Amazon i system rekomendacji produktów w 2021: jak działa algorytm giganta e-commerce?

Amazon jest dobrze znany z wyjątkowo trafnego doboru rekomendacji w sklepie internetowym. Wykorzystuje przy tym takie technologie jak algorytmy sztucznej inteligencji i machine learning w celu poprawienia doświadczeń klientów oraz zwiększania sprzedaży.

System rekomendacji Amazona jest w stanie w inteligentny sposób analizować i przewidywać preferencje zakupowe klientów w celu proponowania im listy polecanych produktów.

Mimo że inne sklepy na przestrzeni ostatnich lat również wprowadziły podobne funkcjonalności do swoich witryn, to właśnie silnik rekomendacji Amazona uważany jest za jeden z najlepszych na rynku.

W dzisiejszym artykule podejmiemy następujące tematy związane z algorytmem Amazona:

Historia Amazona w pigułce

Był rok 1994, kiedy Jeff Bezos rzucił swoją dotychczasową lukratywną pracę w funduszu hedgingowym i założył Amazona.

W pierwszym miesiącu swojej premiery firma sprzedawała już książki klientom we wszystkich 50 stanach i 45 różnych krajach świata i generowała 20 000 USD zysku netto tygodniowo.

W ciągu 25 lat, od swojego założenia Amazon został uruchomiony, jest największą platformą e-commerce na rynku, generując do 280,5 miliarda dolarów zysku netto w 2019 roku. W 2021 roku sklep internetowy Amazona wszedł na rynek polski.

Oprócz rewolucyjnego modelu biznesowego i przemyślanego zarządzania, za bardzo dużą część globalnego sukcesu Amazona odpowiedzialne jest stałe udoskonalanie platformy, wprowadzanie innowacyjnych rozwiązań.

Co to jest algorytm Amazona?

Wraz z rozwijającą się technologią AI, Amazon rozpoczął pracę nad algorytmem, który byłby w stanie samemu analizować przedmioty wystawione przez użytkowników oraz określać preferencje zakupowe poszczególnych klientów.

Algorytm Amazona to silnik rekomendacji składający się z kilku istotnych części odpowiedzialnych za analizę różnych danych. Jest to możliwe dzięki technologii opartej na sztucznej inteligencji i machine learning.

Jak Amazon wykorzystuje sztuczną inteligencję w sprzedaży?

Obecni klienci oczekują, że sklep internetowy dostarczy im spersonalizowanych treści i będzie starał się urozmaicać ich doświadczenia zakupowe.

Według najnowszych badań na temat personalizacji nawet 91% klientów sklepów internetowych przyznaje, że chętniej skorzysta z oferty marki, która personalizuje ich doświadczenia, a 98% właścicieli witryn e-commerce twierdzi, że personalizacja poprawia ich relacje z klientami.

Niezależnie od tego, czy chodzi o poprawę współczynnika klikalności, zwiększenie liczby wyświetleń czy zmniejszenie współczynnika odrzuceń - kluczem do osiągnięcia wszystkich tych celów jest personalizacja.

Amazon i personalizacja drogi zakupowej

Do personalizacji zakupów firma stworzyła narzędzie Amazon Personalize.

Jest to usługa sztucznej inteligencji i uczenia maszynowego, która specjalizuje się w opracowywaniu rozwiązań systemowych rekomendujących. Automatycznie analizuje dane, dokonuje wyboru funkcji i algorytmów, optymalizuje model na podstawie danych oraz wdraża i obsługuje model w celu generowania rekomendacji w czasie rzeczywistym.

System ten wykracza poza standardowe rekomendacje e-commerce i może być wykorzystywany przez deweloperów w celu budowania złożonych, inteligentnych systemów rekomendujących dla innych serwisów.

Oprócz samych rekomendacji Amazon wykorzystuje kilka innych algorytmów sztucznej inteligencji odpowiedzialnych za wspieranie różnych aspektów działalności platformy.

Firma korzysta także z autorskiego algorytmu A9, który odpowiada za inteligentne wyszukiwanie produktów w witrynie.

