Мое внимание действительно привлекли три слайда из блестящего выступления Бенедикта Эванса Конец начала.
Во всех отраслях машинное обучение помогает нам достичь последовательного понимания того, что такое вещь. Это помогает нам четко понять, что есть вещи, шаг вперед по сравнению с существующим положением дел, которое опирается на экстраполяцию через косвенный вывод. В контексте розничной торговли последствия этого значительны. Вот почему.
В течение многих лет компании пытались настроить таргетинг на потребителей, чтобы подтолкнуть персонализированные рекомендации к открытию продукта - будь то таргетированная реклама в социальных сетях, таких как Facebook / Instagram / Google, или через персонализированные страницы на сайтах электронной коммерции, таких как Amazon / Walmart / eBay. Тем не менее, доминирующим способом обнаружения по-прежнему остается скромный вытягивающий поиск по ключевым словам, который ограничен способностью пользователей переводить намерения в слова.
Для сайтов электронной коммерции недостатком является то, что трудно определить, кто является пользователем, поскольку им не хватает демографической информации, предпочтений, друзей и т. Д. Обходной путь - использовать рекомендательные системы, чтобы определить, что предпочитают другие пользователи с аналогичным поведением на сайте.
Для платформ социальной рекламы недостатком является знание того, что на самом деле представляет собой вещь. Розничные объявления обычно помечаются данными фида каталога, которые ограничены по количеству структурированных полей и степени нормализации - плохо по сравнению с обширными данными каталога, которые несут сайты электронной коммерции.
В сравнении с этими двумя группами платформы социальной рекламы имеют больший недостаток; труднее обойтись, не зная, что вы продаете, чем обойтись, не зная, кому вы продаете. Вот почему эти компании имеют ограниченное влияние на поведение розничной торговли. Но все это меняется по мере того, как машинное обучение становится все более популярным.
Развивая семантическое понимание того, к чему на самом деле относится розничная реклама, платформы социальной рекламы могут преодолеть недостаток данных о товарах. Более того, с помощью алгоритмов, которые могут использовать информацию из общедоступной сети, они могут расширить свое понимание за счет внешних знаний. Заимствуя мысленную конструкцию, которую использует Бенедикт Эванс, лучший способ подумать об этом - представить, как армия стажеров, аннотирующих каждое розничное объявление с их семантическими и культурными данными, может помочь улучшить понимание платформы. Подумайте о количестве дополнительных атрибутов, которые теперь может содержать каждое объявление, и о том, как развитие реального понимания того, что представляет собой каждое объявление, может помочь предложить более актуальные и эффективные персонализированные рекомендации.
Еще не взволнованы? Я знаю, сложно ли увлечься «лучшей рекламой»? Но что, если я скажу так: подумайте о том, что произойдет, когда эти платформы начнут интегрировать эту осведомленность в опыт первого порядка. Забудьте о рекламе, подумайте о публикациях в Facebook, историях из Instagram, результатах поиска в Google и значках Pinterest. Представьте себе мир, в котором ваши рекомендации по покупкам так же актуальны, как и рекомендации в социальных сетях или в хронике? Разве это не изменило бы игру!
Эта тенденция может иметь значительную добавленную стоимость. Рассмотрим пример из личного опыта вашего автора. Как веган, который заботится о продуктах, полученных из этичных источников, шопинг - неизбежное упражнение, которое ослабляет исследования, делая мои отношения с электронной коммерцией ограниченными и утилитарными. Но если бы армия стажеров провела для меня это исследование, мой опыт покупок был бы действительно приятным, и мои средние расходы, вероятно, увеличились бы.
Возможности для максимальной персонализации здесь огромны. Расходы на электронную торговлю в США по-прежнему составляют лишь 8% от общего объема розничных продаж в США и гораздо меньшую долю от общих потребительских расходов. Начало - это только конец, и большая часть опыта, связанного с розничной торговлей и рекламой, еще предстоит написать. Будет очень интересно посмотреть, как различные участники этой игры собирают данные и используют машинное обучение для формирования будущего.
Эта статья изначально была опубликована в Блоге Semantics3
