เอนจิ้นคำแนะนำสินค้า AI เลือกสิ่งที่จะแสดงอย่างไรจริงๆ

คำแนะนำแบบอิงเนื้อหา: เปรียบเทียบว่าสินค้าคืออะไร

ระบบแบบอิงเนื้อหาแนะนำสินค้าโดยเปรียบเทียบคุณสมบัติที่แท้จริงของมัน — หมวดหมู่ วัสดุ ช่วงราคา แท็กเชิงพรรณนา — กับสิ่งที่ผู้ซื้อคนหนึ่งแสดงความสนใจไปแล้ว ถ้ามีคนดูรองเท้าบู๊ตเดินป่ากันน้ำคู่หนึ่ง ระบบแบบอิงเนื้อหาจะมองหาสินค้าอื่นที่มีคุณลักษณะที่เกี่ยวข้องร่วมกัน: รองเท้ากันน้ำอื่นๆ อุปกรณ์เดินป่าอื่นๆ สินค้าในช่วงราคาที่คล้ายกัน

แนวทางนี้โดยทั่วไปพึ่งพาข้อมูลของผู้ซื้อคนเดียวเองมากกว่าการดึงจากสิ่งที่ชุมชนลูกค้าที่กว้างขึ้นทำ ซึ่งทำให้มันคาดเดาได้มากขึ้นแต่ก็จำกัดมากขึ้นด้วย — มันมักจะแนะนำสิ่งที่คล้ายกับสิ่งที่คนดูไปแล้ว ซึ่งอาจหมายถึงความหลากหลายน้อยลงสำหรับผู้ซื้อที่กำลังเรียกดู

Collaborative filtering: เปรียบเทียบสิ่งที่ผู้คนทำ

Collaborative filtering ทำงานต่างออกไป เอกสารของ Google เกี่ยวกับแนวทางนี้ อธิบายว่ามันใช้ความคล้ายคลึงระหว่างผู้ใช้และสินค้าพร้อมกัน เรียนรู้จากรูปแบบในพฤติกรรมชุมชนมากกว่าจากคุณสมบัติของสินค้าแต่ละชิ้น ในทางปฏิบัติ: ถ้าลูกค้าที่ซื้อรองเท้าบู๊ตเดินป่าแบบเดียวกับผู้ซื้อปัจจุบันของคุณยังซื้อแผนที่เส้นทางเฉพาะหรือถุงเท้าเดินป่าบ่อยๆ ระบบก็จะแนะนำสินค้าเหล่านั้น — ไม่ใช่เพราะพวกมันมีคุณสมบัติชัดเจนร่วมกับรองเท้าบู๊ต แต่เพราะคนที่มีรูปแบบการซื้อคล้ายกันซื้อทั้งสองอย่าง

สิ่งนี้สามารถสร้างคำแนะนำที่น่าประหลาดใจอย่างน่ายินดีแบบที่ระบบแบบอิงเนื้อหาแทบไม่เคยทำได้ เพราะมันไม่ถูกจำกัดอยู่แค่สินค้าที่มีคุณสมบัติระดับผิวเผินร่วมกัน ข้อแลกเปลี่ยนคือมันต้องการข้อมูลพฤติกรรมจริงเพื่อทำงานตั้งแต่แรก ผู้ให้บริการคลาวด์รายใหญ่สะท้อนการแบ่งแยกแบบเดียวกันนี้ในวิธีที่พวกเขาสร้างเครื่องมือคำแนะนำ: เอกสารของ Amazon เองสำหรับบริการ Personalize อธิบายการรองรับทั้งอัลกอริทึมแบบ collaborative และแบบอิงเนื้อหาควบคู่กัน แทนที่จะปฏิบัติต่ออันหนึ่งเป็นตัวแทนสากลของอีกอันหนึ่ง

ปัญหา cold-start ที่ร้านค้าเล็กควรวางแผนรับมือ

จุดอ่อนหลักของ collaborative filtering คือสิ่งที่เรียกว่าปัญหา cold-start: มันไม่สามารถแนะนำสินค้าที่ยังไม่มีประวัติการซื้อหรือการโต้ตอบได้อย่างมีความหมาย และมันมีสิ่งที่ใช้งานได้น้อยสำหรับผู้เยี่ยมชมใหม่เอี่ยมที่พฤติกรรมยังไม่ถูกบันทึก สำหรับร้านค้าเล็กหรือใหม่ที่มีแคตตาล็อกจำกัดและทราฟฟิกปานกลาง นี่ไม่ใช่กรณีสมมติที่เป็นขอบเขต — มันคือสถานการณ์ปกติสำหรับสินค้าและผู้เยี่ยมชมส่วนใหญ่

นี่คือจุดที่แนวทางแบบอิงเนื้อหา หรือระบบผสมที่ย้อนกลับไปใช้คุณสมบัติสินค้าเมื่อข้อมูลพฤติกรรมบางเบา มักจะทำงานได้น่าเชื่อถือมากกว่าสำหรับแคตตาล็อกที่เล็กกว่า เอนจิ้นคำแนะนำแบบ collaborative filtering ล้วนๆ ที่ปรับแต่งสำหรับผู้ค้าปลีกที่มีทราฟฟิกสูงอาจมีข้อมูลน้อยเกินไปที่จะใช้งานบนร้านค้าที่เล็กกว่า — ข้อจำกัด cold-start เดียวกันที่การเปรียบเทียบเชิงวิชาการของทั้งสองแนวทาง อธิบายว่าเป็นหนึ่งในจุดอ่อนที่มีการบันทึกไว้อย่างสม่ำเสมอที่สุดของ collaborative filtering

สิ่งที่ควรชั่งน้ำหนักจริงๆ เมื่อประเมินแอปคำแนะนำ

ถามว่าแอปใช้แนวทางใดจริงๆ เนื่องจากผู้ให้บริการไม่ได้นำเสนอรายละเอียดนี้เสมอไป และความเหมาะสมที่แท้จริงขึ้นอยู่กับขนาดแคตตาล็อกและทราฟฟิกจริงๆ ร้านค้าที่ใหญ่กว่าที่มีปริมาณธุรกรรมต่อสินค้าที่มีความหมายสามารถได้ประโยชน์จากความสามารถของ collaborative filtering ในการนำเสนอความเชื่อมโยงที่ไม่ชัดเจน ร้านค้าที่เล็กกว่าหรือใหม่กว่ามักได้รับบริการที่ดีกว่าจากแนวทางแบบอิงเนื้อหาหรือแบบผสมที่ไม่พึ่งพาข้อมูลพฤติกรรมที่ร้านยังไม่มี

ยังคุ้มค่าที่จะจำไว้ว่าระบบนี้ทำอะไรไม่ได้: มันทำงานเฉพาะกับผู้เยี่ยมชมที่อยู่บนเว็บไซต์ของคุณอยู่แล้วเท่านั้น มันไม่มีผลต่อว่าผู้ช่วย AI แนะนำร้านของคุณให้กับคนที่ยังไม่พบคุณหรือไม่ — นั่นเป็นปัญหาแยกต่างหากที่ต้องการวิธีแก้แยกต่างหาก ครอบคลุมในคู่มือของเราเรื่องการปรับให้เป็นส่วนตัวด้วย AI เทียบกับการมองเห็นของ AI

FAQ