1. Uwzględnia on słowa kluczowe, treść, dane dotyczące sprzedawców, opinie i recenzje oraz wskaźniki zwrotów w celu określenia najlepszych produktów,
2. Algorytm A9 klasyfikuje produkty na podstawie historii wyników sprzedaży, trafności dopasowania tekstu, ceny i dostępności zapasów u poszczególnych sprzedawców,
3. Istnieją również pośrednie czynniki, które wpływają na pozycję poszczególnych produktów w klasyfikacji algorytmu. Do najważniejszych z nich możemy zaliczyć m.in takie jak opcje dostawy i płatności, opisy i zdjęcia produktów, treści premium, reklamy i promocje.

Amazon w ostatnim czasie dokonał aktualizacji algorytmu A9, który określany jest teraz jako algorytm A10.

Aktualizacja zmieniła wiele aspektów jego działania, sprawiając, że koncentruje się on w tej chwili bardziej na zachowaniu kupujących niż na samych charakterystykach produktów.

Jak działa silnik rekomendacji Amazona?

W celu zapewnienia klientom trafnych rekomendacji produktowych algorytm Amazona musi przeanalizować ogromne ilości danych.

W ten sposób lepiej rozumie zachowanie wszystkich użytkowników oraz zainteresowania każdej osoby przeglądającej oferty.

• dane ogólne dotyczące produktów i użytkowników;
• dane dotyczące relacji i zależności pomiędzy nimi.

Poznanie istniejących relacji w sklepie internetowym zapewni silnikowi rekomendacji, wgląd w prawdziwe mechanizmy rządzące decyzjami zakupowymi klientów.

Algorytm rekomendacji Amazona do swojego działania analizuje 3 główne typy zależności i relacji:

• Relacja użytkownik-produkt
  
  Relacja tego rodzaju ma miejsce, gdy niektórzy użytkownicy o określonych cechach preferują produkty danego rodzaju i częściej je kupują.
  
  Dobrym przykładem mogą być gracze kupujący drogie podzespoły komputerowe lub fani różnych seriali i filmów kupujący związane z nimi gadżety i koszulki.
  
  
• Relacja produkt-produkt
  
  Relacje produkt-produkt występują, gdy oferowane w sklepie produkty są podobne do siebie zarówno pod względem wyglądu, jak i specyfikacji.
  
  Niektóre przykłady obejmują książki, filmy, seriale lub muzykę z tego samego gatunku lub dania z tej samej kuchni.
  
  
• Relacja użytkownik-użytkownik
  
  Występuje, gdy poszczególni klienci o danych cechach mają podobny gust lub preferencje w stosunku do danych produktów.
  
  Przykładem takich relacji mogą być nastolatkowie masowo kupujący merch swojego ulubionego Youtubera lub fani gotowania, które preferują określoną linię produktów kuchennych.

Oprócz zbierania informacji na temat relacji i powiązań algorytm rekomendujący Amazona wykorzystuje także różne rodzaje danych dotyczących produktów oraz użytkowników:

• Dane dotyczące zachowania użytkownika
  
  Dane tego rodzaju to przydatne informacje o preferencjach poszczególnych klientów, ich interakcji z danymi produktami. Amazon wykorzystuje pliki cookies do zbierania danych dotyczących historii przeglądania, polubień lub długości sesji.
• Dane demograficzne użytkownika
  
  Dane demograficzne użytkownika są powiązane z danymi osobowymi poszczególnych klientów, takimi jak wiek, wykształcenie, dochód czy lokalizacja. Aby zbierać takie dane obowiązkowa jest zgoda użytkownika.
• Dane atrybutów produktu
  
  Dane atrybutów produktu to informacje związane z samym produktem, takie jak specyfikacja danego komputera, informacje dotyczące rozmiaru bluzki, opis kolekcji.

Metoda filtrowania danych przez algorytm rekomendujący Amazona

Wiele takich systemów można sklasyfikować jako filtrowanie oparte na treści (content-based filtering) lub filtrowanie grupowe (collaborative filtering).

Content-based filtering w Amazonie

Filtrowanie oparte na treści jest jednym z najprostszych systemów i cały czas jest wykorzystywane przez nowoczesne systemy rekomendacji.

