Product Intelligence – En mulighed inden for produktfokuseret AI

Der er et paradigmeskifte på vej, og vi befinder os i forkant med denne udvikling inden for AI.
Vi har udviklet banebrydende prognosesoftware til detailbranchen.
dette er
Noget nyt
Med fokus på fuldstændig beskyttelse af privatlivets fred har vi udviklet banebrydende prognosesoftware til detailbranchen. Dette nye, intelligente system er baseret på en række AI-modeller, der trækker på millioner af produkter, milliarder af interaktionspunkter og billioner af datakombinationer. Vi kalder det Product Intelligence.
Hello Retails software omdanner produktoplysninger til vektorer bestående af bits og bytes – en række tal – og identificerer derved sammenhænge og ligheder. Disse oplysninger træner vores AI-modeller i at forstå og genkende produkter, hvilket skaber stor værdi for enhver professionel butiksejer, uanset om der er tale om traditionel handel med fysiske butikker eller fuldt udbyggede e-handelsvirksomheder.
Product Intelligence er blevet grundlaget for vores produktudbud og lægger fundamentet for forretningsudviklingen i fremtidens handel. Vores banebrydende AI forbedrer kunde- og shoppingoplevelserne, leverer værdifuld brancheindsigt og hjælper med at udarbejde produktstrategier inden for markedsføring, kundeakquise og kundefastholdelse. En helhedsorienteret byggesten til din forretningsstrategi.
Læs mere
Hello Retail har specialiseret sig i personalisering og optimering af e-handel. Vores produktudbud har til formål at skabe den bedste online shoppingoplevelse og danne et solidt grundlag for forretningsmæssige beslutninger.
En personaliseringsmotor har altid været kernen i vores produkter. Den er indtil nu blevet udviklet på en traditionel og ortodoks måde, men vi er ved at vende den verden på hovedet! Eller måske – indefra og ud.
Vores rejse begyndte for over ti år siden. I lang tid fulgte vi en veletableret tilgang til udvikling af personaliseringssoftware, som omfattede brugersporing og maskinlæring baseret på de enkelte brugeres specifikke adfærd.
Med den traditionelle metode var vi nødt til at bruge cookie-sporing for at følge den enkelte bruger gennem en lang række produktbesøg og overvåge interesser og andre købsmønstre. Hvis jeg for eksempel søgte efter hvide sneakers i en butik, ville vi betragte mig som en besøgende, der kiggede på forskellige produkter, registrere den information i vores system og se på, hvad jeg muligvis ville kigge på næste gang som en del af den længere række af produktbesøg i min kunderejse.

Derfor var vi nødt til at holde øje med den besøgende i butikken og sætte en »krog« på vedkommende – en indkodet og eksklusiv sporingscookie. Denne cookie skulle bruges til at vise vedkommende produkter, mens vedkommende fortsatte sin rejse. På en måde minder det om den oplevelse, man har, når man bliver forfulgt på tværs af platforme af den samme annonce for et bestemt produkt, blot fordi man har kastet et blik på det én gang – i mit tilfælde de samme hvide sneakers, uanset hvor jeg gik hen!
Og så, i begyndelsen af 2016, nåede Det Europæiske Råd til enighed om databeskyttelsesforordningen. GDPR havde ikke til formål at lægge hindringer i vejen for virksomheder, der beskæftiger sig med sporing, men blev vedtaget for at beskytte privatlivets fred på internettet, og det fandt genklang hos os.
Vi har altid følt, at vi var nødt til at tage stilling og nå vores mål om at levere e-handelsoptimeringssoftware, der overholder privatlivsreglerne 100 %, ved at gøre tingene på en anden måde.
Vi vidste, at software til optimering af e-handel skulle udvikles på en ny og innovativ måde, uden at det gik ud over den personlige oplevelse, man får, når man besøger en velkendt butik.
Vend verden på hovedet
Udvikling af optimeringssoftware på nye måder
Da vi imidlertid skulle levere en softwareløsning, var vi nødt til at tænke anderledes, og det er ikke så simpelt, som det måske ser ud, at få en maskine til at forstå det, som et menneskeligt sind let ville konkludere.
Forestil dig en situation, hvor du går ind i en modebutik i indkøbscentret, og ekspedienten iagttager dig, så snart du træder ind. Hun lægger først mærke til din generelle fremtræden – etablerer du øjenkontakt? Er du her med et bestemt formål, eller kigger du bare lidt rundt? Hvilket tøjmærke har du på? Er det dyrt eller ej? Disse ting, sammen med forskellige andre subtile eller mere præcise detaljer, udgør hendes første indtryk af dig.
Hun vil bruge alle de oplysninger, hun har, til at vurdere dig, så hun kan give dig den bedst mulige kundeoplevelse – og selvfølgelig for at få dig til at købe noget hos hende.
