所有的建议都是针对同一系列中的其他书籍,但是一个很好的假设,搜索“Terry Pratchett”的客户已经知道这些书。在Feed的第2页到第14页可能会有一些意想不到的建议,但有多少用户会去看呢?
相反,让我们使用驱动系统方法来设计一个改进的推荐引擎,首先要重新考虑我们的目标。推荐引擎的目标是通过给客户带来惊喜让他们去购买在没有推荐的情况下不会购买的书籍。我们真正想做的是模仿Zite首席执行官Mark Johnson的经历,他在最近的TOC演讲中给出了一个客户推荐体验应该是什么样子的完美例子。他去过一个位于纽约市的斯特兰德书店,要了一本类似于托尼莫里森的书,书名为“亲爱的”。书柜后面的那个女孩推荐他威廉福克纳的“Absolom Absolom”。在亚马逊上,类似查询的最高结果为托妮莫里森的另一本书和几本着名女作家的着作。斯特兰德书商做出了一个聪明但却牵强附会的建议,该建议可能更多地基于莫里森的写作特征,而不是莫里森和其他作者之间的表面相似之处。她建议客户带回一本新书,并在下一次光顾斯特兰德书店时将书带回来。
这并不是说亚马逊的推荐引擎无法达到相同的效果;这个问题在于这个有用的建议将深埋在推荐信息中。我们的目标是摒弃推荐不好的东西,这个术语最初由Eli Pariser提出,被用来描述个性化新闻推送的趋势,用来展示广受欢迎的文章或进一步确认读者现有的偏见。
与AltaVista-Google示例一样,书商可以控制的变量是推荐的排名。此外他们还必须收集新数据以生成促进新销售的建议。这将需要进行许多随机实验,以便为广泛的客户收集各种相关建议的数据。
动力传动系统过程的最后一步是构建模型装配线。避开推荐泡沫的一种方法是构建一个包含两个购买概率模型的模型器。这两个概率之间的差异是针对客户的给定建议的效用函数(参见下面的推荐引擎图)。算法推荐客户最近拒绝的书籍(两个组件都很小)或者即使没有推荐也会购买的书籍(两个组件都很大并相互抵消)的概率会很低。我们可以构建一个模拟器来测试我们库存中的每一本书的效用,或者可能只是测试类似客户购买的协作过滤模型的所有输出,然后构建一个简单的优化器来排序并显示推荐的基于模拟效用的书籍。一般来说,在选择目标函数进行优化时,我们较少强调“功能”,而更多地强调“目标”。使用我们数据产品的人他们的目标是什么?我们实际上帮助他或她做出了什么选择?
优化终身客户价值
这种相同的系统方法可用于优化整个营销策略。这包括零售商在实际买卖交易之外与其客户进行的所有互动,无论是进行产品推荐,鼓励客户查看在线商店的新功能,还是发送促销活动。做出了错误的选择,其代价就是零售商要降低利润(无法带来额外销售),房地产商在其主页上利用一定的篇幅给那些如果不推荐用户就不会购买或者失去客源(发送这么多无用的电子邮件促销信息,客户将以后所有的通信邮件统统过滤为垃圾邮件)。我们将展示如何构建优化的营销策略,以减轻这些不良策略造成的影响。
正如与前面的每个例子一样,我们首先要问:“营销策略试图达到什么目标?”。简单来说:我们希望优化每个客户的生命周期价值。 第二个问题:“我们有什么可调因素来实现这一目标?”。有一些,如下面所示:
1.我们可以给出可以造成惊喜和喜悦的产品推荐(使用上一节中提到的优化建议)。
2.我们可以为客户提供量身定制的折扣或特别优惠,这些产品并非随时可供购买或在其他地方可以买到。
3.我们甚至可以打电话给客户以了解用户使用我们的网站的感受并让他们感受到他们的反馈是有价值的。
我们需要收集哪些新数据?这可能因具体情况而定,但一些在线零售商正采取创造性的方法来完成这一步骤。在线时装零售商Zafu给我们展示了它是如何鼓励客户参与到此过程的。很多网站都出售设计师的作品,但对于很多女性来说,高端牛仔裤是他们不会在线上购买的一件商品,因为如果不试穿的话,很难找到合适的牛仔裤。Zafu的方法不是直接将衣服展示给顾客,而是先询问一系列关于顾客体型、其他牛仔裤的合身程度以及时尚偏好的简单问题。只有这样,客户才能继续浏览Zafu网站。数据收集和建议步骤不是附加组件;他们是Zafu的整个商业模式 - 女式牛仔裤现在是一种数据产品。 Zafu可以根据他们的系统收集到的数据来不断改良他们的牛仔裤设计。