Sprzeda�

Wprowadzenie

Proces sprzeda�y zawsze opiera� si� na wiedzy i zaufaniu: wiedzy od sprzedawcy na temat tego, czego tak naprawd� chce klient, wiedzy klienta na temat istnienia produktu oraz zaufania klienta do sprzedawcy lub firmy. Analizy danych i media spo�eczno�ciowe odgrywaj� odr�bn� rol� w archiwizowaniu wiedzy i zaufania. Jednak media spo�eczno�ciowe i dane pobierane z medi�w spo�eczno�ciowych s� cz�sto mylone jako jedno i to samo. Ale nie s�. Z jednej strony mo�emy wykorzystywa� media spo�eczno�ciowe do tworzenia wiedzy o produkcie i zaufania do tego produktu. Z drugiej strony dane pochodz�ce z interakcji spo�ecznych lub wra�e� zakupowych jako takie mog� by� wykorzystane do tworzenia wiedzy o kliencie, a tym samym do lepszej obs�ugi klienta. W obu przypadkach podej�cie do sprzeda�y spo�eczno�ciowej oraz analiza danych spo�eczno�ciowych maj� na celu wsparcie naszych dzia�a� sprzeda�owych. Ale rzeczywista praca i zestawy umiej�tno�ci s� zupe�nie inne. W tej cz�ci przyjrzymy si� obu obszarom. W pierwszej cz�ci om�wimy sieci spo�eczno�ciowe i sposoby ich wykorzystania. W drugiej cz�ci tego rozdzia�u przyjrzymy si� analizom danych uzyskanym z danych spo�eczno�ciowych lub zachowa� zakupowych klient�w.

Sprzeda� spo�eczna

Warstwa spo�eczno�ciowa w ramach procesu sprzeda�y internetowej dodaje nie tylko mo�liwo�ci tworzenia zasi�gu, jak om�wiono w cz�ci 1, ale tak�e wiedzy i zaufania. Rozwa� nast�puj�cy przypadek:

• Kupuj�c online, znajdziesz produkt, kt�ry Ci si� podoba. Mo�esz dyskutowa�, czy powiniene� go kupi�, zapyta� znajomych o jego jako�� lub po prostu skomentowa�, jak to wygl�da bezpo�rednio przez Facebook, Twitter lub Pinterest. Zapewniaj�c mo�liwo�� przedyskutowania tego produktu, Auchan mo�e nie tylko zaoferowa� swoim klientom spos�b na zaufanie do produktu, ale tak�e pomaga osi�gn�� zasi�g i rozpowszechnia� informacje.

To jest przyk�ad handlu spo�eczno�ciowego. Termin handel spo�eczny zosta� po raz pierwszy wymy�lony przez Yahoo! w 2005 r. Opisuje transakcje e-commerce, kt�re s� uruchamiane lub kierowane przez interakcje spo�eczno�ciowe lub obs�ugiwane przez dane z sieci spo�eczno�ciowej. Handel spo�eczno�ciowy zwykle sk�ada si� z co najmniej jednego z nast�puj�cych element�w:

• rekomendacje generowane przez u�ytkownik�w, takie jak oceny i recenzje

• Zdolno�� do rozpowszechniania informacji o produkcie w sieci spo�eczno�ciowej

• Zalecenia oparte na zachowaniu konsument�w w Internecie

Poniewa� �wiat medi�w spo�eczno�ciowych jest pe�en r�nych narz�dzi, platform i funkcji, �wiat handlu spo�eczno�ciowego ma r�wnie� wiele nazwisk i twarzy: "T-commerce" oznacza handel za po�rednictwem Twittera, a "F-commerce" oznacza sprzeda� za po�rednictwem Facebooka. Jeste�my pewni, �e b�dzie jeszcze wiele innych warunk�w. Wydaje si�, �e handel spo�eczno�ciowy sta� si� "nast�pn� wielk� rzecz�", a liczby wydaj� si� uzasadnia� ten szum. Na Facebooku jest ponad miliard u�ytkownik�w i ponad 170 milion�w aktywnych kont na Twitterze. Za��my, �e mogliby�my sprzeda� ka�demu co� za jedyne 2 USD - co przynios�oby przych�d w wysoko�ci 2,3 miliarda USD. Handel spo�eczno�ciowy jest czasami przedstawiany w terminach, kt�re praktycznie gwarantuj� deszcz pieni�dzy, je�li zastosujesz tylko "F-", "T-" lub cokolwiek innego. Rzeczywisto�� oczywi�cie cz�sto r�ni si� od tej i wielu kupc�w straci�o pieni�dze na "byciu spo�ecznym". Czy powinni�my zatem powstrzyma� si� od handlu spo�ecznego? Kierujmy si� lekcjami z historii. Na przyk�ad w po�owie lat 90. ludzie promowali praktyk� posiadania strony w sieci WWW jako niezawodnego sposobu sprzeda�y produkt�w i us�ug. Kilka lat p�niej krach wielu startup�w dot-com nauczy� nas, �e samo medium nie by�o przepustk� do sukcesu w sprzeda�y. Dzisiaj handel spo�eczno�ciowy ma ten sam blask m�odo�ci i obietnicy zwi�kszenia sprzeda�y, odk�d termin ten zosta� ukuty po raz pierwszy. Najprawdopodobniej historia udowodni, �e narz�dzia te maj� podobn� trajektori� do rozwoju sieci. Oczywi�cie strony internetowe i e-commerce nie tylko dzia�aj� jako narz�dzia sprzeda�y, ale tak�e stworzy�y bran�� wart� miliardy dolar�w, ale s� dzi� wszechobecne dla ka�dego, kto prowadzi dzia�alno��, podobnie jak telefon. Ich przyj�cie zaj�o jednak wi�cej czasu ni� oczekiwano, a mo�liwo�ci online s� tylko dodatkowym narz�dziem w procesie sprzeda�y. W podobny spos�b rozwinie si� handel spo�eczno�ciowy. Zostanie i pozostanie znacz�c� cz�ci� �wiata handlu elektronicznego, ale przyj�cie go potrwa d�u�ej ni� oczekiwano. Handel spo�eczny nie jest jedynym wybawc�; to jest jedno dodatkowe narz�dzie u�atwiaj�ce proces sprzeda�y. Korzystaj�c z medi�w spo�eczno�ciowych, znajdziemy r�wnie� odpowied� na cz�sto omawiane pytanie dotycz�ce ROI z medi�w spo�eczno�ciowych. Sprzeda� jest najlepszym ��cznikiem do ROI w mediach spo�eczno�ciowych. Jak om�wiono p�niej, cz�sto trudno jest powi�za� efekty z medi�w spo�eczno�ciowych, takie jak zwi�kszenie zasi�gu odbiorc�w do ROI. "R" lub zwrot finansowy jest cz�sto zbyt nieokre�lony lub zwi�zek przyczynowy jest zbyt trudny do udowodnienia. Inaczej jest w przypadku handlu spo�eczno�ciowego. Mo�na stworzy� bezpo�redni zwi�zek mi�dzy inwestycj� w spo�eczny kana� sprzeda�y a zwrotem w postaci dodatkowych zarobionych dolar�w mar�y.

Sprzeda� sterowana danymi

Zwi�zane z handlem spo�eczno�ciowym jest wykorzystanie danych w ramach podej�cia sprzeda�owego. Ale chocia� dane mog� pochodzi� z interakcji spo�eczno�ciowych, dane te nie s� jedynym dost�pnym �r�d�em wspieraj�cym dzia�ania sprzeda�owe. Druga cz�� dotyczy kilku standardowych temat�w dotycz�cych sposobu wykorzystania danych w celu poprawy jako�ci sprzeda�y. Podstawowy cel tutaj jest taki sam. Podobnie jak w przypadku handlu spo�eczno�ciowego, wykorzystujemy dane do stworzenia jednego z dw�ch g��wnych czynnik�w nap�dzaj�cych proces sprzeda�y: wiedzy i zaufania. Sp�jrzmy na nast�puj�ce przypadki:

• Masz zamiar wybra� film do pobrania na Netflix, a strona poleca film, kt�ry zosta� ju� obejrzany przez trzech Twoich znajomych. Netflix wykorzystuje wykres spo�eczno�ciowy, aby zmotywowa� Ci� do obejrzenia tego filmu. Znasz swoich przyjaci� i ufasz ich gustowi, a to mo�e zmotywowa� Ci� do obejrzenia filmu.

• Szukasz ksi��ki na Amazon. Opr�cz pokazania samej ksi��ki, Amazon wymienia swoje oceny od innych klient�w i sugeruje ksi��ki, kt�re kupi�y inne osoby. Niekt�re z nich wygl�daj� interesuj�co i dodajesz jeden lub dwa z nich do swojego zam�wienia. Amazon u�ywa zachowa� zakupowych Twoich i innych os�b w celu zdobycia wiedzy o Tobie.

Te dwa przypadki wykorzystuj� dost�pne dane o tobie. W obu przypadkach algorytm ��czy dane pobrane z zachowania u�ytkownika, czyli tego, co kupi�e� i zrobi�e� wcze�niej na stronie = z informacjami o twoich znajomych (w przyk�adzie Netflix) lub z informacjami o tym, co og� spo�ecze�stwa (w przyk�adzie Amazon) ) zrobi�aby. Dane s�u�� do tworzenia wiedzy o tobie. Zwykle nazywamy ten proces silnikiem rekomendacji. Druga cz�� wyja�ni, jakie s� silniki rekomendacji i g��wne wyzwania zwi�zane z ich konfiguracj�.