Hun ved ikke blot, hvad hun skal foreslå eller svare på, men også, hvordan hendes varer passer godt sammen. Hun ved, hvad der er populært, hvad hun mener er på mode blandt hendes kunder, hvilket produkt der ofte sælger bedst, og hvilke produkter hun skal præsentere senere i salgsprocessen. Det er alle disse beslutninger, der gør hende til en ekspert på sit område.
Det menneskelige sind er et fantastisk vidunder, og det sammenkæder og drager konklusioner på millisekunder på baggrund af de indtryk, vi modtager gennem vores sanser.
Det må siges at være en perfekt analogi til, hvordan vi stræber efter at udvikle de bedst mulige løsninger til din virksomhed. Vi udvikler vores software på en måde, der understøtter og finder de bedste produkter, som vi kan præsentere for hver enkelt kunde i enhver tænkelig sammenhæng.
Vi ønsker at være det solide datagrundlag for udarbejdelsen af den rette strategi for din handelsløsning, uanset om der er tale om e-handel eller en fysisk butik. Vi udvikler algoritmer og AI-modeller, der kan efterligne den samme ekspertise som butiksejeren bag disken i din lokale butik, men med erfaring svarende til tusind butikschefer.
Det lykkedes os ved at udvikle det, vi kalder Product Intelligence – ægte kunstig intelligens.
Som tidligere beskrevet blev alle oplysninger om brugerens produktvisninger og køb tidligere knyttet til brugerens profil. Så når jeg f.eks. kiggede på de hvide sneakers, blev den pågældende produktvisning knyttet til min brugerprofil i vores system. Med Product Intelligence vender vi nu op og ned på tingene og knytter alt til produktet i stedet for til brugeren.
Ligesom ekspedienten i den ovenfor beskrevne modebutik lagde mærke til hver eneste lille detalje, da du trådte ind i butikken, så udnytter vi i stigende grad anonyme databeacons, sporingsoplysninger og parametre. Alt sammen for at træne en AI-model til at lære af og forstå adfærden, og i stedet for at knytte denne viden til brugeren, knytter vi alle datapunkterne til selve produktet. Dette skaber en kollektiv viden mellem og i krydsfeltet af produktrelationer – og bruges til forudsigelige algoritmer og indsigter.
Product Intelligence er den nye AI-rygrad i vores tilbud. Det er motoren, der danner det nye fundament for alle vores løsninger – både nuværende og fremtidige. Vi bruger Product Intelligence til at fastlægge, hvilke produkter der skal anbefales til besøgende, til at tilpasse deres søgeoplevelser og til at levere unikke, intelligente indsigter, der er værdifulde for enhver e-handelsbutik.
Nå, hvad er det her?
Grundlaget for Product Intelligence udgøres af vores vigtigste byggesten – produkterne i vores kunders lagre. Vi har millioner af produkter i vores system, som alle er placeret i afgrænsede sektioner for hver enkelt butik, men når vi betragter dem alle sammen fra et overordnet perspektiv, begynder vi at lære. Vi bruger denne viden til automatisk at forbedre AI’en og blive klogere. Det betyder ikke, at kundespecifikke produktoplysninger genbruges hos andre kunder – det betyder snarere, at ligesom du for eksempel bliver et mere erfarent menneske og træner din hjerne til at forstå dine omgivelser – så tilegner du dig den intelligens, der er nødvendig for at træffe beslutninger.
For at kunne udvikle Product Intelligence må vi først forstå vores byggesten (produkterne) på nye måder – ikke blot som et produktbillede, en titel og en pris. Det er vigtigt at udvikle en maskine, der ser dem, som et menneske ville gøre, men på en måde, som en maskine kan forstå – i form af bits og bytes.
Vores succes har bestået i at udvikle en præcis metode til at omdanne konkrete produkter til vektorer. En vektor er ren og skær matematik og er i virkeligheden en række tal, der kan udtrykkes på et koordinatsystem med størrelse og retning, og det, der er særligt vigtigt, er, at den befinder sig på det samme koordinatsystem som andre vektorer. **Med andre ord vil det være lettere at identificere andre lignende produkter, nært beslægtede produkter eller produktgrupper i flere dimensioner. Vektorrepræsentationer i denne sammenhæng kan betragtes på samme måde, som man forstår DNA i den virkelige verden – selvom man ikke kan genskabe et produkt ud fra en vektor (som man kan med levende organismer ud fra DNA inden for avanceret genetik), kan man stadig genkende ligheder.
