Alt er en anbefaling

Da Barneys New York lancerede en modelinje af Oklahoma City Thunders basketballstjerne Russell Westbrook i juli sidste år, vidste ledere ikke præcis, hvem der ville købe det tøj. Det behøvede de ikke. Svarene opstod hurtigt fra en online shoppinginnovation, som ofte overses: anbefalingsmotoren.

Traditionelle versioner af teknologien er enkle. Fortæl Netflix dine følelser om et par film, og det foreslår mere. Læs en produktside hos Amazon, og den viser dig lignende alternativer. Det er de værktøjer, der hjalp med at gøre disse virksomheder enorme. Men i dag tager nye teknologier og meget større rækker af tilgængelige data anbefalingsmotorer som den Barneys bruger til et nyt sted, hvilket gør dem mindre indlysende for brugeren, men vigtigere for webstedsdrift.

Et eksempel er, hvordan anbefalinger kan vises som automatisk udfyldende søgeresultater. Efter at en shopper i Jenson USAs online cykelbutik har indtastet de første to bogstaver i en søgning efter helhjelm, viser anbefalingssystemet en liste over hjelme i en rækkefølge baseret på den pågældende kundes profil. Hos Neiman Marcus er hver enkelt shoppers onlineoplevelse tilpasset på samme måde i henhold til personens adfærd ved tidligere besøg – og endda i det nuværende.

Bedre tagging-teknologier giver detailhandlere mulighed for at grave dybere ned i de specifikke designdetaljer af tøj. Det er sådan, de kan fremhæve nye designere som Westbrook over for passende kunder og fokusere på specifikke træk ved hans design. Det ligner den måde, Pandora grupperer lyden på for at bygge publikum til musikere.

Når mere sofistikerede anbefalingsmotorer lokker afslappede browsere med så skræddersyede sidevalg, tredobles chancen for, at de vil købe noget, siger Matt Woolsey, executive vice president for digital hos Barneys.

Den gamle måde at lave anbefalinger online på handler om at indhente kunden – du lader dem fortælle dig om sig selv og jagte dem, siger Woolsey. Vi forsøger at bruge big data til at komme foran kunden.

De teknologier, der giver online-anbefalinger lige så veltilpassede som et Barneys-jakkesæt, er big-data-software som Hadoop og hardwaren til at køre det på, siger Joelle Kaufman, Chief Marketing Officer for BloomReach, en startup baseret i Mountain View, Californien, dvs. en af ​​omkring tre dusin leverandører i marken.

Lokationsbaserede data fra mobiltelefoner kan også spille en vigtig rolle. Andre kilder til forbrugerindsigt, der lige er begyndt at informere om disse nye motorers anbefalinger, kan omfatte købshistorik fra offline butikker og sociale mediers historie.

En hurtig gennemgang af Barneys websted illustrerer, hvordan det fungerer. Woolsey og jeg gik hver til herretøjssiden og klikkede på det samme ur til $150. Da min begrænsede browsing- og købshistorik fokuserede på billigere varer, fik jeg en liste over ure fra $95 til $250 som modforslag nederst på skærmen. Woolsey, der muntert erkendte, at han nok klæder sig bedre end de fleste journalister, fik vist ure, der kostede mellem $330 og $1.100.

Gør dette muligt er teknologier til parallelbehandling, der behandler enorme mængder data hurtigt, siger BloomReachs Kaufman. Nye systemer kan foreslå snesevis af forskellige algoritmer til at vælge den næste side, som forbrugeren kan se.

Hos Neiman Marcus kan BloomReachs teknologi ændre, hvilke typer tøj der vises på dametøjssiden efter blot et par klik. Efter at Kaufman klikkede på tre trøjer, forsvandt en fane til Jimmy Choo-sko, erstattet af en gateway til trøjer på udsalg.

Det er øjeblikkelig maskinlæring, siger hun. Alt er en anbefaling.

skjule