Głównym założeniem filtrowania opartego na treści jest to, że jeśli klientowi spodoba się określony produkt, to istnieje prawdopodobieństwo, że spodoba mu się również inny produkt o podobnej specyfikacji.

Collaborative filtering

W przeciwieństwie do filtrowania opartego na treści metoda filtrowania grupowego wykorzystuje do generowania rekomendacji doświadczenia innych użytkowników.

Co ciekawe, Amazon był pionierem tego podejścia i już w 2003 opublikował artykuł Recommendations: Item-to-Item Collaborative Filtering, który później zdobył nagrodę Instytutu Inżynierów Elektryków i Elektroników (IEEE).

Niewątpliwą zaletą tej metody jest to, że umożliwia silnikowi rekomendacji generowanie propozycji dla stosunkowo skomplikowanych produktów, takich jak filmy czy muzyka bez konieczności posiadania specjalistycznej wiedzy na ich temat.

W porównaniu z filtrowaniem opartym na treści, filtrowanie zespołowe zapewnia lepsze wyniki w kilku kluczowych obszarach:

• różnorodność - filtrowanie grupowe generuje bardziej różnorodne listy rekomendowanych produktów, oferując klientom szerszy wybór.
• przypadkowość - rekomendacje wygenerowane za pomocą metody collaborative filtering znacznie częściej potrafią pozytywnie zaskoczyć klienta i pokazać mu interesujący go produkt, którego w innym przypadku mógłby nie odkryć;
• nowość - metoda collaborative filtering jest w stanie skuteczniej prezentować klientom nowości w ofercie sklepu, którymi użytkownicy byliby najprawdopodobniej zainteresowani.

Warto jednak zaznaczyć, że obie metody collaborative i content-based oferują najlepsze i najskuteczniejsze wyniki, jeśli współpracują ze sobą w jednym, kompleksowym silniku rekomendacji.

Właśnie tak działa algorytm Amazona - łącząc w sobie najlepsze elementy obu strategii, oferuje swoim klientom rekomendacje najwyższej jakości.

Mimo to w ostatnich latach Amazon cały czas pracował nad nowymi, innowacyjnymi rozwiązaniami, które mogłyby jeszcze bardziej usprawnić jego algorytm rekomendacji.

Bandyta i casual interference - czyli hybrydowe algorytmy Amazona

Algorytm bandit-based

Jednym z obszarów badań nad nowymi algorytmami rekomendacji są tzw. algorytmy Bandit-based.

Algorytm “bandytów” opiera się o uczenie maszynowe się przez wzmocnienie (RL) i stara się rozwinąć możliwości sprzedażowe nowych produktów z wykorzystaniem tych już dochodowych.

Algorytmy bandit-based mogą być także wykorzystywane do dokonywania wyborów w czasie rzeczywistym między kilkoma modelami rekomendującymi w oparciu o to, jak użytkownicy reagują na różne propozycje produktów.

Algorytm casual interference

Kolejnym innowacyjnym podejściem do algorytmów rekomendujących, nad którymi pracował Amazon, jest algorytm casual interference.

Koncentruje się on głównie na określeniu czynników, które skłoniły poszczególnych klientów do zwrócenia swojej uwagi na konkretne produkty.

Opracowując algorytm, który łączy casual interference z istniejącymi algorytmami rekomendacji, naukowcy Amazona byli w stanie wygenerować ulepszone rekomendacje, dzięki uwzględnieniu różnych czynników zakłócających.

Warto w tym miejscu także wspomnieć, że systemy hybrydowe są coraz bardziej popularne. Niektóre z tych nowszych podejść nie wykluczają się wzajemnie i można je łączyć ze sobą.

Wszystkie wymienione tutaj strategie są obecnie rozwijane i udoskonalane przez zespół Amazona w celu dostarczania jak najlepszych rekomendacji produktowych klientom.

Wyniki w sprzedaży Amazona dzięki rekomendacjom

Wprowadzenie tak złożonego i zaawansowanego algorytmu rekomendacji wymagało od Amazona gigantycznego nakładu zarówno pracy, jak i funduszy. Jednak jak widzimy po statystykach, inwestycja ta przynosi ogromne korzyści.