Lad os tage et eksempel. – Hvis man tager to DNA-sekvenser og sammenligner dem, kan man måske se, at de begge stammer fra et firbenet dyr **, så det fortæller noget om, hvor denne DNA-sekvens stammer fra – på samme måde kan vi se, at to vektorer i vores system er den samme type produkt, for eksempel en bærbar computer.Desuden kan vi, hvis vi zoomer ind på detaljerne, måske se, at de DNA-sekvenser, vi undersøger, ikke kun stammer fra et firbenet dyr, men faktisk fra en 8-årig hvid kat. Det ved vi, fordi vi kan sammenligne DNA-sekvenser – igen kan vi på samme måde se tættere ligheder i vores vektorsystem, således at de to førnævnte vektorer repræsenterer en bestemt MacBook Pro-bærbar i farven Space Gray.
Vi har altså mulighed for at se begge produktgrupper med generelle parametre og egenskaber, og vi kan zoome ind og sammenligne for at få et mere detaljeret overblik. Dette er især vigtigt, når man ønsker at identificere lignende produkter for at sikre, at viden kan genbruges.
Dette er virkelig en af vores største bedrifter, for de data, vi har om et bestemt produkt, er meget ofte ikke fuldstændige, hvad angår de faktiske produktoplysninger – måske mangler vi et specifikt produktnummer, måske mangler vi en god beskrivelse, måske er billedet ikke godt nok – men som menneske ville man sætte brikkerne sammen og identificere produktet, og vores system kan gøre det samme. Avanceret genetik er i stand til at rekonstruere fulde DNA-sekvenser ud fra små, beskadigede DNA-sekvenser, og vi kan gøre det samme for produkter og vektorer – selv hvis vi kun har meget begrænsede produktoplysninger, kan vi omsætte disse til en tilsvarende vektor og placere den meget præcist på vores kort og dermed opbygge en fyldestgørende forståelse af produktet
Når dette anvendes på millioner af produkter,
kan vi udvikle ægte produktintelligens.
Hjernen – Product Intelligence
Lad os gå et skridt dybere for at få en bedre forståelse af produktintelligens
Product Intelligence er en AI-motor, der simulerer, hvordan den menneskelige hjerne fungerer, med fokus på e-handel og personalisering.
På et noget groft plan kan man forestille sig den menneskelige hjerne som et komplekst netværk bestående af et enormt antal knudepunkter – neuronerne. Desuden er neuronerne forbundet med hinanden via nerver, så de kan udveksle information og udføre komplekse opgaver gennem samarbejde. Det viser sig, at vi kan bruge næsten det samme sprog til at beskrive vores »Product Intelligence Engine«. Detaljerne er dog ret indviklede, og vi vil i det følgende opdele dem i overskuelige bidder.
Grovt sagt er neuronerne i vores Product Intelligence ganske enkelt produkter fra alle vores kunder, dvs. vektorer, og nerverne bærer al informationen om, hvordan forskellige produkter – enten fra en enkelt butik eller fra en hel branche – hænger sammen. Et grundlæggende problem ved denne naive tilgang er den ekstremt høje foranderlighed i branchen, hvor produkterne opdateres næsten konstant. Det er derfor meningsløst at holde styr på hvert enkelt produkt. I stedet sigter vores motor mod at lære mønstre ved hjælp af følgende strategi.
Selve neuronet kan betragtes som en lille sky eller en klynge af produktvektorer, der er tæt beslægtede og er de mest opdaterede.
I vores sammenhæng kunne en neuron for eksempel være en samling af MacBook Pro-computere i farverne hvid, sort eller guld. Her er der to vigtige punkter, man skal huske på:
-
Vektorer i en enkelt neuron stammer ikke nødvendigvis fra én og samme butik. For eksempel vil to helt identiske MacBook-computere fra to forskellige butikker teknisk set være forskellige produkter, men de hører til den samme neuron.
-
Størrelsen på en neuron er ikke fastlagt på forhånd. Den bør tværtimod tilpasses den opgave, man ønsker at udføre. Hvis opgaven for eksempel går ud på at analysere udviklingen for Apple-produkter på elektronikmarkedet, bør man udvide neuronen, så den omfatter alle MacBook Pro-modeller – uanset de præcise versioner eller specifikationer – for at få det samlede overblik. Hvis opgaven derimod er at anbefale tilbehør til en kunde, der allerede har en bestemt MacBook i indkøbskurven, bør neuronets størrelse skaleres ned for eksempelvis at finde de kabler og den eksterne hardware, der er mest kompatible med den specifikke model.
Lad os sætte neuronerne i gang
Lad os nu tale om de nerver i motoren, der vækker neuronerne til live.
Ligesom i den menneskelige hjerne findes der i denne sammenhæng forskellige typer nerver, som er skabt til at varetage forskellige opgaver.
I vores eksempel findes der for eksempel en type nerve, som man kunne kalde »tilbehørsnerven«, og den har til opgave at genkende produkter, der typisk købes sammen.