Zasi�g kontra zamiar

Handel spo�eczno�ciowy mo�e by� postrzegany jako maj�cy dwa odr�bne poziomy: budowanie �wiadomo�ci marki (zasi�g) i stymulowanie zamiaru zakupu przy p�niejszej sprzeda�y. Wa�ne jest, aby zrozumie�, �e nie s� takie same. Zasi�g opisuje, ile os�b zauwa�a Twoj� ofert� produktu. Wiele funkcji spo�eczno�ciowych witryn e-commerce oferuje spos�b na zwi�kszenie zasi�gu (np. Mo�na polubi� produkt, aby Twoi znajomi zobaczyli, �e Ci si� podoba�). Ale handel jako taki jest generowany dopiero wtedy, gdy istnieje zamiar zakupu. Dlatego handel spo�eczno�ciowy odniesie sukces tylko wtedy, gdy oba elementy (zasi�g i cel) b�d� ze sob� powi�zane. Istnieje wiele sposob�w tworzenia zasi�gu za po�rednictwem medi�w spo�eczno�ciowych w celu rozpowszechniania wiadomo�ci o twoim produkcie i aby znale�� klient�w (kupuj�cych) online. Na przyk�ad:

• Ludzie mog� tworzy� w�asne "podobne listy" i oferowa� je publicznie. Mo�na je r�wnie� spersonalizowa� i wys�a� do okre�lonych znajomych.

• Ludzie mog� �atwo dzieli� si� pomys�ami i modami z innymi, zar�wno w og�lnych sieciach spo�eczno�ciowych, takich jak Facebook, jak i na specjalistycznych stronach, takich jak Pinterest.

• Ludzie mog� by� zach�cani do dzielenia si� swoimi zainteresowaniami poprzez zach�ty, od uwagi po jawne nagrody. Na przyk�ad producent okular�w Warby Parker wysy�a potencjalnym klientom pi�� par ramek i zach�ca ich do publikowania film�w na YouTube, w kt�rych modeluj� okulary, na kt�rych mog� g�osowa� znajomi. Jeszcze inne firmy dziel� si� nagrodami. • Ludzie mog� mie� piosenki, kt�rych s�uchaj� lub czytane przez nich historie automatycznie publikowane w sieciach spo�eczno�ciowych, takich jak Facebook.

Wszystko to mo�e zwi�kszy� zasi�g i potencjalnie �wiadomo��. Ponadto ka�dy z nich mo�na �atwo zrobi�. Ten rodzaj �atwo�ci u�ytkowania jest niezb�dn� cech� spo�ecznego zasi�gu. Aby wesprze� produkt i szerzy� wiedz� na jego temat, powinno to by� tak proste, jak konsumenci jak klikni�cie. To jest genialno�� przycisku "Lubi� to" jednym klikni�ciem z Facebooka. Mo�esz znale�� wiele podobnych przyk�ad�w, z kt�rych wszystkie umo�liwiaj� rozprzestrzenianie si� informacji przez piggybacking w sieciach spo�eczno�ciowych klienta. Ale, jak zauwa�yli�my wcze�niej, zasi�g lub �wiadomo�� nie s� intencj� zakupu. Tworzenie intencji jest znacznie trudniejsze ni� tworzenie zasi�gu. Na przyk�ad Compass.co, m�ody startup za�o�ony przez Bjoern Lasse Herrmann, odkry�, �e media spo�eczno�ciowe jako g��wny kana� akwizycji s� dwa razy bardziej skuteczne ni� tradycyjne metody, je�li firma oferuje "bezp�atne" produkty (po�rednio zarabiaj�ce). Aby wprowadzi� "darmowy" produkt na rynek, nie potrzeba �adnych wysokich intencji. Zatem zasi�g lub �wiadomo�� s� wystarczaj�ce i mog� by� tworzone przez media spo�eczno�ciowe. Zdj�cie wygl�da inaczej, je�li spojrzysz na p�atne produkty. Tutaj Compass.co odkry�, �e wi�kszo�� firm ma naturaln� tendencj� aby skupi� si� na tradycyjnych metodach, takich jak sprzeda� bezpo�rednia i partnerstwa, poniewa� s� one lepsze w tworzeniu zamiaru zakupu w por�wnaniu z czystym zasi�giem w mediach spo�eczno�ciowych.

Jak tworzysz zamiary? Ka�dy sprzedawca b�dzie wiedzia�, �e zaufanie i wiedza s� niezb�dne do stworzenia zamiaru zakupu. Na przyk�ad, sprzeda� w tradycyjnym sklepie z mod� mo�e zaoferowa� klientowi kurtk� na podstawie jej wieku i tego, co ma na sobie w danym momencie. Prowadzi go wiedza sprzedawcy, poniewa� wie, �e ten konkretny rodzaj kurtki najlepiej sprzedaje si� z lud�mi takimi jak ona. Nast�pnie zbuduje zaufanie poprzez kr�tk� rozmow�. Na koniec napisze klientowi "Ta kurtka wygl�da na Tobie fantastycznie", aby zach�ci� go do zakupu. Podobnie sprzedawca ubezpiecze� cz�sto tworzy relacj� zaufania, kt�r� nast�pnie wykorzystuje do badania potrzeb klienta i jego rodziny, a nast�pnie zaspokaja te potrzeby dzi�ki swojej wiedzy na temat ubezpiecze�. Zaufanie i wiedza s� potrzebne nie tylko w �wiecie offline, ale tak�e w �wiecie wirtualnym. W poni�szych sekcjach zobaczymy dwa sposoby wykorzystania medi�w spo�eczno�ciowych do stworzenia zamiaru zakupu: poprzez potwierdzenie spo�eczne i presj� ze strony otoczenia. P�niej zobaczymy, jak wiedz� zdobyt� przez grup� spo�eczn� mo�na wykorzysta� do tworzenia rekomendacji, a tym samym zamiaru zakupu.

Potwierdzenie spo�eczno�ciowe tworzy zaufanie

Potwierdzenie spo�eczno�ciowe polega na tym, �e ludzie online twierdz�, �e dany produkt jest dobry. Tworzy zaufanie, kt�rego dotychczas brakowa�o w interakcjach internetowych poza du�ymi markami. Przyk�ady obejmuj� dwie formy wy�wietlania rzeczywistych zamiar�w zakupu.

Oceny u�ytkownik�w

Recenzje u�ytkownik�w mog� stworzy� znacz�c� przewag� konkurencyjn�. Cele te wy�wietlaj� si�, umo�liwiaj�c u�ytkownikom lub klientom wystawienie oceny liczbowej lub oznaczenia "gwiazdk�", cz�sto anonimowo. Na przyk�ad strona internetowa po�wi�cona ocenie lekarzy HealthGrades.com umo�liwia pacjentom anonimowe ocenianie od zera do pi�ciu gwiazdek bez obawy o odwet od ich lekarzy widz�cych oceny. Podobnie ateMyProfessors.com umo�liwia uczniom ocenianie swoich nauczycieli wed�ug kryteri�w takich jak �atwo��, pomoc i jasno��, a tak�e osobn� ocen� binarn� "gor�ca", je�li s� atrakcyjni fizycznie. W obu przypadkach wyniki oceny s� wy�wietlane publicznie. Nale�y zauwa�y�, �e samo potwierdzenie spo�eczne nie zawsze jest miar� jako�ci. Na przyk�ad wysoce kompetentny, ale szorstki lekarz mo�e uzyska� s�abe oceny w Internecie, i to samo mo�e by� prawdziwe w przypadku genialnego profesora, kt�ry jest trudnym we wsp�yciu. Oceny odzwierciedlaj�ce odczucia osoby publikuj�cej w Internecie cz�sto nie zast�puj� obiektywnych danych, takich jak wyniki medyczne lub akademickie. Jednak zaufanie jest wa�ne, a osobiste opinie online cz�sto przyczyniaj� si� do budowania tego zaufania.

Komentarze u�ytkownik�w

Tak jak zwykle wybieramy tylko restauracje, w kt�rych w tej chwili ludzie ch�tnie jedz�, tak i my kupujemy rzeczy, gdy s� pozytywne komentarze u�ytkownik�w. Wielu z nas nie b�dzie ju� rezerwowa� pokoju hotelowego ani chodzi� do restauracji bez uprzedniej wizyty na stronie takiej jak TripAdvisor.com, niezale�ne �r�d�o, kt�re umo�liwia zamieszczanie komentarzy na temat podr�y. Moc witryn z komentarzami u�ytkownik�w mo�na oceni� na podstawie faktu, �e strony z rezerwacjami hoteli, takie jak Hotels.com, kt�ry ma w�asne systemy oceny i komentowania, teraz r�wnie� prowadz� do komentarzy na stronie TripAdvisor. Nale�y pami�ta�, �e potwierdzenia spo�ecznego mo�na u�y� w dowolnym narz�dziu. Mo�e to by� Facebook, Twitter lub gdziekolwiek indziej. Aby zdecydowa�, jakiego rodzaju medi�w spo�eczno�ciowych u�y�, powiniene� zada� sobie dwa pytania:

• Kt�re narz�dzie mo�e zapewni� najlepszy zasi�g mojej bazie klient�w?