Biorąc pod uwagę niesamowity sukces Amazona na rynku sprzedaży internetowej, można z całą stanowczością stwierdzić, że system rekomendacji… po prostu działa.

Firma odnotowała 37% wzrost sprzedaży od 2019 do 2020 roku, z 280 mld do 386 mld dolarów. Bez wątpienia za sporą część tego sukcesu odpowiada sposób, w jaki Amazon zintegrował rekomendacje z prawie każdym etapem procesu zakupowego.

Co więcej, według badania McKinsey nawet 35% sprzedaży Amazona jest generowana dzięki autorskiemu algorytmowi rekomendacji produktowych.

Obecnie silnik rekomendacji stał się bardzo istotną częścią strategii rozwoju Amazona.

Jeff Wilke, dyrektor działu konsumenckiego, przyznaje:

W Amazon.com wykorzystujemy algorytmy rekomendacji, aby spersonalizować sklep internetowy dla każdego klienta. Sklep radykalnie zmienia się w zależności od zainteresowań klientów, pokazując książki o programowaniu inżynierowi, a zabawki dla niemowląt nowo upieczonej mamie.

Tego można się nauczyć od Amazona - dobre praktyki e-commerce

Mimo że Amazon jest absolutnym gigantem na rynku e-commerce i dysponuje dużym budżetem na R&D, mniejsze sklepy internetowe także mogą skorzystać z tej samej strategii rekomendowania w swojej działalności.

Istnieje obecnie na rynku sporo narzędzi dla sklepów online, które oferują wprowadzenie spersonalizowanych rekomendacji w każdym sklepie internetowym zaledwie kilkoma kliknięciami.

Każdy sklep internetowy, niezależnie od jego wielkości, po zainstalowaniu silnika rekomendacji może tak samo jak Amazon cieszyć się korzyściami płynącymi z zastosowania technologii sztucznej inteligencji w praktyce.

Do najważniejszych korzyści spersonalizowanych rekomendacji, które widzimy u Amazona, możemy zaliczyć:

1. Zwiększone przychody ze sprzedaży - sklepy internetowe, które wdrażają algorytmy rekomendujące produkty, są bardziej skuteczne w generowaniu zwiększonych przychodów ze sprzedaży.
2. Zwiększenie ruchu w witrynie - dzięki silnikowi rekomendacji możesz znacząco zwiększyć ruch na witrynie sklepu dzięki lepszym doświadczeniom klientów.
3. Zwiększona satysfakcja użytkowników - kupujący chce szybko i za pomocą kilku kliknięć znaleźć to, czego szuka. Sklepy internetowe skuteczniej są w stanie zdobyć zaufanie klientów, dzięki spełnianiu ich potrzeb i oczekiwań. To z kolei przekłada się na zwiększone współczynniki retencji klientów.
4. Zwiększona lojalność klientów - zadowoleni klienci stają się lojalnymi klientami. A lojalni klienci znacznie częściej polecą markę swoim znajomym, zapewniając firmie darmową reklamę.
5. Zwiększone zaangażowanie kupujących - jeśli użytkownik nie znajduje na stronie sklepu tego, czego szukał lub zabłądził w zakładkach witryny, szybko spadnie poziom jego zainteresowania i pójdzie szukać interesujących go produktów do konkurencji. Prezentowanie mu rekomendacji opartych o jego osobiste preferencje z całą pewnością może przyspieszyć i usprawnić jego podróż po zakładkach sklepu i zwiększyć prawdopodobieństwo, że dokona zakupu.

Podsumowanie

Działanie algorytmu rekomendacji Amazona jest prawdopodobnie najbardziej złożone i skuteczne rynku e-commerce. Firma stale rozwija swój system rekomendacji od niemal 20 lat i obecnie jest on odpowiedzialny na dużą część sprzedaży.

Silnik spersonalizowanych rekomendacji Amazona poprawia doświadczenia klientów oraz w czasie rzeczywistym prezentuje produkty opierając się na ich historii przeglądania, dzięki wykorzystaniu sztucznej inteligencji i machine learning.