[客座] 給我源自口碑資料庫的自動化推薦系統

隨著網路資訊的發達,單一消費者所花在購物決策的平均時間也越來越長,當發生Information Overloading時,再完善的口碑資訊、商品資訊也都將失去價值。近年來,許多國外的網路業界開始積極想解決這個問題,有的服務決定以「人」來解決人的問題,也就是由專門領域的「達人」用直接協助一般消費者完成購物決策的方式,節省一般消費者自行摸索的啟蒙期,縮短購物決策的時間。另外還有一種服務是走「自動化推薦系統」的路,常見的方法是收集消費行為資料並執行資料採礦(Data Mining),在以自動化模組比對分析結果之後,將對的商品,在對的時候,推薦給對的人,而在這類服務中Amazon網路書店是頗負盛名的例子。

以個人的喜好而言,我喜歡自動化推薦系統多過於達人推薦模式。因為我認為來自達人的資訊只能快速度過啟蒙期,如果對某種商品產生濃厚的興趣之後,極有可能會產生跟達人相左的想法,不過自動化推薦系統完整之後。當然,這只是個人的觀感,而且我也並不否定達人推薦模式的價值。

既然喜歡自動化推薦系統就要想辦法得到它。手頭上可以運用的是口碑資料庫,還缺的是對資料庫的切點以及技術面的應用,以下就以系統分析的要件來分享一下我的想法。

購物行為對應購物行為

每一個消費行為都有其獨特的意義,只要做到「凡走過必留下痕跡」,就很容易可以看出來。日本7-11以舉世聞名的POS系統以一家店為單位收集消費者行為,並藉由分析消費者行為來達成減低庫存、增加銷量的目的。口碑資料庫可以應用的範圍更廣,因為每一筆資料都是以一個人為單位,也就是說不僅可以看到一個消費者的購物履歷,還可以跟其他有類似購物履歷的消費者做交叉比對,以購物行為來對應購物行為,並在彼此購物履歷相異之處推薦商品。

個人特質對應個人特質

每一個人在購物時都有自己獨特的喜好,這跟自己的生活環境、教育水準、成長背景有著相當大的關係,而我們把這個稱為是個人特質。同樣的,大多數商品本身在設計之初就會設定該商品的目標族群特質,也就是說商品本身也會有自己的特質,就跟人一樣。當商品行之有年,我們可以觀察消費者特質跟商品特質的對應狀況,在取出相關係數後,我們可以此當成推薦的基準,日本一家技術研發公司Team Lab對此相當在行。另外,有類似特質的人可能會做出類似的購物決策也是可以模擬的假說,如果把對特質的觀察移回到人跟人之間,那麼新上市商品的推薦也將可行。

人際網絡對應人際網絡

不論是彼此熟識的強連結或是點頭之交的弱連結,在東方人的世界裡,只要能夠連結就有一定的影響力。如果我們幫每一個消費者把其人際網絡圖建構出來,我們會發現可以分成若干個聚落,每個聚落會有不同的大小以及不同的特質,有趣的是,我們可以發現在同一個聚落中的人們,會購買同一樣商品的機率相當高,若以時間的角度來看,如果我們試著說服一個聚落的核心人物購入某一個商品,通常在他購入不久後,這個商品就會像病毒一般迅速傳染給聚落中的其他人,速度之快,就好像聚落之中的其他人根本一發現這個商品就決定購買。這是我們常提到的SNS價值。那跟推薦系統的關係是?聚落跟聚落之間也會有類似的特質,不過卻不一定有節點(連結兩個Group的人,也有人稱為Gate person)可以互相連結。如果我們可以善用節點購物行為特質,推薦相關的聚落來購物,我想也是不錯的做法。

以上是我對口碑資料庫切入點的構想,技術面的部分不是我的專業,就交給親愛的技術夥伴們來解決。

POST BY Buzz Lab

喜歡這篇文章嗎? 分享出去給作者一點鼓勵吧!