• Gdzie b�d� m�g� posiada� komentarze u�ytkownik�w, aby m�c je wykorzystywa� do innych cel�w tak, jak chc�?

Presja Grupy

Awans z potwierdzenia spo�eczno�ciowego polega na tym, �e kto� z osobistej sieci klienta potwierdza jego zamiar zakupu produkt�w i us�ug. Jest to ostateczne potwierdzenie spo�eczne, poniewa� nie tylko kto� poleca produkt, ale przyjaciel, kt�rego zna klient. Wiele witryn u�atwia ten proces, wy�wietlaj�c zdj�cia os�b z sieci danej osoby, kt�ra co� kupi�a - lub, ostatnio, jak w przypadku funkcji Open Graph Search na Facebooku, poprzez stworzenie mo�liwo�ci wyszukiwania danych za po�rednictwem po��cze� spo�eczno�ciowych (na przyk�ad lista ksi��ek lubianych przez dziennikarzy). Ten aspekt medi�w spo�eczno�ciowych jest szczeg�lnie pomocny, je�li us�uga lub produkt zale�y od zewn�trznych efekt�w sieci. Przyjmij adopcj� us�ugi komunikatora, takiej jak Whatsapp lub Skype. Obie us�ugi skorzysta�yby bardzo na narz�dziu, kt�re informuje u�ytkownika, kt�ry z jej znajomych jest na nim. Innym przyk�adem jest decyzja o zakupie biletu na koncert. Je�li dana osoba ju� wie, �e niekt�rzy z jego przyjaci� id�, upewni si�, �e ona te� tam jest, aby nie przegapi�. Proces ten wykorzystuje sie� jednostki, dzi�ki czemu osoby z wi�ksz� sieci� mog� by� wykorzystywane do wi�kszego potwierdzenia spo�ecznego ni� inni. Czy ci ludzie maj� wp�yw? Jak om�wili�my w rozdziale 1, poj�cie "osoby wp�ywowej" jest cz�sto przereklamowane.

Osoba z najwi�ksz� sieci� mo�e by� przyzwyczajona najbardziej aby utworzy� potwierdzenie spo�eczne. Ale rozmiar sieci nie m�wi nic o jego zdolno�ci do tworzenia intencji. Zamiar mo�e zosta� stworzony na poziomie lokalnym tylko przez kilka bardzo osobistych kontakt�w. Dobrze zaprojektowana konfiguracja handlu spo�eczno�ciowego b�dzie musia�a nauczy� si� tego rodzaju informacji sieciowych, kt�re wykraczaj� daleko poza zasi�g ka�dej sieci

Czy potwierdzenie spo�eczne i presja grupy dzia�a?

Wi�kszo�� z nas marketer�w marzy, aby handel spo�eczno�ciowy umo�liwia� nam klikni�cie kilku przycisk�w i nagle stworzyli�my zamiar zakup�w u naszych potencjalnych klient�w. Ca�y czas pojawia si� pytanie: "Co musz� opublikowa�, aby moje produkty sprzedawa�y wi�cej?" lub "Kt�rego narz�dzia nale�y u�y�, aby zwi�kszy� sprzeda�?" Rzeczywisto�� oczywi�cie nie dzia�a w ten spos�b. To, czy handel spo�eczno�ciowy dzia�a, zale�y od klient�w i produktu. Widzimy jednak, �e niekt�re narz�dzia handlu spo�eczno�ciowego dzia�aj� lepiej ni� inne w wi�kszo�ci przypadk�w. Wydaje si� r�wnie�, �e przeci�tni klienci preferuj� uporz�dkowane dane, takie jak oceny i recenzje, jako potwierdzenie spo�eczno�ciowe. Istnieje wyra�ny wp�yw: w jednym z bada� przeprowadzonych przez eccompished stwierdzono, �e liczba os�b korzystaj�cych z ocen i recenzji online jest oko�o osiem razy wy�sza ni� liczba os�b korzystaj�cych tylko z rekomendacji w mediach spo�eczno�ciowych. Dla nas pokazuje to, �e uporz�dkowany format sumarycznej sumy recenzji online bardziej skutecznie przekonuje kogo� do kupienia czego� ni� stosunkowo nieustrukturyzowany format r�nych blog�w, tweet�w itp. Niestety nawet 38% tych recenzji jest w rzeczywisto�ci fa�szywych lub p�atnych. Te fa�szywe recenzje stanowi� problem dla wszystkich sieci spo�eczno�ciowych. Gdy tylko konsumenci zrozumiej�, �e zostali oszukani, strac� zaufanie, a moc poparcia spo�ecznego i potwierdzenia spo�ecznego zniknie. To jest pow�d, dla kt�rego wi�cej firm oferuje to, co by�o szczeg�lnie zalecane przez twoje po��czenia. Tego rodzaju rekomendacje nie s� jak dot�d tak powszechne, poniewa� cz�sto w sieci jednej osoby nie ma wystarczaj�cej liczby recenzji, aby zapewni� efektywn� obs�ug� klienta. Zmieni si� to, gdy sieci spo�eczno�ciowe stan� si� wi�ksz� cz�ci� naszych codziennych zakup�w. Zalecenia znajomych stan� si� jednymi z najbardziej skutecznych sposob�w tworzenia intencji. Mo�na je �atwo przenie�� do �wiata handlu spo�eczno�ciowego, nawet bez znajomo�ci narz�dzi medi�w spo�eczno�ciowych lub wykres�w spo�eczno�ciowych. Na przyk�ad Leskovec i jego koledzy opisali sukces pr�by sprzeda�y, w kt�rej pierwsza osoba, kt�ra kupi�a przedmiot polecany za po�rednictwem linku polecaj�cego otrzymanego w wiadomo�ci e-mail, otrzyma�a 10% zni�ki, a osoba polecaj�ca otrzyma�a 10% kredytu. Takie dane wskazuj�, �e potwierdzenie spo�eczne i presja r�wie�nicza w rzeczywisto�ci wp�ywaj� na nasze zamiary zakupowe. Pogl�d ten jest dodatkowo potwierdzony przez du�e sumy pieni�dzy, kt�re wiele du�ych firm wydaje na wydobycie i dostarczanie takiego potwierdzenia spo�ecznego. Chocia� czujemy, �e jeste�my niezale�ni i rzeczywi�cie nie lubimy, gdy m�wi si� nam, co mamy robi�, opinie innych cz�sto wp�ywaj� na nasz w�asny proces decyzyjny

Co - lub kto - zmusi do zakupu?

Recenzje i rekomendacje mog� wp�ywa� na decyzje konsument�w dotycz�ce tego, co kupi� i czy co� kupi�. Ale jak mo�na nimi zarz�dza�, aby mie� jak najbardziej pozytywny wp�yw na zamiar zakupu? Na przyk�ad:

• Je�li jest wiele recenzji, kt�re z nich powinni�my przedstawi� jako pierwsze?

• Je�li jest wielu przyjaci�, kt�rzy lubili produkt, jak powinni�my je uszeregowa�?

• Je�li znajomi konsument�w lub osoby podobne do nich kupili co�, czy powinni�my lub nie powinni�my im tego poleca�?

Odpowiedzi na te pytania mo�na uzyska� za pomoc� mechanizm�w lub system�w rekomendacji - punktu, w kt�rym krzy�uj� si� analizy du�ych zbior�w danych i media spo�eczno�ciowe. Systemy rekomendacji wybieraj� produkt, recenzj�, a nawet uk�ad witryny, kt�ry jest najlepszy dla danego celu konsumenta. W por�wnaniu z czystymi witrynami z recenzjami, takimi jak TripAdvisor.com, kt�re nie oceniaj� komentarzy u�ytkownik�w, system rekomendacji otwarcie u�atwia decyzj� o zakupie, sugeruj�c, czego konsument najprawdopodobniej na podstawie danych chce. Nawet je�li na poz�r nie ma �adnych funkcji spo�eczno�ciowych - a zatem nie ma komentarzy, ocen ani �adnych mechanizm�w rekomendacji znajomych na Facebooku, stosuje podej�cie oparte na wsp�pracy, aby poleca� produkty, kt�re inni "tacy jak ty" kupili. Zatem jest to funkcja grupy spo�ecznej, poniewa� silnik umie�ci� podobnych klient�w w grupie, a nast�pnie zaproponowa� co� do kupienia. Praca tych silnik�w cz�sto odbywa si� w ci�gu milisekund, w spos�b niewidoczny dla zwyk�ego u�ytkownika. Systemy rekomendacji s� prawdopodobnie najwa�niejszym ogniwem mi�dzy danymi spo�eczno�ciowymi a zamiarami zakup�w. W nast�pnych sekcjach opisano funkcje, technologi� i rozw�j tych system�w

