拥有详细的客户信息意味着可以创建一个更加个性化和高效的新推荐系统。这个新系统的功能基于协同过滤模型一种通过对具有相似特征的买家进行细分来预测购买行为的方法。模型的简化算法如下和是年龄相仿的女性她们喜欢在上购物。珍妮特和丹妮丝买了配套的太阳镜和高跟鞋。丹妮丝后来购买了运动鞋。因为和过去购买过相同的商品所以协同过滤模型会向推荐之前购买的运动鞋。该模型使用机器学习和预测分析将具有相似特征的购物者分组以生成更加个性化的推荐。协同过滤模型被用作在主页产品页面和购物车上生成产品推荐的模板。
更多的渐进模型例如推荐客户之前浏览过的相同颜色的产品也基于协同过滤算法被开发和实现。新模型的成功得益于与的有针对性的沟通。协同过滤需要结构化数据足够的时间来训练过滤器以及一个明确的假设。之后实施测试和改进。为提供成功实施推荐模型所需的必要支持。在对模型进行全面测试和实施之后结果变得清晰起来。协同 秘鲁 WhatsApp 号码列表 过滤发挥了作用现在已准备好在购买过程中为其客户提供更加个性化的体验。让我们来看看这些结果。应用模型的结果为了直观地展示协同过滤的效果让我们将新模型与旧度量模型进行比较。首先我们来看协同过滤算法实现后有多少人点击了推荐商品。
结果不言自明推荐产品的点击率协同过滤模型的使用使网站首页产品页面和购物车上特色产品的点击率提高了一倍以上。当然这些数字令人印象深刻但总体点击率并不能反映全貌。买家需要向下滚动主页和产品页面才能看到推荐。但实际上只有的购物者向下滚动页面以查看推荐产品。为了更好地了解协同过滤模型与度量模型的性能我们需要只考虑那些向下滚动页面并查看推荐的客户。这种方法展示了个性化的有效性。推荐产品的点击率并且在这种情况下应用协同过滤模型使首页特色产品的点击率提高了一倍以上。