活用您的 Big Data，實現線上服務行銷的精準推薦
9 likes2,429 views
文档介绍了如何利用大数据实现精准推荐以提升线上服务营销的效果，包括引流、转化客户和提高均单等关键因素。通过精确分析客户行为和意图，结合协同过滤技术，推荐系统能够了解客户潜在的需求和喜好，从而提供个性化的推荐。案例包括亚马逊、Netflix等成功实例，说明精准推荐对于改善销售和客户体验的重要性。
活用您的 Big Data，實現線上服務行銷的精準推薦
- 1. 活用您的 Big Data， 實現線上服務行銷的精準推薦 精誠資訊 雲中心 Etu 資深協理 陳育杰
- 2. 我們才剛享受到資訊自由取得的喜悅 卻馬上被瞬間淹沒了 2
- 3. 然而，我們要的其實並不多 3
- 4. 關鍵字搜尋與訂閱幫得上忙嗎? • 可以，只要你知道你要找什麼 • 但當你想找你感興趣的東西時，它就幫不上忙了 “感興趣”是什麼東西??? 你多久沒去看你訂閱的 RSS feed 了? 4
- 6. 大家都知道的企業線上服務行銷三概要 導引流量 轉化客戶 提高均單 6
- 7. 問題與挑戰 廣告投放的涵蓋面與精準度 流量的有效性 導引流量 轉化客戶 提高均單 商品的吸引力 客戶深藏的意圖 客戶的意圖 7
- 8. SYSTEX 的解決方案 廣告投放的涵蓋面與精準度 流量的有效性 導引流量 轉化客戶 提高均單 商品的吸引力 Etu Recommender 客戶深藏的意圖 客戶的意圖 精準推薦 8
- 9. 什麼是精準推薦 客戶不說， 我們也能知道他想找什麼、想買什麼 甚至知道他應該會喜歡什麼
- 10. 什麼是精準推薦 推薦使用者可能感興趣 搜尋引擎 的商品給使用者，即使 推薦系統 商品不熱門 商品不常見 個人化 長尾效應
- 11. 精準推薦 - 精準行銷的核心關鍵 預測使用者對於某樣商品的 ”喜愛程度” 針對使用者產生 Top N 個使用者最喜愛的商品 針對商品產生 Top N 個最喜愛商品的使用者 告訴使用者 ”為什麼” 推薦商品給你 根據使用者的回饋及其他使用者的行為更新預測 與推薦模型
- 12. 精準推薦的完美實踐 – Yahoo! Recommended links News Interests Top Searches +79% clicks +160% clicks +43% clicks vs. randomly selected vs. one size fits all vs. editor selected
- 13. 精準推薦的完美實踐 – Netflix 比你的枕邊人還要了解你對影片的喜好 用戶租看的影片 60% 來自系統的自動推薦 預測用戶對一部影片的評等 誤差不會超過半顆星
- 14. 精準推薦的完美實踐 – Amazon 以小書商體貼的初衷，長成地球上最大的個人化零售商 每秒賣出 72.9 項商品 (Oct. 2010) 想方設法，讓客戶與商品配對
- 18. 精準推薦的在線上服務的意涵 交易 瀏 覽 / 搜尋 商品/內容 關聯性 客戶行為 相似性 • 一般推薦大多基於交易資料中的商品關聯與客戶分群 • 然而，客戶在購買前的瀏覽與搜尋才是真正代表客戶內 心的購買的意圖
- 19. 精準推薦的挑戰 交易 瀏 覽 / 搜尋 商品/內容 關聯性 巨量資料 客戶行為 的處理與分析 相似性 • 客戶在的瀏覽與搜尋所產生的資料遠遠大於交易所產生 的資料，所需要的巨量資料處理與分析的系統能力都不 是現有關聯式資料庫或資料倉儲所能提供
- 20. Etu Recommender 建構在 Etu Appliance 上的精準推薦系統 客戶 客戶巨量瀏覽資料 交易資料 推薦清單 其他或 協力廠商資料 Etu Recommender 商品/內容 客戶行為 關聯性分析 相似性分析 Recommendation Engine