Systemy rekomendacji

Id� do Amazon i poszukaj jednej ze swoich ulubionych ksi��ek. Oczywi�cie poka�� ci informacje o ksi��ce. Ale jedn� z najwa�niejszych rzeczy, kt�re przyci�gaj� uwag� na tej samej stronie, jest sekcja zatytu�owana "Klienci, kt�rzy kupili ten przedmiot, kupili r�wnie�" z list� innych ksi��ek. Lub przejd� do Netflix, kt�ry poleca filmy w oparciu o czynniki, od kr�gu spo�eczno�ciowego po wydajno�� kasow�. By� mo�e nie zdajesz sobie z tego sprawy, ale zalecenia te maj� tyle samo wsp�lnego z algorytmami, takimi jak analiza regresji i rozk�ad warto�ci osobliwych, jak z tym, co ludzie wynaj�li w zesz�ym tygodniu. S� to przyk�ady system�w rekomendacji, a ich celem jest wspieranie przyrostowych zamiar�w zakupu. Sta�y si� niezwykle powszechne, a obecnie s� wszechobecne w�r�d system�w e-commerce. S� r�wnie� du�e dla biznesu. Na przyk�ad oko�o 60% wypo�ycze� Netflix opiera si� na osobistych rekomendacjach, a ich konkurs na nagrod� Netflix przyzna� 1 milion USD w 2008 r. Pierwszemu zespo�owi, kt�ry opracowa� algorytm, kt�ry m�g�by poprawi� dok�adno�� prognozowanych film�w o 10%. Dla firm wielko�ci Netflix, kt�re wygenerowa�y przych�d w wysoko�ci 3,2 miliarda USD w roku podatkowym 2011, lepsze rekomendacje mog� mie� wymierny wp�yw finansowy. Chocia� systemy rekomendacji nie zawsze s� oczywiste dla u�ytkownika ko�cowego, s� wsz�dzie i nie ograniczaj� si� tylko do handlu spo�eczno�ciowego. Na przyk�ad Google szereguje wyniki wyszukiwania dla ciebie osobi�cie, twoja ulubiona gazeta wybiera artyku�y informacyjne na swojej stronie internetowej, aby pasowa�y do twoich upodoba�, Last.fm sugeruje ci muzyk� na podstawie twoich wcze�niejszych wybor�w muzycznych, a sie� spo�eczno�ciowa taka jak LinkedIn sugeruje osobom, kt�re ty mo�e widzie� i dlatego powinien si� po��czy�. Systemy rekomendacji staraj� si� zebra� jak najwi�cej informacji o konsumentach i na bie��co oblicza�, co poleci�. Silniki rekomendacji s� najlepszym przyk�adem tego, jak uzyska� warto�� - nasze czwarte "V" - z danych. Cz�sto, aby uzyska� t� warto��, firmy staraj� si� zebra� jak najwi�cej informacji. Na przyk�ad Google mierzy do 25 sygna��w o ka�dym kliencie i na podstawie tych sygna��w oferuje wyniki wyszukiwania. Sygna�y te obejmuj�:

• Czy u�ytkownik korzysta z urz�dzenia mobilnego, komputera PC lub Mac

• Dane lokalizacji, takie jak to, czy u�ytkownik jest zalogowany z USA, Europy czy Indii

• Wzorce wyszukiwania u�ytkownika, w tym informacja, czy u�ytkownik zalogowa� si� w Google i zdecydowa� si� na udost�pnianie danych

W zale�no�ci od tych sygna��w r�ni u�ytkownicy wyszukiwania mog� zobaczy� aplikacje dla komputer�w Mac w por�wnaniu z aplikacjami na komputery PC, komentarze niemieckie kontra angielskie lub artyku�y o pa�karzach baseballowych i pa�karzach krykieta. Co wa�niejsze, kontekst poprzednich niepowi�zanych wyszukiwa� mo�e mie� wp�yw na wyniki; jedna osoba mo�e otrzymywa� artyku�y podr�nicze o kraju, a inna mo�e otrzymywa� artyku�y polityczne lub gospodarcze. Systemy rekomendacji tworz�ce wiedz� o u�ytkowniku i jego zachowaniach zakupowych, wraz z opiniami i ocenami u�ytkownik�w buduj�cymi zaufanie i zasi�g, stanowi� trzon tego, co nazywamy handlem spo�eczno�ciowym. Ich podstawow� strategi� jest sprawienie, aby klient czu� si� wyj�tkowo. Korzystaj� z systemu, kt�ry osobi�cie dostosowuje stron� internetow� do ka�dego konsumenta i decyduje, co jest najbardziej odpowiednie dla konsumenta, maj�c nadziej� na zwi�kszenie jego zamiaru zakupu. Wszystkie systemy u�ywane do tworzenia rekomendacji na podstawie danych. Dane te mog� opiera� si� na przesz�ych zachowaniach konsument�w lub mog� opiera� si� na tre�ci samego produktu. W ten spos�b systemy rekomendacji mo�na podzieli� na dwa obszary: systemy wsp�pracy wykorzystuj�ce dane spo�eczno�ciowe lub m�dro�� t�umu i systemy oparte na tre�ci, kt�re opieraj� si� wy��cznie na tre�ci.

Zalecenia dotycz�ce wsp�pracy

Wi�kszo�� przyk�ad�w omawianych tutaj opiera si� na systemach rekomendacji opartych na wsp�pracy. Czasami nazywamy je systemami crowdsourcowanymi, poniewa� u�ywaj� wzorc�w od innych u�ytkownik�w lub dzia�a� u�ytkownika. Jako bardzo prosty przyk�ad: je�li zar�wno Pete, jak i Tom kupi� przedmioty 1 i 11, ale Tom r�wnie� kupi 2 i 4, wtedy 2 i 4 prawdopodobnie zostan� polecone (s�usznie lub nie) Pete′owi. Tom jest czasem nazywany "identycznym bli�niakiem", poniewa� jego zachowanie jest podobne do zachowania Pete'a. W rzeczywisto�ci systemy te b�d� szuka�y nie tylko Toma, kt�ry b�dzie poleca� produkty Pete'owi, ale tak�e wielu innym. Najs�ynniejszym przyk�adem systemu rekomendacji opartego na wsp�pracy jest zestawienie przez Amazon informacji o tym, co ludzie, kt�rzy kupili t� sam� ksi��k�, r�wnie� kupuj�, jak opisano wcze�niej. Amazon mo�e skorzysta� z bazy danych milion�w u�ytkownik�w, aby zrealizowa� te rekomendacje. Pami�taj, �e to podej�cie oparte na wsp�pracy r�ni si� od podej�cia opartego na tre�ci, kt�re om�wimy w dalszej cz�ci.

Systemy rekomendacji mog� zgadywa� niedok�adnie

Wa�ne jest, aby pami�ta�, �e systemy rekomendacji s� wi�cej ni� w stanie zgadn�� niepoprawnie. Poniewa� stosuj� podej�cie oparte na wsp�pracy, przewiduj� �redni� normalno��. Ale �rednia nie zawsze jest poprawna. Na przyk�ad Carol Roth, autor bestseller�w New York Times, narzeka�a kiedy� na blogu, �e Google wnioskuje, �e jest m�czyzn� w wieku powy�ej 65 lat, podczas gdy w rzeczywisto�ci jest kobiet� m�odsz� o dekady. Pami�taj, �e Google ch�tnie ujawni swoje za�o�enia dotycz�ce Twojej demografii w Google Ads. Je�li jeste� zalogowany w Google, mo�e zapisa� wszystkie wyszukiwania i wydedukowa� profil demograficzny na podstawie historii wyszukiwania z przesz�o�ci. Felietonista Huffington Post, Catharine Smith - kolejna m�oda kobieta, typecast autorstwa Google jako starszy m�czyzna, zauwa�a, �e mo�esz r�wnie� zmieni� te preferencje w Google. Fikcyjne odniesienie w ameryka�skim programie telewizyjnym The Mind of a Married Man podkre�la sceptycyzm ludzi wobec takich system�w. Jedna z jego postaci o�wiadcza swoim znajomym: "M�j TiVo my�li, �e jestem gejem", skar��c si�, �e poniewa� poprosi� swoje urz�dzenie TiVo (system nagrywania wideo) o zapisanie kilku program�w, kt�re s� r�wnie� faworyzowane przez homoseksualist�w, nie mo�e teraz przesta� korzysta� z nagra� takich jak Queer jak Folk, nawet po tym, jak pr�buje zmusi� go do zarejestrowania tradycyjnej taryfy "cz�owiek", bezskutecznie pr�buj�c j� przeprogramowa�. W przypadku Carol Roth systemy rekomendacji oparte na tre�ci nie wypadaj� znacznie lepiej. Zauwa�a, �e ze wzgl�du na cz�ste zakupy olejku dzieci�cego do stosowania pod prysznicem sie� dom�w towarowych Target uwa�a teraz, �e jest w ci��y, posuwaj�c si� nawet tak daleko, �e przes�a�a jej pr�bk� mleka modyfikowanego dla niemowl�t od jednego z dostawc�w. Jej punkt? Uwa�aj, co zak�adasz, gdy kierujesz reklamy do klient�w w oparciu o du�e zbiory danych. W szerszej skali oznacza to, �e natura ludzka jest bardziej z�o�ona i mniej deterministyczna ni� nasze najlepsze algorytmy mog� dzi� wywnioskowa�, co oznacza, �e chocia� pomagaj� marketerom, nie s� gwarantowanym rozwi�zaniem w ka�dym przypadku. Mo�esz pomy�le�, �e s� to przypadkowe problemy z dok�adno�ci�, kt�re mog� z czasem znikn��. Tak, znowu, �rednio b�dziesz mia� racj�. Zobacz jednak, �e istnieje bardziej z�o�ony problem, je�li zbytnio ufamy "m�dro�ci t�umu". Je�li uwa�amy, �e algorytm z milionami linii danych wie wi�cej ni� my, rezygnujemy z w�asnej zdolno�ci oceniania i obrony siebie. Jaron Lanier, pionier wirtualnej rzeczywisto�ci, krytykuje t� tendencj�. Uku� termin "maoizm cyfrowy", wskazuj�c, �e nie jest �atwo ufa� m�dro�ci t�umu: "Je�li zaczniemy wierzy�, �e sam Internet jest istot�, kt�ra ma co� do powiedzenia, dewaluujemy tych ludzi i przekszta�camy si� w idioci. " swoim znajomym swoim znajomym