Forestil dig en kunde, der kigger på en kaffemaskine. Derefter aktiveres en Product Intelligence-neuron kaldet »kaffemaskinen« (dvs. en gruppe af meget ens kaffemaskiner, f.eks. fra samme producent inden for samme model), som sender signaler gennem tilbehørsnerven for at aktivere en række andre neuroner, der sandsynligvis kaldes »kaffebønner«, »kaffefiltre« og så videre.
Lad os nu antage, at vores kunde har lagt en kaffemaskine i indkøbskurven og er gået videre til et bestemt mærke af kaffebønner. I dette scenarie aktiveres både kaffemaskine-neuronen og kaffebønne-neuronen, og sammen sender de nye og potentielt stærkere signaler videre til kaffefiltre og kaffekopper og så videre.
Andre typer af nerver kunne potentielt være »alternative produkter«, »tilvalg ved kassen« osv.
Så i vores analogi med den menneskelige hjerne er nerverne i virkeligheden algoritmer, der bruger produktvektorerne til at udføre de nødvendige opgaver.
Et andet vigtigt punkt, der skal fremhæves her, er, at selvom hver gruppe af algoritmer i motoren har sin egen funktionalitet, kan de kombineres for at udføre mere komplekse opgaver. Hvis en butik for eksempel har til formål at forbedre klikfrekvensen, konverteringsfrekvensen eller en anden relevant måleparameter, kan motoren samtidig sætte flere algoritmer i gang og gennem løbende forbedringer finde frem til den bedste kombination til opgaven.
Ud af vores uendelige liste over muligheder vil vi her præsentere et par eksempler på, hvordan Product Intelligence kan anvendes.
- Giver indsigt i, hvilke typer produkter der fungerer godt inden for forskellige brancher og kundesegmenter. For eksempel: Ser vi i jeres branche en højere konverteringsrate for produkter over 100 $ eller under? Hvad er købsfrekvensen for bestemte produkter eller produktgrupper? Hvilke typer produkter sælger bedst om efteråret sammenlignet med foråret? Hvilket produkt vil være bedst at promovere i et nyhedsbrev, som anbefaling på forsiden eller på en landingsside?
- At vejlede virksomhedsejere om, hvilke produkter de bør have på lager for at skabe bedre muligheder for mersalg. »Vi kan se, at andre forhandlere i vores system opnår bedre resultater ved at sælge snørebånd – det bør du føje til dit lager!«
- Analyse af livstidsværdi med henblik på at identificere det bedst mulige produkt, der skal sælges som det næste for at skabe den højest mulige livstidsværdi for nyerhvervede kunder – Undersøgelser viser, at livstidsværdien varierer meget afhængigt af, hvilket produkt kunden køber som det første, når vedkommende besøger butikken for første gang – dette er især vigtigt i markedsføringssammenhænge – find de produkter, der skal promoveres og købes først for at skabe loyale kunder med den bedst mulige livstidsværdi
- Prognoseværktøjer – såsom prognoser for kundeadfærd i forbindelse med produkter, prognoser for mærkers udvikling inden for forskellige brancher, prisudfordringer i forbindelse med kampagner samt lagerstyring
- Branchens bedste motorer til anbefalinger, søgning og merchandising – tilgængelige via API’er eller gennem vores løsningstilbud – alle baseret på vores Product Intelligence.
Sidst, men ikke mindst, udvikler vores system sig ved at lære af sig selv og styres af løbende tests, så det bliver bedre og bedre. Ligesom vi tidligere har beskrevet – jo mere vi lærer som mennesker, jo bedre bliver vi til at træffe beslutninger i andre situationer.
Hvad mennesker angår, opbygges viden, og færdigheder øves løbende. Kernen i vores produktintelligens udgøres af de løbende tests, vi gennemfører for at måle ydeevnen i praksis og vurdere, i hvor høj grad vores produkter imødekommer kundernes behov.
På den ene side opdateres både neuronerne og nerverne løbende i takt med den konstante strøm af data fra vores kunder, så systemet altid er på forkant med markedstendenserne. På den anden side optimeres de interne strategier, som Product Intelligence-motoren anvender for at nå forskellige forretningsmål ved at aktivere og koordinere kombinationer af nerver, løbende gennem overvågning af testresultaterne.
Alt dette implementeres naturligvis i vores produktløsninger, såsom produktanbefalinger, søgning og Pages, men det vil også være tilgængeligt som et selvstændigt adgangspunkt via et velbeskrevet forretnings-API.
Det er det, vi kalder Product Intelligence – og det er det, vi mener vil ændre branchen fuldstændigt i fremtiden og give den en helhedsorienteret dybde. Vi har det i dag som en central del af vores system, hvor det både anvendes i de produkter, vi tilbyder på markedet, men også som en vigtig byggesten i tredjepartssystemer og især til forretningsudvikling på det globale handelsmarked som helhed – hvis du vil vide mere om vores tilgang, så kontakt os hurtigst muligt.