- 21. Etu Recommender 的原理 第一步 : 猜你喜歡什麼 協同過濾法 (Collaboration Filtering) 基於用戶 (User Based)(相似性) 基於商品 (Item Based)(關連性)
- 22. 協同過濾法 – 基於用戶 (相似性) 商品 • 假設有很多人都喜愛 iPhone • 如何預測 “我” 有多喜愛 iPhone ? • 選定 20~50 位和我品味相似 的用戶 • 那麼，他們有 “多喜愛” 用 户 iPhone 就代表 “我” 有多喜 愛 iPhone • 簡單說: 你可能喜愛 iPhone, 因為你的朋友都喜愛 iPhone
- 23. 協同過濾法 – 基於商品 (關連性) (Amazon) • 我已經買過很多商品 商品 • 你會推薦我買 iPhone 嗎 ? • 從我過去過的商品中, 選出 20~50 項和買 iPhone 的人相 似的 • 我有多喜愛這 20~50 項商品, 用 就代表我有多喜愛 iPhone 户 • 簡單說: 買過那些商品的人, 也喜歡 iPhone (Amazon 模 式)
- 24. Etu Recommender 的原理 第二步 : 產生 Top-N 推薦列表 1.針對用戶 A，找出相似用戶，找出這些用戶喜歡的商品 2.針對 1 所產生的商品列表，過濾已經被 A 點評過的商品 3.可根據以下條件排序產生 Top-N 列表 商品被用戶喜愛的次數 商品被不同用戶看過的次數 相關商品的點評 列表中商品之間的相似度及用戶的點評 4.把商品和用戶的角色互換，可得出 Top-N 用戶列表
- 25. Etu Recommender 的原理 第三步 : 告訴用戶推薦的原因 • 歡迎回來 (最近看過的) • 其他人也喜愛 … • 今日推薦 • 相似及相關商品推薦 • 新品推薦 • 買這個的人也買了 … • 同類熱門商品推薦
- 26. Etu Recommender 的原理 第四步 : 更新 • 每小時增加新商品及新用戶 • 重新計算並統計 • 長尾效應 : 長尾商品確實存在，而且會自動被 系統推薦給新使用者 • 趨勢追蹤
- 27. Etu Recommender 系統架構 API Web Server 推薦結果 使用者資料 產品目錄 Product User DB DB 商品瀏覽日誌 Etu Recommender
- 28. 推薦清單的運用 不光只是線上服務 個人化推薦清單 瀏覽 搜尋 連鎖 點擊 結帳 購物車 百貨 個人化 EDM 虛擬通路 (線上) 零售 Etu Recommender 實體通路 (線下) 精準推薦應用系統 流通 銀行 個人化帳單 媒體 交易 28
- 29. 推薦清單的運用 還有..精準推估業務需求(Forecast) 個人化推薦清單 連鎖 成交率50% 新商品導入 百貨 虛擬通路 (線上) 個人化 EDM 零售 客戶喜好 Etu Customer Preference Recommender 精準推薦應用系統 成交率45% 流通 實體通路 (線下) 銀行 善用推薦系統能讓你在導入新商品時 個人化帳單 媒體 •能更準確的估算可能的銷售額 •更精準的管理你的供應鏈 成交率40% 29
- 30. 更多精準推薦的應用 • 個人化的定價(優惠組合..) • 個人化的內容(新聞、廣告、電影、音樂..) • 個人化的生活(求職/求才、約會、婚嫁…)
- 31. Enterprise Big Data Solution One Service Etu Consulting 顧問服務 商業暨科技顧問 One Application Etu Recommender 分析應用系統 精準推薦應用 One Platform Etu Appliance 處理平台 巨量資料處理解決方案
- 32. 台灣第一個專注服務企業客戶的 Hadoop-based 顧問與解決方案品牌 意圖與關聯充滿的 Big Data 世界 Etu 幫您具體整合來呈現