Zalecenia oparte na tre�ci

Ka�dy z nas dotkn�� ju� silnika rekomendacji opartego na tre�ci. Na przyk�ad w witrynie z zakupami system mo�e wyci�ga� przedmioty podobne do tych, kt�re ostatnio kupi�e�. Na przyk�ad, je�li wybierzesz czerwony but do kasy, nagle na ekranie mo�e by� wiele innych czerwonych but�w. Te buty mo�na umie�ci� za pomoc� reklam na banerach lub za po�rednictwem sklepu internetowego, bezpo�rednio w sekcji "zalecane". Algorytm wybra� buty, poniewa� zda� sobie spraw�, �e masz zamiar kupi� czerwony but. Jak widzieli�my w dyskusji na temat targetowania behawioralnego w Cz�ci 1, szansa na stworzenie zamiaru zakupu jest tym wi�ksza, im bli�ej konsumenta znajduje si� w punkcie sprzeda�y. Wi�c je�li ju� wyrazi�e� ch�� zakupu czerwonego buta, dlaczego nie spr�bowa� systemu aby zaproponowa� inne czerwone buty? To podej�cie nie ma nic wsp�lnego z gustami twoich przyjaci� lub podobnych ludzi. Ma to zwi�zek tylko z tre�ci� wybranego elementu, st�d silnik rekomendacji oparty na nazwie. Dane rekomendacji opartych na tre�ci cz�sto przyjmuj� jedn� z dw�ch form: albo na podstawie historii zakup�w, zakup�w lub wyszukiwania konsument�w, albo konkretnego profilu u�ytkownika, kt�ry umo�liwia konsumentowi zdefiniowanie preferencji w celu u�atwienia zakup�w. Na przyk�ad ameryka�ski sprzedawca obuwia Payless umo�liwia konsumentom wprowadzanie preferencji dotycz�cych p�ci i zakup�w oraz �ledzenie historii zam�wie� w przesz�o�ci. Te dane s�u�� do dostosowywania rekomendacji w sklepie lub reklam pocztowych. Opiera si� wy��cznie na tre�ciach, kt�re podobaj� si� konsumentom, a nie na wzorcach innych. Systemy oparte na zawarto�ci maj� jedn� wad�. Aby zidentyfikowa� podobne produkty, potrzebujesz konkretnego opisu dowolnego produktu. Patrz�c na produkt (ubrania, panie, odzie� wieczorowa), mo�esz z �atwo�ci� zaproponowa� sukni� wieczorow� z tej samej kategorii. Jednak kategorie te musz� przede wszystkim istnie�; je�li masz produkt, kt�ry nale�y do mniejszej liczby kategorii (ubrania, damskie), system mo�e wybra� par� spodenek gimnastycznych, kt�re b�d� wy�wietlane obok sukienki wieczorowej. Gdy klienci nie maj� mo�liwo�ci oceniania produkt�w, a firmy nie maj� infrastruktury do oceny historii zakup�w podobnych nabywc�w, firmy cz�sto maj� dane dotycz�ce tre�ci jako jedyne kryteria formu�owania rekomendacji dotycz�cych zakup�w. Takie dane s� cz�sto mniej dok�adne ni� dane oparte na wsp�pracy i wymagaj� starannego planowania kategorii danych, aby unikn�� niezwykle niesp�jnych zalece�. Jednocze�nie te systemy oparte na tre�ci s� cz�sto znacznie �atwiejsze do wdro�enia, szczeg�lnie w przypadku aplikacji o mniejszej grupie odbiorc�w i / lub ograniczonym dost�pie do danych spo�eczno�ciowych.

Uruchamianie opartych na tre�ci system�w rekomendacji

Systemy rekomendacji oparte na tre�ci wymagaj� klasyfikacji dla ka�dego elementu. Za��my, �e prowadzisz sklep internetowy z odzie�� i obuwiem. Ka�dy z twoich przedmiot�w potrzebuje tagu opisuj�cego przedmiot. Na przyk�ad jeden element mo�e mie� tagi class = shoe, sex = female lub type = high-heel. Gdy klient wybierze element z tymi tagami, system rekomendacji oparty na tre�ci szuka�by element�w, kt�re maj� ten sam rodzaj tagowania. Co by� zrobi�, gdyby� nie mia� takiej klasyfikacji? Jednym ze sposob�w na uruchomienie systemu by�oby wykorzystanie nieustrukturyzowanej wiedzy na temat medi�w spo�eczno�ciowych. Na przyk�ad, mo�esz mie� sw�j system czytaj�cy wszystkie tweety i komentarze u�ytkownik�w na temat danego produktu. Ta ��czna tre�� tworzy chmur� tag�w, kt�ra klasyfikuje produkt. Im wi�cej klient�w b�dzie nazywa� ten produkt "butem", tym wy�ej b�dzie klasyfikowany but z metk�. Proces ten jest nadzorem maszynowym bez nadzoru, poniewa� nie ma w�a�ciwego ani niew�a�ciwego sposobu, kt�ry m�g�by zosta� wykorzystany jako dane szkoleniowe. Aby odnie�� sukces, powiniene� by� do�� ukierunkowany; innymi s�owy, wyszukiwane s�owa kluczowe u�yte do stworzenia algorytmu znakowania powinny by� bardzo ograniczone. Jak widzimy w cz�ci 4, gdy m�wimy o sentymentach, wysi�ki potrzebne do wyszkolenia og�lnego algorytmu sentymentu przekroczy�yby potencjalny zysk z takiego systemu. Jednak skupiaj�c si� tylko na okre�lonej kategorii, takiej jak pokoje hotelowe i szukaj�c dyskusji na temat pobyt�w w hotelu, mo�esz z powodzeniem zastosowa� taki system tagowania. Pi�kno polega na tym, �e szybko pozwoli ci to stworzy� system rekomendacji oparty na tre�ci z dobrym zestawem klasyfikator�w. Wszystko czego potrzebujesz to historyczne dane w mediach spo�eczno�ciowych o twoich produktach. S� one dost�pne za po�rednictwem ofert takich jak Gnip lub Data Sift.

