E-ticaret için görsel arama: Gelir ve memnuniyetin arttığını görün
Yayınlanan: 2020-06-22Eşsiz bir şey arıyorsunuz ve onu kafanızda canlandırabiliyorsunuz, ancak çevrimiçi bulma şansınız yok. Tanıdık geliyor mu? Yalnız değilsiniz – ve bu nedenle e-ticaret için görsel arama, perakendeciler için olmazsa olmaz hale geliyor.
Müşteriler, çevrimiçi satın alma söz konusu olduğunda çok sabırlı değildir, bu nedenle binlerce üründen oluşan bir katalog sağlayan e-ticaret işletmeleri mutlaka yararlı değildir. İnsanların sadece metin tabanlı aramalar sağlayarak kataloglarında ve web sitelerinde (veya çevrimiçi mağazalarda) moda ürünlerini aramasına olanak tanıyan çevrimiçi mağazalar, müşteri deneyimi söz konusu olduğunda tekneyi kaçırıyor.
Müşteriler, beğendikleri ürünleri tanımlamaya çalışmak için metin tabanlı aramayı kullanır, ancak arama sonuçlarında nadiren doğru öğeleri bulabilirler. Belirli bir dokuya sahip bir ceketi veya benzersiz bir desene sahip güneş gözlüğü tanımlamak kolay değil ve bunları kelimelerle açıklamak gerekiyor.
Ürün kategorisine göre filtreleme ve manuel arama hem çok zaman alır hem de bazen başarılı olmaz. Birkaç deneyimde başarısız olduktan sonra, müşteriler genellikle pes eder ve bu da dönüşüm oranı ve gelir üzerinde olumsuz bir etki yaratır.
Bir müşterinin ürünleri tanımlama ve karar verme becerisi söz konusu olduğunda görseller güçlü kaynaklardır.
Aslında, insan beyninin tüm bir görüntüyü sadece 13 milisaniyede işleyebildiği tahmin ediliyor , yani metinden 6 ila 600 kat daha hızlı işleniyor .
E-ticaret için görsel arama: Görsel arama optimizasyonu, etkileşimi ve dönüşümü artırır
E-ticaret web siteleri, platformlarını ve arama stratejilerini, kullanıcıların benzer ürünleri aramak için ürünler de dahil olmak üzere, görselleri kullanabileceği görsel tabanlı aramayı destekleyecek şekilde yükseltirse, müşteri deneyimi büyük ölçüde iyileşir.
E-ticaret için görsel arama önemli ölçüde iyileşir:
- Müşteriler aradıkları ürünleri hızlı ve etkileşimli olarak bulabildikleri için dönüşüm oranları
- Müşteri etkileşimi
- Müşterinin alışveriş deneyimi
- Satış ve çapraz satış fırsatları
Etkili bir arama yapabilmek için, görüntü özelliklerini öğrenmek için otomatik yollar geliştirmeye ihtiyaç vardır. Bir makine öğrenimi yaklaşımı olası bir çözümdür.
Algoritmaların yardımıyla makine öğrenimi, karar alabilen akıllı bir platform geliştirmek için sistemi geçmiş verilerden eğitebilir. Ardından, eğitilmiş verilere dayalı olarak sonraki adımları tahmin eder.
E-ticaret ve görsel arama, müşteriler için değerli ve kişiselleştirilmiş bir deneyim sunarak makine öğreniminden yararlanabilir. Makine öğrenimi, arama motorlarını daha akıllı hale getiriyor ve derin öğrenme, görsel arama için yararlı olan bir makine öğrenimi dalıdır.
Görsel aramada yapay zeka ve makine öğrenimi: Nasıl çalışır?
Bilgisayarlar için görüntü, 2B matrisi temsil eden verilerdir ve yüz binlerce piksel içerir. Bu arada görüntü, anlamsal desenlerin, çizgilerin, eğrilerin, dokuların ve renklerin bir düzenlemesidir.
