×
支持199IT發展可加入知識交流群(10K+用戶),最有價值數據分享!
點擊即可加入!
關閉
title_temp-食色软件app下载

Amazon和Netflix的個性化推薦是如何工作的?

食色APP2019年是個性化推薦從“忽悠”中邁出具體步驟轉型,并在同等充滿活力的B2B和B2C營銷部署中找到了自己的號召力的一年。甚至您自己,親愛的讀者,每次登錄Netflix并沉迷于其中的電視劇時,都會無意間成為推薦位實驗的一部分。那么,您如何大規模模擬他們的個性化推薦模型?本文將試圖從收入角度解讀兩家互聯網巨頭——Netflix和亞馬遜。

Netflix的個性化客戶體驗秘訣

Netflix所做的一切都由數據驅動,并由智能AI算法提供支持。該公司一直在集思廣益,并測試想法,以確保其平臺上發布的內容與用戶的確切思考過程相匹配。而且,它們所付出的努力非常明顯。

讓我們了解它的個性化機制如何為Netflix創造奇跡,以及我們可以從在線視頻流媒體巨頭那里學到什么。

1、A / B測試的使用

沒有人比Netflix更了解A / B測試技術。Netflix產品副總裁Todd Yellin表示,該公司每年進行約250次A / B測試。這些測試中的每一個都向用戶提供了兩種不同的體驗版本,以查看用戶如何反應和響應建議的更改。Netflix平均選擇約100,000個用戶來檢驗其假設,這也正是沒有兩個用戶在Netflix平臺上擁有相同的體驗的原因之一。

遵循此處的經驗方法,Netflix確保平臺上顯示的任何內容(內容,圖像和視頻)均由其運行的A / B測試收集的實際數據驅動,而不是基于一個人的觀點。

Netflix的登陸卡是在此處引用的一個完美示例。登陸卡通常是瀏覽Netflix推薦類別的用戶可見的圖像或視頻預告片。現在這些卡怎么能有所作為?這個概念很簡單。圖片和視頻比起周圍的內容(即解釋性文字)對客戶的思維有更大的沖擊效果。如果人們看到的是有吸引力且引人注目的圖像或預告片,則人們更可能觀看視頻。

食色APP通過對這些登陸卡進行A / B測試,平臺可以了解其客戶的心理,并進一步使用收集的數據以最有效的方式個性化他們的體驗。

2、使用AI助力推薦引擎

食色APP與亞馬遜類似,Netflix在使用人工智能和機器學習來增強其推薦引擎方面也享有很大的聲譽。該公司使用客戶查看數據,搜索歷史記錄,評分數據,以及時間,日期,還有用戶的設備來推測應當推薦給此用戶的具體內容。統計數據顯示,Netflix在2014年使用了76,897個“交替類型”或其他獨特的方式來確定電影的類型。數據也表明,在向每個用戶推薦時,不僅要個性化他們的體驗,而且還要讓他們成為“回頭客”。

食色APP此外,該公司還使用客戶數據為其每個用戶創建獨特的的主頁。在主頁上,Netflix顯示了它認為最能滿足用戶興趣且增強了用戶在該平臺的整體體驗的內容。

痛點——由AI和機器學習提供支持的強推薦位,不僅使您可以為用戶提供他們所喜愛的個性化體驗,還可以顯著降低用戶流失率。

3、在正確的時間使用正確的內容

食色APP拋開算法以提出建議,推薦位內容既可能創造,也可能或打破用戶與平臺的整體體驗和關系的能力。而且,Netflix非常了解這一點!

在線視頻流媒體巨頭使用內容根據用戶喜歡或不喜歡它們的方式來反應其推薦內容的成功或失敗。例如,如果用戶花很多時間觀看《The Ritual》,《The Babysitter》或《Apostle》等恐怖電影時,則Netflix會推薦類似的電影,以使用戶著迷于其平臺。它不能完全推薦喜劇電影,因為根據用戶以往的瀏覽數據,這似乎是一個非常模糊的建議。

食色APP除此之外,Netflix還使用觀看時刻作為重要變量來向客戶推薦節目。意思是,當用戶在深夜登錄時,Netflix平臺將推薦時長較短的節目或是用戶已經看了一大半的節目,而不是推薦時長較長的節目。

我們在這里了解到的是,在正確的時間顯示正確的內容不僅可以幫助增加平臺上的客戶參與度,而且可以顯著改善用戶體驗。

亞馬遜的綜合產品推薦系統

食色APP亞馬遜的轉型之旅始于2010年,當時它開始通過其“購買x商品的客戶”小部件向其客戶推薦產品。當時,這給了他們巨大的飛躍,并且對于電子商務巨頭來說仍然是奇跡。根據公司的說法,即使在今天,它的銷售額也有近35%來自這種個性化推薦!而且,其中將近56%的人也可能會成為回頭客。

食色APP它試圖個性化客戶的購物體驗的嘗試不僅止于此。在過去的幾年中,借助人工智能,機器學習和預測分析,亞馬遜在個性化方面取得了令人矚目的進步。

食色APP這是從亞馬遜的個性化工作中學到的東西:

1、人工智能和深度學習技術的使用

登錄到您的亞馬遜帳戶,您將看到該平臺總是有新的推薦內容,且它們都完美契合您的興趣。這是如何做到的?答案是深度學習!

食色APP深度學習是AI和機器學習的延伸,它使用算法自然地了解人類行為并提供相應結果。在亞馬遜,深度學習可幫助平臺分析客戶下一步可能購買哪些產品,并在他們下次進入網站或再次登錄時進一步向他們推薦產品。在此,推薦位的技術考慮了客戶已查看,購買,評分和評論的產品和產品頁面。

2、摒棄“一刀切”的方案

我們向亞馬遜學習的另一件事是其獨特的在個體層面上沉浸于每個客戶的能力。意思是,每當客戶登陸到此網站時,亞馬遜都會向該客戶顯示一個專門為他設計的主頁。這些變化不是一次性的事情,而是每天發生的事情,并且是基于客戶在平臺上的實時行為而發生的。借助此功能,亞馬遜不斷提供具有高相關性的推薦項目的個性化體驗,從而使用戶回頭再來。

食色APP亞馬遜不僅改變了客戶的購物方式,還用獨特的個性化體驗“慣壞”了他們。從以下事實可以明顯看出這一點:57%的客戶聲稱亞馬遜為他們提供了更多的產品信息,諸如產品的功能和質量,從而改善了他們的整體購物體驗。

不斷發展的饑餓感

超過一千家公司在線上市場上競爭,這使亞馬遜和Netflix成為這些公司不斷尋求發展的靈感之源。從行為定位到深度學習,從內容個性化到轉化率優化,沒有哪樣東西是這兩家互聯網巨頭從未探索或利用過的。學習他們的經驗,以及他們深入了解個性化概念的方式,可以幫助您的公司指數型成長,并在當今以客戶為導向的市場中為自己贏得一席之地。

食色APP注:本系列分享均譯自 Astha Khandelwal?的《How Does Amazon & Netflix Personalization Work?》,經譯者龔柏芃翻譯、整理而成。

本文來自微信公眾號

感謝支持199IT
我們致力為中國互聯網研究和咨詢及IT行業數據專業人員和決策者提供一個數據共享平臺。

要繼續訪問我們的網站,只需關閉您的廣告攔截器并刷新頁面。
滾動到頂部