Technologia system�w rekomendacji

Co wchodzi w system, kt�ry przewiduje, czy potencjalny klient polubi konkretny produkt? Zasadniczo komputer przechowuje dane dla ka�dego klienta. Co on kupi�? Na co on spojrza�? W jakim kraju on jest? Kiedy by� online? Jaka jest pogoda? (Tak, nawet pogoda jest czynnikiem. Je�li jest s�onecznie, ludzie rzadziej korzystaj� z Internetu i kupuj� r�ne rzeczy.) Na podstawie tych punkt�w danych maszyny rekomenduj�ce s� szkolone w sytuacjach, w kt�rych ludzie faktycznie co� kupili. Na bardziej abstrakcyjnym poziomie to nazywa si� wzmocnieniem dodatnim, co oznacza, �e po��dane dzia�anie zosta�o pomy�lnie zako�czone. W przysz�o�ci algorytm powinien sugerowa� to samo w podobnym otoczeniu, aby stworzy� kolejne pozytywne wzmocnienie. Poniewa� istnieje prawdziwa odpowied�, podobnie jak w naszym poprzednim przypadku na pytanie, czy klient kupi�, czy nie, proces uczenia si� nazywa si� nadzorowanym. Nadzorowane uczenie si� to klasyczny problem uczenia si� maszynowego. Istnieje od 1959 roku, kiedy Arthur Samuel napisa� program, kt�ry gra� w warcaby przeciwko sobie. System mia� mo�liwo�� uczenia si�, poniewa� po ka�dym ruchu komputer zdawa� sobie spraw�, czy straci�. W ten spos�b komputer wkr�tce nauczy� si� gra� w warcaby lepiej ni� sam Arthur. Od 1959 r. Zmieni�a si� ilo�� dost�pnych danych. Ka�dy nadzorowany program edukacyjny potrzebuje danych, aby "uczy� si�". Dzi�ki miliardom transakcji u�ytkownik�w online dane te s� ju� dost�pne. Om�wienie technologii uczenia maszynowego wykracza poza zakres tej ksi��ki, ale podaj�c prosty przyk�ad, om�wmy analiz� regresji. Za��my, �e mieszkasz poza du�ym miastem i musisz codziennie doje�d�a� do pracy. Gdy nadejdzie godzina szczytu, wiesz, �e zajmie to naprawd� du�o czasu, wi�c zastanawiasz si�, kiedy b�dzie dobry moment na wyjazd. Okre�lisz to, u�ywaj�c swojej "intuicji": "Je�li odejd� po 8:15, zwykle zajmuje mi du�o czasu, aby dosta� si� do biura". Uczenie maszynowe lub analiza regresji, w swojej najbardziej podstawowej formie, sformalizowa�aby ten proces . Nie musisz by� statystykiem, aby to zrobi�. Je�li zaplanujesz czas codziennej podr�y do czasu opuszczenia domu, wkr�tce otrzymasz �adny wykres, kt�ry pomo�e Ci przewidzie� czas dojazdu. Je�li otrzymasz komputer, kt�ry mo�e narysowa� t� krzyw�, program ten zostanie uznany za program uczenia maszynowego Jest to oczywi�cie uproszczony przyk�ad, a w rzeczywisto�ci trzeba by uwzgl�dni� zmienne, takie jak warunki pogodowe i ferie szkolne. Im bardziej z�o�ony staje si� problem, tym trudniej b�dzie go rozwi�za�. Je�li chcesz dowiedzie� si� wi�cej na temat maszyn wektor�w wspieraj�cych (SVM), regresji liniowej, regresji logistycznej, naiwnych Bayesa i innych algorytm�w, znajdziesz doskona�e teksty wprowadzaj�ce, filmy i materia�y online. Dla pocz�tkuj�cych klasa Stanforda na YouTube autorstwa Andrew Ng jest dobrym miejscem do rozpocz�cia. Uczenie maszynowe osi�gn�o tak� dojrza�o�� w ci�gu ostatniego p�wiecza, �e mo�na �atwo stworzy� konfiguracj� uczenia si�, po prostu za pomoc� pakietowego rozwi�zania wi�kszo�ci statystycznych program�w j�zykowych, takich jak R, SAS lub inne. Te pakiety oprogramowania oferuj� ju� szeroki wyb�r r�nych algorytm�w. Wszystkie konkuruj� ze sob� w dw�ch wymiarach: pr�dko�ci i dok�adno�ci. Je�li nie chcesz by� zbyt techniczny, mo�esz jeszcze �atwiej skorzysta� z paczkowanego rozwi�zania, takiego jak Google Prediction API, kt�ry zosta� uruchomiony w 2011 roku. Ten program umo�liwia u�ytkownikom tworzenie silnika rekomendacji w locie. Nale�y jednak pami�ta�, �e dane stanowi� przewag� konkurencyjn� w handlu spo�eczno�ciowym i �e ta moc jest udost�pniana za po�rednictwem interfejsu API, co oznacza, �e Google uczy si� r�wnie� na podstawie danych. Nast�pnie przyjrzymy si� typowym problemom, jakie mo�esz napotka� podczas uruchamiania silnika rekomendacji, poza czysto technicznymi problemami, takimi jak pr�dko�� lub skalowalno��.

Problem zimnego startu

Systemy rekomendacji oparte na wsp�pracy opieraj� si� na "nadzorowanym uczeniu si�". Aby wydawa� rekomendacje na podstawie tego, co inni zrobili lub kupili, program musi przeanalizowa� podobne dane historyczne. Dlatego na pocz�tku programu komputer nic nie wie, a prawdopodobie�stwo, �e jego zalecenia b�d� b��dne, jest du�e. B��dem jest z�a rzecz, poniewa� Twoi pierwsi klienci mog� straci� zaufanie do Twojej zdolno�ci do wydawania rekomendacji. W�a�nie dlatego strony takie jak Amazon musia�y poczeka�, a� b�d� dzia�a�y przez chwil�, i mia�y wi�cej danych do pracy, zanim b�d� mog�y zacz�� wydawa� rekomendacje. Na przyk�ad FOUNDD to m�ody berli�ski startup, kt�ry zbudowa� silnik rekomendacji dla przemys�u filmowego. Pomimo genialnego algorytmu problem zimnego startu jest powa�nym problemem. Bez d�ugiej historii zakup�w, takiej jak Netflix, algorytm nie b�dzie w stanie poleci� niczego po�ytecznego. W pe�ni �wiadomy tego, za�o�yciel stworzy� na pocz�tku stron� "hot or flop". Ka�dy klient musi oceni� 10 film�w, zanim system b�dzie chcia� co� poleci�. "Musi by� fajnie" - powiedzia� Lasse Clausen, jeden z za�o�ycieli. "W przeciwnym razie u�ytkownik tego nie zrobi i nie uruchomimy si�." Aby omin�� problem zimnego startu, Lasse i jego zesp� pocz�tkowo stosuj� podej�cie oparte na tre�ci, wst�pnie grupuj�c podobne filmy zgodnie do ich gatunku lub popularno�ci. Dopiero po ocenie 5 do 10 film�w system mo�e zacz�� poleca�. Czy wystarczy 10 film�w? Najprawdopodobniej nie jest to najlepsza rekomendacja, ale im bardziej u�ytkownicy oceniaj� filmy, tym lepszy b�dzie system w wykrywaniu preferencji poszczeg�lnych os�b. Po��czenie wst�pnego tworzenia klastr�w i pocz�tkowego wprowadzania danych przez u�ytkownika jest najlepszym sposobem na unikni�cie problemu zimnego startu, jak wykaza� FOUNDD. Ewentualnie, je�li to mo�liwe, pocz�tkowe dane "ucz�ce si�" mog� by� pobierane ze �r�de� zewn�trznych, a nast�pnie ulepszane z czasem w oparciu o w�asne dane klient�w firmy.

Niewystarczaj�ce dane

FOUNDD, start-up, o kt�rym w�a�nie rozmawiali�my, musi si� zmierzy� ze znacznie wi�kszym problemem ni� kwestia zimnego startu. Skoncentrowali si� na zestawie film�w, ale gdy masz w sklepie tysi�ce produkt�w, trudno jest ustali�, kt�re z nich najlepiej poleci�. Ten problem jest cz�sto nazywany rzadko�ci� danych. Jest podobny do problemu zimnego startu, ale w podziale na poszczeg�lne produkty. Je�li sprzedawca ma miliony produkt�w, trudno jest znale�� dobre sposoby na sugerowanie produkt�w z "d�ugiego ogona" lub milion�w produkt�w, kt�re nie s� najlepiej sprzedaj�cymi si� produktami, ale wci�� s� sprzedawane. Aby poleca� produkty z tego d�ugiego ogona, algorytm musi zawiera� minimaln� liczb� zakup�w dla ka�dego z tych produkt�w. Wed�ug jednego z pi�ciu najwi�kszych detalist�w internetowych w Niemczech, najwy�sza sprzeda� pochodzi ze zmieniaj�cego si� asortymentu online, w zwi�zku z czym dane dotycz�ce ich d�ugiego ogona s� do�� ma�e, mimo �e maj� potencja� dla wielu u�ytkownik�w i wielu zakup�w. W rezultacie silnik rekomendacji m�g� sugerowa� tylko najwi�kszy niezmienny element sprzeda�y, kt�rym s� skarpetki. Oczywi�cie polecam skarpetki do ka�dego i ka�dy zakup nie powodowa� wzrostu sprzeda�y przyrostowej. Sprzedawca ostatecznie zaj�� si� tym problemem, prosz�c ucznia o napisanie instrukcji dla bardziej odpowiednich towar�w zamiast stosowania uczenia maszynowego. Im bardziej z�o�ony jest system, a im wi�cej jest pozycji do polecania, tym trudniej jest wyda� dobr� rekomendacj� ze wzgl�du na potencjalny problem rzadko�ci danych. Na przyk�ad LinkedIn obs�uguje reklamodawc�w zatrudnienia, polecaj�c odpowiednie osoby do zamieszczonych og�osze� o prac�. Do tej funkcjonalno�ci LinkedIn potrzebuje ogromnej ilo�ci danych; taka us�uga nie by�a mo�liwa nawet przy 10 milionach u�ytkownik�w. Ale teraz, gdy maj� ponad 100 milion�w u�ytkownik�w z bardzo zmiennymi punktami danych, nale�y rozwi�za� ten problem jako du�y zbi�r danych. W skrajnych przypadkach, takie jak gusta w ludzkim stylu lub dopasowanie konkretnych kszta�t�w cia�a do ubrania , wybory mog� r�wnie� wymaga� milion�w dopasowanych punkt�w danych, aby maszyna zacz�a wydawa� dok�adne zalecenia.

Bez niespodzianek

Maszyny ucz� si� tylko na podstawie popularnych wybor�w. Dlatego cz�ciej zalecaj� oczywiste popularne wybory, kt�re s� bezpieczniejsze. Za��my, �e w�a�nie uko�czy�e� czwart� ksi��k� z siedmiu ksi��ek z serii o Harrym Potterze. Jakie b�dzie prawdopodobne zalecenie algorytmu uczenia maszynowego? Prawid�owa odpowied�: ksi��ki od pierwszej do trzeciej. Ale to nie jest przydatne, poniewa� najprawdopodobniej ju� je przeczyta�e�. Podobnie zalecenie ksi��ki pi�tej nie by�oby pomocne, poniewa� prawdopodobnie ju� wiesz, �e istnieje. Dobr� rekomendacj� by�aby ksi��ka tego samego gatunku lub stylu, a mo�e oparta na jednym z innych atrybut�w ksi��ki, kt�ry najbardziej doceni�e�. Dobry ksi�garz szybko zrozumie twoje potrzeby. Silnik rekomendacji przynajmniej do tej pory b�dzie rekomendowa� tylko to, co przeczytali inni. To jest pow�d, dla kt�rego Amazon nie mo�e zast�pi� rekomendacji ludzkiej ksi�garni - a przynajmniej jeszcze nie.

