentação de usuários = você comprou três livros em meses separados para uma criança? provavelmente tem um filho ou mais ... etc.
- Dados de clique direto do marketing direto - você recebeu um e-mail deles e clicou? Eles sabem em qual e-mail era e em que você clicou e se o comprou como resultado.
- Caminhos de cliques na sessão - o que você visualizou, independentemente de estar no carrinho
- Número de vezes que um item foi visto antes da compra final
- Se você está lidando com uma loja física, eles também podem ter seu histórico de compras físico (por exemplo, brinquedos para nós ou algo on-line e também uma loja física)
- etc etc. etc.
Felizmente, as pessoas se comportam de maneira semelhante em conjunto, quanto mais souberem sobre a população compradora em geral, melhor saberão o que venderá e o que não venderá, e a cada transação e a cada classificação / lista de desejos adicionar / navegar, eles sabem como personalizar as recomendações mais pessoalmente. Lembre-se de que provavelmente é apenas uma pequena amostra do conjunto completo de influências do que acaba nas recomendações, etc.
Agora não tenho conhecimento interno de como a Amazon faz negócios (nunca funcionou lá) e tudo o que estou fazendo é falar sobre abordagens clássicas do problema do comércio on-line - eu costumava ser o PM que trabalhava em mineração de dados e análises para a Microsoft chamado Commerce Server. Enviamos no Commerce Server as ferramentas que permitiam às pessoas criar sites com recursos semelhantes ... mas quanto maior o volume de vendas, melhores os dados, melhor o modelo - e a Amazon é GRANDE. Só posso imaginar como é divertido brincar com modelos com tantos dados em um site direcionado ao comércio. Agora, muitos desses algoritmos (como o preditor iniciado no servidor de comércio) passaram a viver diretamente no Microsoft SQL .
As quatro grandes dicas que você deve ter são:
- A Amazon (ou qualquer varejista) está analisando dados agregados para toneladas de transações e toneladas de pessoas ... isso permite que eles recomendem muito bem para usuários anônimos em seu site.
- A Amazon (ou qualquer varejista sofisticado) acompanha o comportamento e as compras de qualquer pessoa que esteja logada e a use para refinar ainda mais os dados agregados em massa.
- Muitas vezes, existe um meio de ultrapassar os dados acumulados e assumir o controle "editorial" de sugestões para gerentes de produtos de linhas específicas (como alguém que possui a vertical das 'câmeras digitais' ou 'romances' verticais ou similares) onde eles realmente são especialistas
- Muitas vezes, existem promoções promocionais (por exemplo, a Sony ou a Panasonic, ou a Nikon, a Canon, a Sprint ou a Verizon pagam dinheiro adicional ao varejista ou oferecem um desconto melhor em quantidades maiores ou outras coisas nessas linhas) que causam certas "sugestões". as principais com mais frequência do que outras - sempre há uma lógica comercial razoável e uma razão comercial por trás disso, visando aumentar mais a cada transação ou reduzir os custos de atacado, etc.
Em termos de implementação real? Quase todos os grandes sistemas on-line se resumem a algum conjunto de pipelines (ou uma implementação de padrão de filtro ou fluxo de trabalho, etc., você o chama como quiser) que permitem que um contexto seja avaliado por uma série de módulos que aplicam alguma forma de logíca de negócios.
Normalmente, um pipeline diferente seria associado a cada tarefa separada na página - você pode ter um que recomende "pacotes / upsells" (por exemplo, compre esse item com o item que está vendo) e outro que faça "alternativas" (por exemplo, compre isso em vez do que você está olhando) e outro que puxa os itens mais intimamente relacionados da sua lista de desejos (por categoria de produto ou similar).
Os resultados desses pipelines podem ser colocados em várias partes da página (acima da barra de rolagem, abaixo da rolagem, à esquerda, à direita, fontes diferentes, imagens de tamanhos diferentes etc.) e testados para ver qual é o desempenho melhor. Como você está usando módulos fáceis de conectar e usar que definem a lógica de negócios desses pipelines, você acaba com o equivalente moral dos blocos de lego que facilitam a escolha da lógica de negócios que você deseja aplicar quando criar outro pipeline o que permite inovação mais rápida, mais experimentação e, no final, maiores lucros.
Isso ajudou em tudo? Espero que você tenha um pouco de conhecimento de como isso funciona em geral para praticamente qualquer site de comércio eletrônico - não apenas para a Amazon. A Amazon (conversando com amigos que trabalharam lá) é muito orientada a dados e mede continuamente a eficácia de sua experiência do usuário e preços, promoções, embalagens etc. - eles são um varejista on-line muito sofisticado e provavelmente estão na vanguarda da muitos dos algoritmos que eles usam para otimizar o lucro - e esses são provavelmente segredos de propriedade (você conhece a fórmula dos temperos secretos do KFC) e são armazenados como tal.