E-handelens fremtid

Hos Hello Retail har vi arbejdet på en grundlæggende ændring af, hvordan vores løsninger fungerer, og nu er vi endelig klar til at fortælle mere om det. Hvis du ikke allerede har gjort det, anbefaler jeg, at du læser vores CEO’s indledende indlæg om den nye retning. Først lidt baggrundsinformation.
Ændringer på markedet
Vi har alle bemærket den stigende udvikling på markedet, hvor brugerne bliver stadig mere bevidste om privatlivets fred. Behovet for privatlivets fred kan skyldes mange årsager, hvoraf en sandsynligvis er de dominerende aktører på de sociale medier, som historisk set har misbrugt dataindsamlingen. Ud over ændringen i forbrugernes holdning har lovgiverne taget stilling til spørgsmålet om privatlivets fred ved at indføre GDPR.
Browserudbyderne tilpassede sig ændringen ved at fjerne understøttelsen af tredjepartscookies. Det blev dermed sværere at spore brugere på tværs af domæner, og den kortere levetid for cookies havde indflydelse på, hvor længe man kunne identificere den enkelte bruger.
Der er ingen grund til, at brugerne, lovgiverne eller browserudbyderne skal indtage en mindre fast holdning til brugernes privatliv – det er kommet for at blive.
Selvom brugerne ikke ønsker at blive sporet, forventer mange stadig personlige anbefalinger, der giver relevante produktforslag.
I lyset af disse ændringer på markedet er der to måder at gribe det an på: Enten at følge reglerne eller at spille katten efter musen med brugernes ønsker om privatliv. Det sidste kan ske gennem fingeraftryk, som undertiden kaldes sporing uden cookies. Husk, at fingerprinting eller brug af cookieløs sporing ikke vil omgå cookie-lovgivningen. Kunderne skal stadig acceptere dine cookies, før du kan spore dem. Cookie-lovgivningen handler ikke om den tekniske foranstaltning til at tilføje en cookie, men om sporing af enkeltpersoner, selvom det sker på andre måder end ved brug af cookies.
Hos Hello Retail har vi valgt den første løsning og respekterer kundernes ønsker og bekymringer vedrørende privatlivets fred. Vi bygger videre på vores vision om at tilbyde en fuldstændig anonym løsning, der fortsat gør e-handelsoplevelsen personlig.
Personalization Solutions Today
Hello Retail
Historisk set har personalisering inden for e-handel været baseret på adfærdssporing, hvilket virker fantastisk, når kunderne giver tilladelse til det – men vi har fundet en bedre løsning. Vi tror på, at den virkelige magi opstår, når man forstår, hvordan produkterne hænger sammen, og beriger denne viden med brugerindsigt. Det betyder, at vi har en fuldt udbygget løsning, der tager hensyn til privatlivets fred, hvor vi – når det er tilladt – kan tilføje et lag af adfærdsdata.
Product Intelligence-motor og vektordatabaser
Product Intelligence-motoren er en af vores grundlæggende teknologier, der hjælper med at forstå produkter og deres indbyrdes sammenhænge ved hjælp af avancerede algoritmer, der understøttes af en avanceret vektordatabase.
Der findes mange forskellige typer produktrelationer, hvoraf de mest almindelige er:
- Produkter, der er relateret til hinanden
- Produkter, der passer godt sammen (købes sammen)
- Indkøbsordre for produkter (hvad vil folk købe næste gang)
At forstå de forskellige produktrelationer danner grundlaget for at kunne tilbyde en personlig oplevelse, der bygger på produktkendskab i stedet for udelukkende adfærdsdata. Mere om dette om lidt.
Som tidligere nævnt udgør en enorm vektordatabase kernen i Product Intelligence-motoren. Databasen er særdeles effektiv til at finde ligheder mellem datapunkter i et flerdimensionelt rum.
Når vi indlæser nye produkter i vores system, omdanner vi dem først alle til vektorindlejringer ved hjælp af flere AI-modeller. Når de er repræsenteret som indlejrede vektorer, analyserer vi produktvektorerne i mange dimensioner for at identificere ligheder og kortlægge deres købsrelationer.
Indkøbsforhold
Der vises et forenklet eksempel på billedet herved. Relaterede produkter er produkter, der ligger tæt på det produkt, du kigger på. På eksempelbilledet kan du se de forskellige sko, der omgiver hovedskoen (den webshop på billedet). De sko, der omgiver hovedproduktet, kan være varianter eller lignende produkter.
Det er vigtigt at bemærke, at man ved opbygningen af de indlejrede vektorer ikke blot kan sammenligne SKU’er, når man forsøger at forstå lignende produkter, og det skyldes to hovedårsager:
- Ikke alle produktfeeds indeholder SKU-numre/EAN-numre
- Der vises kun produkter, der er helt ens
Det andet punkt er ikke ideelt, da produkter ikke behøver at være identiske for at have fælles egenskaber. Et eksempel er, at hvis du køber en iPhone 13 med 512 GB lagerplads, vil den have én SKU, mens en anden iPhone 13 med 256 GB lagerplads muligvis har en anden. I de fleste tilfælde bør disse identificeres som lignende produkter. Der er to væsentlige fordele ved at gøre dette:
- Disse produkter udgør alternativer til hinanden, da deres egenskaber er ens.
- Vi kan udnytte de samlede data fra begge kilder bedre til at anbefale bedre opsalgsprodukter. Jo flere data man har om købsmønstrene, desto bedre fungerer de. I dette tilfælde er det ligegyldigt for etuiet, hvor meget lagerplads iPhone’en har, og ved at bruge ligheder til at sammenkæde købsmønstrene kan vi understøtte dette med mere præcise forslag til opsalg.
Udvidelse af Product Intelligence-motoren til et globalt niveau
Hvis vi blot så på produktdataene for hver enkelt butik, ville mange af dem ikke have tilstrækkelige datapunkter til at give AI-systemet den nødvendige indsigt til at blive klogt nok til at identificere sammenhængene optimalt. Heldigvis kan vi ved at forstå relaterede produkter på tværs af hele platformen også finde købsmønstre på et højere niveau og udnytte denne viden til gavn for alle vores kunder. Det betyder også, at jo flere kunder der tilmelder sig platformen, jo bedre og mere intelligent bliver løsningen for alle.
*Ansvarsfraskrivelse: Som kunde hos Hello Retail ejer du alle dine data, og du kan til enhver tid anmode om, at dine data slettes. Vi garanterer, at der ikke deles personligt identificerbare oplysninger eller prisoplysninger på tværs af kunder. Produkter i vores system gemmes som koordinater i en vektordatabase. Vektorerne sammenkobles med andre vektorer for at finde frem til, f.eks. hvad der er blevet købt sammen. Alle vektorindlejringer hashes, hvilket betyder, at selv produkterne er anonyme, da man ikke kan gendanne et produkt ud fra dets vektorrepræsentation. *
Med Global Product Intelligence-motoren betyder det også, at du vil opnå langt bedre resultater fra dine sprogspecifikke hjemmesider, end hvis du anvendte en traditionel personaliseringstjeneste, der udelukkende bygger på adfærdssporing. Årsagen er, at de konventionelle udbydere ikke vil have tilstrækkelige data om dine mindre sprogspecifikke hjemmesider til at levere tilfredsstillende resultater. Derudover identificerer vores »Product Intelligence Engine« de forskellige produkter på tværs af dine webshops, hvilket betyder, at din primære webshop vil bidrage til at skabe gode købsrelationer til f.eks. dine sprogdomæner.
Product Intelligence kan revolutionere forudsigelsen af brugernes præferencer
Product Intelligence-motoren blev ikke kun udviklet for at styrke vores anbefalingsløsninger – vi bruger den også til at forudsige brugeradfærd og udnytter denne viden i alle de løsninger, vi tilbyder.
Da Hello Retail blev lanceret, opfyldte vores sporingsløsninger deres formål ved hjælp af tredjepartscookies. Cookies bidrog til at oprette en brugerprofil for hver besøgende på tværs af webstederne, så den pågældende bruger kunne få vist personaliseret indhold allerede ved sit første besøg. Som led i dette indsamlede vi alle produktegenskaber og definerede en brugerprofil baseret på brugerens præferencer.
En affinitetsprofil er en brugerprofil, der viser brugerens vigtigste interesser og præferencer – se f.eks. billedet nedenfor.