Kto filtruje Twoje informacje?

Internetowe systemy rekomendacji s� wsz�dzie wok� nas. Ucz� si� najpopularniejszych wybor�w i mog� pozbawi� nas elementu zaskoczenia, nawet bez naszej uwagi. Eli Pariser, organizator polityczny online, m�wi o czym�, co nazywa "ba�k� filtracyjn�", w kt�rej dostawcy tre�ci internetowych zaczynaj� zaw�a� nasz �wiatopogl�d w wyniku nieudanej pr�by personalizacji. Powiedzmy, �e interesujesz si� polityk� i masz liberaln� opini�. Algorytm uczenia maszynowego wkr�tce zrealizuje tw�j osobisty wyb�r, poniewa� wydaje si�, �e czytasz bardziej liberalnie stonowane artyku�y ni� cokolwiek innego. Aby zwi�kszy� zadowolenie i w�asny wsp�czynnik klikni��, urz�dzenie zacznie filtrowa� konserwatywne widoki. Te opinie powoli znikn� i ju� ich nie zobaczysz.

Jak zbudowa� system rekomendacji : rozpocznij od ma�ego

Je�li zarysowa�by� powierzchni� g��wnych silnik�w rekomendacji, mo�esz wyobrazi� sobie zestaw z�o�onych analiz chronionych �ci�le tajn� formu��. Na szczycie spektrum sprzeda�y detalicznej w Internecie istnieje pewna prawda o tym stereotypie. Ale wa�niejsze jest to, �e dla wi�kszo�ci ludzi systemy rekomendacji obracaj� si� wok� korzystania z jasnych i mo�liwych do zaobserwowania danych. Sp�jrzmy na lider�w polecaj�cych tre�ci emocjonalne, takich jak Amazon i Netflix. Oba maj� �wietne systemy rekomendacji. Ich witryny sugeruj� u�ytkownikom takie rzeczy, jak filmy do obejrzenia lub ksi��ki do przeczytania, a zalecenia s� bardzo wa�ne dla sprzeda�y. W Netflix 75% wszystkich wybor�w u�ytkownik�w opiera si� na zaleceniach przygotowanych dla nich przez ich w�asny system. Podczas konferencji Strata 2012 Xavier Amatriain (@xamat) z Netflix wyja�ni� niekt�re dane wej�ciowe wykorzystywane przez ich system rekomendacji:

Oceny u�ytkownik�w<

Proste opinie u�ytkownik�w na temat ogl�danych film�w.

Kontekst

Wykorzystuje na przyk�ad czas dnia lub tygodnia jako wska�nik.

Popularno��

Og�lne dane na temat tego, co jest popularne w�r�d u�ytkownik�w og�em.

Zainteresowanie

Czym zwykle interesuje si� u�ytkownik i jakie zainteresowania wymieni�a w jej profilu?

�wie�o��

Celem jest zaoferowanie u�ytkownikowi nowych i r�norodnych pomys��w.

Rekomendacje znajomych za po�rednictwem Facebooka

Jak podobaj� si� przyjaciele u�ytkownika?

To jest wiele zmiennych, a na pewno jest ich wi�cej. Ale co wa�niejsze na ka�dy z tych sze�ciu obszar�w wp�ywa kilka wska�nik�w wyj�tych z milion�w punkty danych od 23 milion�w subskrybent�w w 47 krajach z ponad 5 miliardami rekomendacji. Niesamowite? Prawdopodobnie nie! Je�li przyjrzysz si� swojej w�asnej firmie, znajdziesz podobne ilo�ci danych. Wi�kszo�� tego prawdopodobnie nie ma u�ywany; lub jeszcze gorzej, mo�e nie by� �atwo dost�pny, poniewa� znajduje si� w serwisie Netflix. Jednak, masz w�asn� z�o�ono��, a pytanie, jakie musisz sobie zada�, brzmi: jak korzysta� z danych. Zobaczmy, jak Netflix wykorzysta� dane. Nie zacz�o si� od wielu r�ne zmienne; Zacz�o si� od prostej metody rekomendacji. Jak om�wiono p�niej, zastosowana strategia jest bardzo odpowiednia, poniewa�:
�atwy do zmierzenia : Netflix pyta u�ytkownik�w bezpo�rednio o ich preferencje.

Niski poziom b��du : Mo�emy za�o�y�, �e ludzie oceniaj� te filmy dok�adnie lub przynajmniej uczciwie.

Wysoka korelacja

Korelacja mi�dzy gustami u�ytkownik�w w przesz�o�ci i w przysz�o�ci jest bardzo wyra�na. Lekcja wyci�gni�ta z Netflix polega na tym, aby zacz�� od prostej. Dopiero po udowodnieniu korelacji Netflix zacz�� stopniowo rozszerza� system. Zacz�o si� od zoptymalizowania kilku wska�nik�w, w kt�rych zwi�zek przyczynowy by� wysoce przewidywalny, a nast�pnie zbudowanych na podstawie Nawet dzisiaj, gdy wed�ug Netflix 75% tego, co ludzie ogl�daj�, opiera si� na zaleceniach, nadal udoskonala funkcje i algorytmy, wykorzystuj�c prosty punkt odniesienia opinii widz�w. Patrz�c na w�asny proces korzystania z rekomendacji, mo�esz sprowadzi� proces do trzech kluczowych wytycznych:

• Zacznij od ma�ych i tylko z kilkoma punktami danych.

• Ulepsz swoj� skuteczno�� i nie wykorzystuj wszystkich dost�pnych danych, poniewa� dane bez rozs�dnego podej�cia s� tylko ha�asem.

• Zmniejsz zmienne na podstawie dok�adno�ci, trafno�ci i koszt�w.

Zaufanie, osobowo�� i rozum

Jak wspomniano wcze�niej, zaufanie jest kluczowym elementem ka�dego rodzaju transakcji sprzeda�y. Sta�o si� to szczeg�lnie wa�ne w �wietle zagadnie� omawianych w cz�ci dotycz�cej astroturfingu i bot�w, takich jak spos�b, w jaki ludzie wykorzystuj� dane spo�eczno�ciowe do gry w system. Takie rzeczy jak spam, fa�szywi obserwuj�cy i astroturfing zwi�kszaj� nasze podejrzenia, szczeg�lnie gdy kto� chce nam co� sprzeda�. Widzimy, �e istniej� dwa kluczowe sposoby na wzbudzenie zaufania, je�li chodzi o interakcje online:

• Zaufaj produktowi poprzez spo�eczne potwierdzenie innych os�b.

• Zaufaj algorytmom, aby poleci� "odpowiedni" element wed�ug naszego gustu.

To ten spo�eczny element handlu spo�eczno�ciowego budzi zaufanie. Przy zaufaniu b�dzie wi�ksze prawdopodobie�stwo zakupu, ale pami�taj, �e jest to tylko jeden z wielu czynnik�w, kt�re mog� wywo�a� zamiar zakupu. Co wi�cej, proces budowania zaufania nie jest, jak wszyscy wiemy, ca�kowicie deterministyczny. Tak wi�c, chocia� mo�emy zrozumie� og�ln� logik� i cel rekomendacji spo�eczno�ciowych, nie jest w 100% przewidywalne, jak ten proces b�dzie dzia�a� w danym momencie lub w odniesieniu do danego produktu. W ten spos�b mo�e pom�c rozmyta logika uczenia si� przez maszyny. Z czasem mo�emy tworzy� dane, kt�re pomog� nam wybra�, na przyk�ad, kt�ra z kilku recenzji mo�e wzbudzi� najwy�sze zaufanie, a co za tym idzie - najwy�sze prawdopodobie�stwo sk�onienia kogo� do zakupu. Opr�cz zaufania istniej� dwa inne czynniki, kt�re wspieraj� proces sprzeda�y: relacje osobiste i pow�d.

