Современные интернет-магазины страдают от кардинальной проблемы. Слишком много продуктов, чтобы предложить, и клиенты теряются из-за огромного выбора. В отличие от традиционных магазинов, практически нет рекомендаций, которые помогают покупателям в их поиске.

В этой статье мы предлагаем новый подход к разработке успешного персонализированного интернет-магазина, позволяющий успешно искать покупателей в магазине. Этот подход основан на алгоритмах, обычно используемых в системах рекомендаций, но редко используемых для поиска в интернет-магазинах. Мы используем этот подход как для поиска по ключевым словам, так и для просмотра, и представляем реализацию этого подхода. Мы сравнили несколько алгоритмов поиска руководства экспериментально, и результаты экспериментов показывают, что предложенные алгоритмы применимы к области интернет-магазинов.

Поскольку онлайн-магазины предлагают все больше и больше товаров, покупателям становится все труднее находить то, что им нужно, за разумное время. По мере того, как время, которое покупатели тратят на поиск нужного товара, увеличивается, время, которое они проводят в магазине, сосредотачиваясь на одном поиске, увеличивается, и, таким образом, шансы на то, что они захотят снова посетить магазин в будущем, уменьшаются. В то время как в розничном магазине есть продавец, который руководит покупателем во время процесса поиска и помогает ему найти лучший продукт, который соответствует его потребностям, такого торгового персонала нет в интернет-магазинах. Таким образом, интернет-магазины должны использовать другие механизмы, которые заменят традиционную роль продавца.

Таким образом, крайне важно разработать интернет-магазин таким образом, чтобы компенсировать этот недостаток. В недавнем опубликованном опросе Андерсена (2001 г.) говорится, что почти 60% потребителей, которые покупают в интернет-магазинах, делали покупки у одного и того же продавца как онлайн, так и лично. Опрос, опубликованный CARAVAN (2001), утверждает, что удобство – главная причина, по которой потребители любят делать покупки в Интернете (56%). Таким образом, удачный дизайн интернет-магазина должен сделать процесс покупки максимально простым и удобным и позволить покупателям найти нужный товар с наименьшими затратами времени.

Мы разработали общую персонализированную систему для поиска в онлайн-магазине (OSGS), которая помогает покупателям совершать покупки, не теряя времени. Таким образом, система адаптируется к тому, чтобы наилучшим образом соответствовать конкретному клиенту, выполняя нашу цель – обеспечить эффективный и быстрый механизм. Мы считаем, что общая система управляемого поиска также требует алгоритмов для идентификации профилей клиентов. Это приведет к долгосрочным отношениям с покупателями и увеличит долгосрочные выгоды магазина. Эта система должна работать в любой области с небольшими изменениями в алгоритмах и используемой ею базе данных. Мы внедрили и протестировали нашу систему в области автозапчастей GM.

OSGS поддерживает как поиск по ключевым словам, так и поиск по сайту, и применяет три разных алгоритма персонализации: (a) история клиента, (b) соседи по профилю истории и (c) соседи по демографии и профилю предпочтений.

Эксперименты показывают, что OSGS повышает удовлетворенность клиентов от процесса поиска и снижает усилия клиентов во время самого поиска.

Использованные источники

  1. Aggrawal C C, Wolf J L, Wu K and Yu P S (1999) Horting Hatches an Egg: A New Graph- Theoretic Approach to Collaborative Filtering. In: Proceedings of ACM Knowledge Discovery and Data Mining (KDD-99), pp. 201-212.
  2. Andersen’s Internet Survey conducted between May 1, 2001 and May 6, 2001, and based on responses from 1,317 online users. Online User Shopping Habits Survey 9 (2001).  andersen.com/website.nsf/content/MarketOfferingseBusinessResourcesOnline UserPanelShoppingExperience (visited November, 2002).
  3. Bellman S, Lohse G L and Johnson E J (1999) Predictors of Online Buying. Findings from the Wharton Virtual Test Market. Communications of the ACM, 42(12):32-38.
  4. Brin S and Page L (1998) The Anatomy of a Large-Scale Hypertextual Web Search Engine. Computer Networks and ISDN Systems, 30(1-7):107-117.
  5. CARAVAN Survey conducted in August 2001, and based on responses from 1,003 adults (2001) nclnet.org/shoppingonline/shoppingsurvey.htm  (visited  November, 2002).
  6. Chen L and Sycara K (1998) WebMate: A Personal Agent for Browsing and Searching. In: Proceedings of the Second International Conference on Autonomous Agents (Agents’98), pp. 132-139.
  7. Goffinet L and Noirhomme-Fraiture M (1995) Automatic Hypertext Link Generation based on Similarity Measures between Documents. Research Paper, RP-96-034, Institut d’Informatique, FUNDP. Available at fundp.ac.be/~lgoffine/ Hypertext/semantic_links.html (visited November, 2002).
  8. Good N, Schafer J B, Konstan J A, Borchers A, Sarwar B, Herlocker J and Riedl J (1999) Combining Collaborative Filtering with Personal Agents for Better Recommendations. In: Proceedings of AAAI-99, pp. 439-446.
  9. Herlocker JL, Konstan J A, Riedl J (2000) Explaining Collaborative Filtering Recommendations. In: Proceedings of the ACM 2000 Conference on Computer Supported Cooperative Work, pp. 241-250.
  10. Holte R C and Drummond C (1994) A learning apprentice for browsing. In: Working Notes of the AAAI Spring Symposium on Software Agents, pp. 37-42.
  11. Kitts B, Freed D and Vrieze M (2000) Cross-Sell: A Fast Promotion-Tunable Customer-item Recommendation Method Based on Conditionally Independent Probabilities. In: Proceeding of the ACM SIGKDD International Conference, pp. 437-446.
  12. Lieberman H (1995) Letizia: An Agent that Assists Web Browsing. In: Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence (IJCAI-95), pp. 924-929.
  13. Limthanmaphon B, Zhang Z and Zhang Y (2002) Querying and Negotiating Structured E- Commerce Activities. Fourth Agent Mediated Electronic Commerce Workshop.
  14. Lin R (2002) Attaining Fast and Successful Search in E-Commerce Environments. A Master’s Thesis, Bar-Ilan University.
  15. Lohse G L and Spiller P (1998) Electronic Shopping: The Effect of Customer Interfaces on Traffic and Sales. Communications of the ACM, 41(7): 81-87.
  16. McGinty L and Smyth B (2002) Deep Dialogue vs. Casual Conversation in Recommender Systems. In: Proceedings of the Second International Conference on Adaptive Hypermedia and Web-Based Systems (AH-2002), pp. 80-89.

OSGS – A Personalized Online Store for E-Commerce Environments
Raz Lin, Sarit Kraus, Jeffrey Tew

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *