Học máy trong thương mại điện tử: 9 trường hợp sử dụng định hình lại hoạt động mua sắm trực tuyến P1.

Theo ước tính của Statista, thị trường thương mại điện tử bán lẻ trên toàn thế giới đã tăng từ 3.354 tỷ USD vào năm 2019 lên 4.280 tỷ USD vào năm 2020, một mức tăng hàng năm chưa từng được ghi nhận trước đây.
Tổng quan học máy trong thương mại điện tử:
Học máy trong thương mại điện tử đại diện cho xu hướng chính của chuyển đổi kỹ thuật số bán lẻ và liên quan đến việc áp dụng các thuật toán máy tính tự học có thể tự động cải thiện hiệu suất của chúng thông qua trải nghiệm.
Lợi ích kinh doanh của học máy trong thương mại điện tử.
Dưới đây là một số ứng dụng phù hợp và lợi ích từ việc ứng dụng học máy
- Cá nhân hóa: Điều chỉnh trải nghiệm mua sắm và kết nối khách hàng với hàng hóa yêu thích của họ thông qua hệ thống giới thiệu, quảng cáo được nhắm mục tiêu và công cụ tìm kiếm thông minh.
- Tính tương tác: Triển khai các giải pháp có tính tương tác cao, chẳng hạn như chatbots và các tính năng mua sắm theo ngữ cảnh để cung cấp hỗ trợ khách hàng không ngừng và thúc đẩy doanh số bán hàng.
- Logistics: Tối ưu hóa việc quản lý hàng tồn kho thông qua dự báo nhu cầu và hợp lý hóa việc phân phối sản phẩm thông qua phân tích thời gian thực và xe tự lái.
- Bảo mật: Đảm bảo giao dịch an toàn, bảo vệ dữ liệu người dùng và do đó tuân thủ quy định thông qua các công cụ phát hiện gian lận và bất thường được hỗ trợ bởi học máy.
Tác động của học máy đối với các con số
+ 5-15% doanh thu+ 10-30% hiệu quả chi tiêu tiếp thị | Bằng cách triển khai các hệ thống đề xuất sản phẩm dựa trên ML, theo bài báo Tương lai của Cá nhân hóa năm 2019 của McKinsey. |
+ 1,7 nghìn tỷ đô la (12,39% tổng doanh thu) | Giá trị mà ngành bán lẻ dự kiến sẽ tạo ra nhờ vào AI và học máy, dựa trên những hiểu biết của McKinsey. |
+ 25% sự hài lòng của khách hàng, giảm doanh thu hoặc chi phí | Theo Gartner, những thành tựu tiềm năng của hầu hết các tổ chức sử dụng AI và học máy cho thương mại kỹ thuật số vào năm 2023. |
Các trường hợp sử dụng học máy hàng đầu trong thương mại điện tử
Từ tiếp thị và chăm sóc khách hàng đến hậu cần và bảo mật, học máy trong thương mại điện tử đang mở đường cho một loạt các đổi mới trong nhiều chức năng kinh doanh khác nhau. Hãy cùng tìm hiểu cách mà học máy được tận dụng trong các trường hợp sử dụng này, bắt đầu với một trong những hiện thân nổi tiếng và có tác động nhất của nó.
1. Động cơ khuyến nghị
Ngày nay, các hệ thống đề xuất dựa trên học máy đại diện cho một yếu tố tiếp thị trong số tất cả các nền tảng thương mại điện tử và cửa hàng trực tuyến lớn. Những công cụ này có thể xử lý dữ liệu bán hàng trong quá khứ, nhận ra các mô hình mua hàng định kỳ giữa các kiểu người mua điển hình và dự đoán các mặt hàng có thể thu hút sự chú ý của người dùng cụ thể để cung cấp cho họ các đề xuất được cá nhân hóa, một cơ chế thường được sử dụng trên quy mô lớn hơn để phân tích dự đoán trong tiếp thị .
Tuy nhiên, không phải tất cả các công cụ khuyến nghị đều giống nhau. Thật vậy, chúng có thể tuân theo hai cách tiếp cận riêng biệt được gọi là lọc dựa trên nội dung và lọc cộng tác, cũng như một số loại hệ thống kết hợp kết hợp chúng.
Lọc dựa trên nội dung cung cấp các đề xuất bằng cách tập trung vào hai yếu tố chính:
- Các tính năng của mặt hàng , chẳng hạn như giá cả hoặc danh mục của chúng. Về vấn đề này, mỗi sản phẩm được mô tả bằng cách gán cho nó một số từ khóa.
- Các đặc điểm của khách hàng , về cơ bản có nghĩa là sở thích mua hàng và đánh giá của họ về các mặt hàng đã mua trước đó.
Theo cách tiếp cận này, thuật toán học máy sẽ kiểm tra lịch sử mua hàng của khách hàng và đề xuất các sản phẩm khác có đặc điểm tương tự với những sản phẩm đã mua.
Cách tiếp cận có thể có khác, được Amazon áp dụng trong số những phương pháp khác, là lọc cộng tác. Điều này dựa trên ý tưởng rằng những người có cùng sở thích trong quá khứ vẫn sẽ đồng ý trong tương lai. Do đó, một thuật toán tuân theo chiến lược này sẽ gợi ý cho khách hàng một số sản phẩm mới đã được đặt hàng và được đánh giá tích cực bởi những người dùng khác có kiểu mua tương tự.
2. Quảng cáo nhắm đúng mục tiêu
Trước khi cung cấp sản phẩm cho người dùng nền tảng thương mại điện tử, có thể cần hướng những người dùng này đến cổng thông tin nói trên. Để thực hiện quy trình định tuyến này, khách hàng tiềm năng có thể được phân đoạn, cụ thể là được phân loại thành các nhóm con dựa trên các đặc điểm chung và sau đó được nhắm mục tiêu bằng các quảng cáo được cá nhân hóa theo nhiều thông số khác nhau. Chúng bao gồm các tương tác trên mạng xã hội của họ, các giao dịch mua trực tuyến trước đó (bao gồm cả các giao dịch được thực hiện trong các cửa hàng ảo), lịch sử tìm kiếm của Google và các loại dữ liệu lớn khác được sử dụng trong thương mại điện tử .
Tất cả dữ liệu này có thể được xử lý bằng các thuật toán học máy để phân tích các mẫu hành vi của người dùng và dự báo các sản phẩm hoặc dịch vụ mà họ có thể thích.
Về vấn đề này, cần nhắc đến ví dụ của Macy’s, một chuỗi cửa hàng bách hóa lớn của Mỹ đã tận dụng phần mềm phân tích dự đoán được hỗ trợ bởi ML để thúc đẩy các chiến dịch tiếp thị của mình và hưởng lợi từ doanh số bán hàng trực tuyến tăng 10% trong vòng ba tháng đầu tiên.
(còn tiếp)