Relacje osobiste

"Cze�� Lutz, jestem Brad, tw�j mened�er spo�eczno�ci. Chcia�em si� z tob� skontaktowa�, aby zobaczy�, jak podoba ci si� nasz produkt. "Zdj�cie Brada na Facebooku u�miecha si� u g�ry jego e-maila. To jest jego rodzinne zdj�cie na pla�y. Trudno jest ustali�, czy Brad jest prawdziw� osob�, robotem, a mo�e robotem kierowanym przez cz�owieka, ale ta firma wyra�nie rozumie, �e relacje osobiste s� wa�n� cz�ci� procesu sprzeda�y, nawet je�li - a mo�e szczeg�lnie, gdy - kto� robi zakupy online. Netflix, jak wspomnieli�my wcze�niej, korzysta z mo�liwo�ci informowania klient�w, kt�ry z ich znajomych obejrza� film i wykorzystuje go jako godn� zaufania rekomendacj�. Jednak nie ka�da firma ma produkty, kt�re s� tak cz�sto kupowane przez wielu przyjaci�. Je�li jeste� sprzedawc� rower�w, musisz mie� szcz�cie, aby znale�� przyjaci� swoich klient�w, kt�rzy w�a�nie kupili podobny rower, a zatem mog� by� wykorzystane jako zach�ta do zaszczepienia zamiaru zakupu. Dlatego w przysz�o�ci b�dziemy widzie� coraz wi�cej pr�b stworzenia osobistych po��czenia online mi�dzy sprzedawcami a klientami w celu u�atwienia sprzeda�y. Potrzeba osobistego po��czenia jest potrzebna nie tylko w procesie sprzeda�y, ale tak�e w celach przechowywania. Wkr�tce zobaczymy, w jaki spos�b dzia�ania zwi�zane z obs�ug� klienta w mediach spo�eczno�ciowych pomagaj� stworzy� bardziej osobist� twarz firmy, a tym samym zadowoli� tego cz�owieka potrzeb� po��czenia.

POW�D

Badania pokazuj�, �e u�ytkownicy s� bardzo wra�liwi na powody, dla kt�rych co� jest im zalecane. Wyja�nienie wydaje si� wyzwala� automatyczny wzorzec reakcji podobny do tego zaobserwowanego przez Roberta Cialdiniego. Najlepszymi zaleceniami s� oczywi�cie te, kt�re mo�na powi�za� z danymi osobowymi, ale niekoniecznie jest to wym�g. We�my Amazon, kt�ry analizuje nasze nawyki zakupowe, nie wiedz�c, �e nasi przyjaciele to, powiedzmy, rowerzy�ci g�rscy. Wyja�nienie Amazona, dlaczego powstaj� te rekomendacje ksi��ek - poniewa� inni te� je polubi�y - jest o wiele pot�niejsze ni� tylko wy�wietlanie samych rekomendacji.

Daj mi pow�d

Interesuj�cy eksperyment pokazuje warto�� jednej z zasad wp�ywu jednego z psycholog�w spo�ecznych Roberta Cialdiniego. Kto� prosi o pozwolenie na odci�cie si� od ludzi w kolejce, aby u�y� kserokopiarki, u�ywaj�c jednego z trzech sformu�owa�, a nast�pnie mierzona jest liczba os�b, kt�re si� zgadzaj�. . Sformu�owania s� nast�puj�ce:

"Przepraszam. Mam pi�� stron. Czy mog� korzysta� z urz�dzenia Xerox? "

"Przepraszam. Mam pi�� stron. Czy mog� u�y� maszyny Xerox, poniewa� spiesz� si�?"

"Przepraszam. Mam pi�� stron. Czy mog� korzysta� z maszyny Xerox, poniewa� musz� zrobi� jakie� kopie?"

Wyniki by�y diametralnie r�ne, gdy osoba poda�a pow�d ingerencji: 94% os�b, kt�re us�ysza�y drugie o�wiadczenie, zezwoli�o, w por�wnaniu z 60% os�b, kt�re da�y pierwsze o�wiadczenie. Ciekawsze jest to, �e 93% os�b korzystaj�cych z trzeciego stwierdzenia r�wnie� mog�o si� w��czy�. W drugim o�wiadczeniu podano uzasadniony pow�d. W trzecim o�wiadczeniu podano pow�d "placebo" - wszyscy czekaj�cy na korzystanie z maszyny musieli robi� kopie. R�nica polega na u�yciu s�owa "poniewa�", kt�re wywo�a�o odruch, by potraktowa� ��danie jako wa�ne, gdy podano jaki� pow�d. Ta technika jest znana jako kontrolowana odpowied�, w kt�rej wyniki zale�� od j�zyka ��dania, a nie od tre�ci. J�zyk ma swoje granice. Na przyk�ad w tym badaniu przyczyny placebo nie by�y bardziej skuteczne ni� brak powodu, gdy ��danie by�o wi�ksze. Ale jasne jest, �e j�zyk i testy s� potencjalnie wa�nymi czynnikami w budowaniu zaufania do zakup�w online.

Podsumowanie

Proces sprzeda�y opiera si� na wiedzy i zaufaniu. Jak zauwa�ono w wielu innych rozdzia�ach, z medi�w spo�eczno�ciowych mo�na korzysta� na dwa r�ne i bardzo r�ne sposoby. Z jednej strony media spo�eczno�ciowe wspieraj� operacje sprzeda�owe: tweety, blogi, recenzje i wszystkie interakcje z klientami mog� tworzy� wiedz� i zaufanie do produkt�w oraz mam nadziej�, �e zwi�kszy sprzeda�. Z drugiej strony dane w mediach spo�eczno�ciowych same w sobie mog� tworzy� spostrze�enia, kt�re prowadz� do wiedzy na temat potencjalnego konsumenta. Te metody u�ycia s� bardzo r�ne i wymagaj� bardzo r�nych zestaw�w umiej�tno�ci. Nie pytaj agencji marketingowej o g��bokie informacje analityczne. Najprawdopodobniej ponios� pora�k� w taki sam spos�b, jak specjalista ds. Danych nie napisze chwytliwej wiadomo�ci marketingowej dla Twojego konta na Twitterze. W pierwszej cz�ci tego rozdzia�u omawiali�my, jak korzysta� z medi�w spo�eczno�ciowych podczas procesu sprzeda�y. Zasadniczo pomys�y s� podobne do pomys��w w Cz�ci 1. Jednak w por�wnaniu do tamtejszej dyskusji mo�emy powi�za� nasze dzia�ania bli�ej sukcesu sprzeda�y. Dlatego nie potrzebujemy tak wielu zmiennych opisowych. Przychody lub sprzeda� zamkni�ta s� wystarczaj�cymi danymi. Media spo�eczno�ciowe, jak �aden inny obszar, maj� realny i wp�ywowy wska�nik ROI. W drugiej cz�ci tego rozdzia�u om�wili�my dane w mediach spo�eczno�ciowych. Te dane zawieraj� wskaz�wki dotycz�ce naszego konsumenta. Co oni my�l� Czego potrzebuj�? Te wskaz�wki mog� pom�c przewidzie�, co klient mo�e zrobi� dalej. W przeciwie�stwie do innych obszar�w w firmie, w gr� wchodzi modelowanie predykcyjne. Pomocna jest binarna forma procesu sprzeda�y. Kupi� czy nie? Korzystaj�c z uczenia maszynowego, mo�emy budowa� systemy rekomendacji. Om�wili�my r�ne typy i wyzwania silnik�w rekomendacji. Ostatecznie wykorzystanie danych spo�eczno�ciowych do zwi�kszenia sprzeda�y wykorzystuje ludzk� natur� i ludzk� psychologi�. Chcemy ufa� temu, co kupujemy, a tym samym chcemy czu� si� zwi�zani z innymi. Dlatego je�li u�ywamy inteligentnych algorytm�w do przewidywania zachowania, musimy bardzo ostro�nie przekazywa� t� wiedz�. Nadal nie ma magicznej kuli, kt�ra zmusi�aby ludzi do kupienia czego� i prawdopodobnie nigdy nie b�dzie; Jednak w miar� wzrostu ilo�ci danych, a tak�e po��cze�, kt�re mo�na w ten spos�b nawi�za�, mamy wi�kszy ni� kiedykolwiek potencja� do zrozumienia i zarz�dzania zamiarami zakupu

ZESZYT �WICZE�

Jak wykorzysta� procesy w mediach spo�eczno�ciowych lub dane w mediach spo�eczno�ciowych do wspierania proces�w sprzeda�y? Aby zacz�� my�le�, sp�jrz na nast�puj�ce pytania zeszytu �wicze�:

• Jaka wiedza jest wa�na dla Twoich klient�w? Co zwykle wiedz� Twoi klienci przed zakupem Twoich produkt�w?

• Jak wa�ne jest zaufanie do procesu sprzeda�y? Czy jest inaczej na ka�dym etapie �cie�ki sprzeda�y?
v • Zapisz typowy przep�yw sprzeda�y, poczynaj�c od etapu przej�cia i kontynuuj�c do etapu, w kt�rym transakcja zostanie zamkni�ta.

• Z jakich narz�dzi medi�w spo�eczno�ciowych m�g�by� skorzysta� na ka�dym etapie tej �cie�ki, aby wzmocni� zaufanie i wiedz�?

Silniki rekomendacji to skuteczny spos�b na dotarcie do czwartej "V" warto�ci. Ich konfiguracja nie zawsze jest �atwa, ale mog� to by� ma�e kroki, kt�re decyduj� o sukcesie i pora�ce.

• Przejrzyj opisany wcze�niej przep�yw sprzeda�y: gdzie w ramach przep�ywu mo�na zastosowa� system rekomendacji?

• Jakiego rodzaju (wsp�pracy kontra tre�ci) by� u�y�?

• Jak Tw�j klient zareaguje na te spostrze�enia? Jak najlepiej wyja�ni� je bez utraty zaufania?

Czy znalaz�e� nowy spos�b na zaanga�owanie w swoim kanale sprzeda�y?

Analityka Z Social MediaSocial Media

Sprzeda