Nul
I den konkurrenceprægede detailhandlen, personalisering strategier er blevet table stakes. Men for et brand for virkelig at forbinde med en kunde, skal den først til at vide som kunde. Data videnskab og machine learning er at gøre det nemmere for brands at få nyttig indsigt i deres kunder baseret på deres adfærd. Overstock.com på næsten 20 år gammel, har en dyb brønd af data til at trække fra.
Chris Robison, Overstock.com’s Direktør af Data og Publikum, talte til ZDNet om de forskellige indsigter, det kan få fra sine kundedata — hvad årtier gamle oplysninger om en kunde kan fortælle dig mod de nyeste opdateringer til deres indkøbskurv.
Her er nogle højdepunkter i samtalen:
To årtier ” til en værdi af data
Overstock.com er markedsføring omkring fem-plus millioner produkter på en global skala, Robison er angivet.
“Den meget unikke ting om vores virksomhed, der tiltrak mig som en data videnskabsmand, data entusiast her, er bare, at næsten to årtiers værd rige data, som vi kan faktisk mine,” sagde han. “Det sætter os i en meget unik plads i e-handels branchen. Hvad det beløb, der er til for mig som forsker og en marketingmedarbejder års rige web log data.
“Vi er faktisk i stand til at gå tilbage og se på nogle af vores tidlige kunde profiler og personer, der var måske unge forældre i slutningen af det århundrede, der nu er begyndt at shoppe efter det første sæt af kollegieværelse møbler til en ophidset nye bachelor-studerende. At se folk gennem de faktiske overgange i livet har været en virkelig utrolig datasæt og en utrolig mulighed for som videnskabsmand.”
Gamle data sammenlignet med nye data
De langsigtede data på lager indsamler, Robison sagde, er nyttigt til CRM-formål.
“Vi kan faktisk se på disse mønstre, der historisk har været shopping, som vi tiltrækkes, at hvad betyder den længere-tailed karakter af vores gruppe af kunder til at se ud?” sagde han. “Hvor er de i form af demografiske data, som vi kan være i stand til at få fra tælling eller en anden tredje part, platform? Så det bliver en slags, hvad jeg ville kalde et 10.000 fod.”
Men når det kommer til at konvertere vindue kunder til købere, Robison sagde nogle af de ældre data er måske ikke så relevant.
“Den måde, at kunderne interagerer med e-handel hjemmesider har ændret sig fundamentalt,” sagde han. “Online shopping, især i de sidste fem til 10 år, siger, er blevet så indgroet i vores dag-til-dag liv, at de mønstre og signaler er virkelig meget forskellige fra måske de tidlige entusiaster om online shopping der var på vej til vores site i ’99 og 2000.”
De data, der indsamles, Robison understregede, er fra kunder, der har valgt ind i hosting på lager cookies fra i deres browsere, som er aggregerede med on-site information.
Marketing mål: at Spotte tilbøjelighed til at købe
Når Robison sluttede på lager om to år siden, har hans team ‘ s første opgave var at identificere kundernes “tilbøjelighed til at købe,” sagde han.
“Idéen er, at vi får kam over denne web log data… og forsøge at udvikle feature design, der hjælper os med at identificere, når en kunde er, siger, bare “vinduet shopping” at bruge form af den fysiske sigt, i forhold til når de er faktisk klar til at konvertere. Hvordan kan vi indkode funktioner, herunder klassisk tid-serien, føre lag variabler, hele vejen op til arrangementet interaktioner, der viser os, at når nogen er klar til at slags træk, der udløser og foretage et køb.”
“Interaktioner,” Robison forklarede, kunne det betyde, at enhver handling på webstedet. “Hver gang du går og klik på måske en anden farve swatch for en sofa, eller du får vist…hver gang du træder ind i stedet. Dem, end at være individuelle begivenheder i vores web log data.”