- MÆRKE: Nike, Adidas, Champion
- Kategori: Sko, skjorter
- Størrelser: MEDIUM
- KØN: KVINDE
Da browsere blokerer tredjepartscookies, oprettes der brugerprofiler for det enkelte websted i stedet for på tværs af websteder. For at opnå tilfredsstillende personaliseringsresultater har man brug for flere data til at udarbejde disse profiler og foretage præcise forudsigelser.
Med Product Intelligence-motoren kan vi nu oprette denne brugerprofil uden at vide, hvem du er, ved at basere os på et enkelt produkt, du har set. Det betyder, at vi – samtidig med at vi overholder kundernes krav til privatlivsbeskyttelse – stadig kan tilbyde besøgende en personlig oplevelse i topklasse ved at udnytte vores viden om sammenhænge mellem produkter.
Sådan anvendes den nye brugeraffinitet på kategori- og mærkesider
Hvis du kigger på et produkt, f.eks. Nike-sko, kan vi bruge vores »Product Intelligence Engine« til at se, at de passer godt sammen med Adidas-trøjer og Under Armour-shorts. Ved at se på netop det produkt ved vi, hvilke præferencer du muligvis har.
Hvis den pågældende bruger derefter går ind på en kategoriside for sko, vil vi – alene ud fra det ene produkt, som brugeren har set på – kunne prioritere følgende mærker: 1. Nike, 2. Adidas, 3. Under Armour

- MÆRKE: Nike
- Kategori: Sko

- MÆRKE: Nike, Adidas, Under Armour
- Kategori: Sko, skjorter, shorts
Den beskrevne interaktion forbedrer personaliseringsoplevelsen af – i dette tilfælde – vores produkt Pages, når der kun foreligger meget begrænsede oplysninger om den besøgende. Personaliseringen baseret på brugernes præferencer fungerer naturligvis godt sammen med vores boosts.
BEMÆRK: Dette eksempel er naturligvis forenklet. Brugerpræferencerne er langt mere komplekse, og de forskellige attributter og værdier har ikke samme prioritet.
Vis mig tallene
Inden vi lancerede vores nye algoritme til »købt sammen«, der bygger på vores globale perspektiv i vektorrummet, gennemførte vi en A/B-split-test på anbefalinger til mersalg for at sikre, at resultaterne var på niveau med eller bedre end den gamle algoritme. Resultaterne var imponerende – vores kunder oplevede typisk:
| Metrisk | Værdi |
|---|---|
| Stigning i klikfrekvensen | op til 30 % |
| Stigning i konverteringsraten | op til 2 gange |
| Stigning i den gennemsnitlige ordreværdi | op til 73 % |
Det er et tydeligt tegn på, at man ved at se på den samlede viden, der er indsamlet fra tusindvis af butikker, og anvende denne viden i den konkrete webshop, kan forbedre ydeevnen markant.
Efter at have opnået disse resultater indførte vi den forbedrede algoritme hos alle kunder.
AI + Menneske
Selvom AI-teknologi kan give mening ud af big data, vil den ikke være perfekt i alle tilfælde. Dem, der påstår noget andet, lyver. Vi vil sikre, at vores kunder fortsat har kontrol over deres resultater. Når det gælder anbefalinger, har vi tilføjet »Alternativer« og »Købt sammen« som to grundlæggende algoritmer, der kan tilpasses efter ens mål. Et eksempel på anvendelse kunne f.eks. være at prioritere produkter, der ofte købes sammen, fra dine white-label-mærker frem for andre mærker. Kort sagt: Selvom vores AI løbende forbedres, har du stadig kontrol, hvis du ønsker at justere resultaterne.
Det her er kun begyndelsen
Ved at forstå det samlede produktkatalog på tværs af alle vores over 2000 kunder kan vi udlede indsigter fra forskellige brancher, som kan anvendes samlet. Vi kan se, hvilke produktgrupper og mærker der kan opleve en stigning i interessen. Der vil følge flere indsigter samt flere blogindlæg, der beskriver, hvordan denne teknologi allerede anvendes i vores løsninger, såsom Search, Recommendations & Pages, samt hvilken effekt den har haft.
Bliv medlem
Vi mener, at fremtiden for e-handel ligger i at forstå sammenhænge mellem produkter og respektere brugernes privatliv for dermed at kunne levere intelligente, personaliserede og lovmæssigt korrekte løsninger. Vi håber, at du vil følge med os på denne spændende rejse!