Görsel arama için farklı türde makine öğrenimi algoritmaları vardır. Burada iki popüler algoritmadan bahsediyoruz: Evrişimsel Sinir Ağı (CNN) ve k-En Yakın Komşular (k-NN).
Yukarıdaki şemada gösterilen iki aşamamız var: Çevrimdışı ve Çevrimiçi.
Çevrimdışı aşamada , bir e-ticaret mağazasının kataloğunu CNN algoritması ile eğitiyoruz. CNN, bir dizi katmandır; Her katmanın girdisi bir önceki katmanın çıktısıdır. İlk katmana bir görüntü girilir, ilk katmanlar kenarlar gibi düşük seviyeli özellikleri çıkarır. Sonunda anlamlı özellikler çıkarılır. Çıktı, özellik vektörlerinin bir listesidir.
Çevrimiçi aşamada, e-ticaret mağaza kataloglarındaki her görüntünün vektör temsiline zaten sahibiz. Depolanan vektörler, bir görüntü ile diğeri arasındaki bağlantıyı yakalamak için kullanılabilecek anlamlı açıklamalar içerir. CNN yardımıyla, müşteri tarafından yüklenen görüntüden gizli anlam çıkarıyoruz ve görsel olarak en benzer eşleşmeleri bulmak için görüntüden görüntüye karşılaştırmalar yapmak daha kolay hale geliyor.
Ancak, benzerlik için çıkarılan öznitelik vektörlerini karşılaştırmak için yine de başka bir adıma ihtiyacımız var. K-NN, denetimli öğrenme için sınıflandırma algoritmalarından biridir. Amaç, özellik vektörlerinde yüklenen görüntünün en yakın eşleşmesini aramaktır.
Aşağıdaki adımlar, makine öğrenimi ile görsel aramanın nasıl çalıştığını özetler:
- İstemci görüntüyü yükler
- Bir giriş görüntüsünün ön işlemesi
- Yüklenen görüntünün görsel özelliklerini çıkarın
- Çıkarılan özellikler ve eğitilmiş veriler arasındaki benzerliği hesaplayın
E-ticaret işiniz için makine öğrenimi ne yapabilir?
Makine öğrenimi teknolojileriyle desteklenen görsel aramayla, e-ticaret işletmeniz çok sayıda avantaja sahip olacak.
Motordaki güçlü makine öğrenimi sayesinde işletmeniz şunların keyfini çıkarabilir:
- Daha hızlı kararlar: Makine öğrenimi algoritmaları, karar vermeyi önceliklendirebilir ve otomatikleştirebilir. Ayrıca, hemen alınması gereken fırsatları ve akıllı eylemleri işaretleyebilirler - böylece en iyi sonuçları elde edebilirsiniz.
- Uyarlanabilirlik: Yapay zeka sadece müşterinin geçmiş verilerine bakmaz. Gerçek zamanlı girdileri işleyebilir - böylece site önerileriniz anında ayarlanabilir. Beğendiği trende yeni bir ceket gören bir müşteri düşünün ve onu aramak için sitenize girerler, birkaç özellik girişi ile e-ticaret siteniz alakalı ürünler sunabilecektir.
- Daha derin içgörüler: Makine öğrenimi, büyük, karmaşık ve akış verilerini analiz edebilir ve tahmine dayalı içgörüler de dahil olmak üzere insan yeteneklerinin ötesinde içgörüler bulabilir. Bir müşteri, farklı medya/içerik biçimleri içeren birden çok web sitesi ve platformdan geçer. Genellikle bu yolculuk birden fazla cihaz aracılığıyla yapılır. Machine Learning, içgörüler bulmak için tüm bu temas noktalarını analiz edebilir ve ardından bu içgörülere dayalı eylemleri tetikleyebilir.
- Daha iyi sonuçlar: Yeni fırsatlara ve risklere dayalı akıllı eylemleri tetiklemekten, bir kararın sonuçlarını alınmadan önce doğru bir şekilde tahmin etmeye kadar, makine öğrenimi daha iyi iş sonuçları elde etmenize yardımcı olabilir.