Indsigter fra forskellige dele af data
“Vores opgave som data fagfolk, der er til at tage at meget uensartede data og rul det sammen til noget meningsfuldt i forhold til funktioner,” Robison sagde. “Nogle af de interessante ting vi fandt, var første off, en bekræftelse af naturlige forudsætninger. Folk har en tendens til at gennemse og vindue-shop oftere i løbet af dagen, og kan være mere tilbøjelige til at konvertere til i aften.
“Der er også en masse interessante cross-device interaction. Jeg, for en, gøre en masse browsing på min mobiltelefon, men hvis jeg gør et stort indkøb, sige, en sofa eller et sofabord, jeg er mere tilbøjelige til at gøre det hjemme på min nuværende computer eller en tablet. Så forskellige samspil punkter, der viser os, er, at nogen virkelig at geare op og klar til at konvertere. En af de mere interessante af dem vi fandt var folk har en tendens til at bruge deres vogne som en ønskeliste… Så enkeltpersoner vil gå hen og starte med at fjerne elementer fra deres vogn, med en monoton mode, som signalerer til os, at de virkelig er klar til at konvertere, fordi de prøver at opfylde det budget som de har sat for sig selv.”
Flytning af modeller til produktion med Databricks
Mens Robison ‘s opgave var i markedsføring”, Der er lignende udfordringer i nogen af disse programmer,” sagde han, “og en af de største udfordringer for alle i branchen er, at de sidste kilometer for at flytte modeller, der har været pænt finpudset af data fagfolk i et egentligt produktionsmiljø.”
Robison s team havde været ved hjælp af Apache Gnist, så viste det sig at Databricks til at løse dette problem. Databricks blev dannet af nogle af grundlæggerne af Apache Gnist, og de push-back-det store flertal af open source bidrag til Apache Gnist projekt. “Det var et naturligt valg for det værktøj, vi har brugt og så kigge på en administreret-platform, der kunne hjælpe os med at productionize og fremskynde vores innovation ved hjælp af dette værktøj,” Robison sagde.
Beskæftiger sig med forskellige miljøer
“Da jeg kom for meget på en masse af de data, som forskere var kørende modeller og lave beregninger på de enkelte maskiner eller indersiden af Jupyter Notebooks, ting af denne art,” Robison sagde. “At være i stand til at derefter tage lille prøve data, der angiver, at du er prototyping en model, og finde ud af, hvordan du får den model, så det er i overensstemmelse med en marketing processen, sige, at skubbe særlig bud eller tilbøjeligheder til en kanal, har en tendens til at være meget forskellige.
“Så er du interagere med produktion databaser, produktionsmiljøer. Vi er nødt til at komme op med automatiserede måder, at vi kan ETL data og få det rullet op i det format, som vi ønsker. Men der er også behov for kontrol og saldi på toppen af disse processen.”
Behovet for data til validering-processer
“Hvis tingene kører i en automatiseret måde, især da disse modeller bevæger sig mere i retning af real-time, er der en masse muligheder for processer til at slags komme ud af kontrol og køre galt,” Robison sagde. “Du har brug for overvågning, du har brug for kontrol og balance. Der er altid data til validering-processer.
“Hvis den grundlæggende funktionalitet af vores kunder ændringer, måske en grund til i markedet, eller fordi for eksempel denne tid af året, vi er på vej ind i vores højsæson, med Black Friday og vinter ferie. Der kommer til at ændre grundlæggende fordelingen af nogen af mine funktioner. Vi skal have overvågning er sat op til at så en, vi opdager problemet, før det bliver til noget reelt problem, men så bliver det et mere interessant spørgsmål om, ‘Okay, har den adfærd af vores kunder faktisk har ændret sig eller gjorde noget pause i min automatiseret ETL-processen?’ Vi er nødt til at være i stand til at besvare disse spørgsmål meget hurtigt.”
Relaterede Emner:
Digital Transformation
Robotteknologi
Tingenes Internet
Innovation
Virksomhedens Software
CXO
0