推荐引擎
使用TigerGraph打造超个性化的推荐引擎
亚马逊收入来自于交叉销售和追加销售
点击推荐的顾客，每次购物花费是平均客单价的5倍
2022年全球推荐引擎市场规模
为何要打造个性化的推荐引擎 ？
Amazon报告称， 其销售额的 35% 来自交叉销售和追加销售推荐 。此外，推荐的个性化程度越高，产生的回报越大。82% 的消费者报告称自己会被个性化购物体验所影响。基于人工智能的推荐引擎市场预计将从 2017 年的 8.011 亿美元增长至 2022 年的44.148 亿美元，整个预测期间的复合年增长率 (CAGR) 达到40.7% 。
现在，企业比以往任何时候都期望通过个性化推荐引擎把握转瞬即逝的商机，并将其转化为收入，同时赢得市场份额。
基于关系型数据库的传统解决方案可行吗？
传统的推荐系统采用数据快照执行离线全量统计计算，而这些快照可能来自数天之前。它们不具备当今所需的实时建模和细致剖析能力。在当今需要次秒级响应的激烈竞争中，仅拥有旧推荐系统是不够的。
实时速度必不可少。网站访问者的关注持续时间很短：要马上抓住，否则就会失之交臂。对于零售商来说，他们的产品品类可能每时每刻都在变化。推荐系统需要快速了解顾客的行为，将其与更广大客户群快速变化的行为和产品品类相对应，最终产生富有吸引力的个性化推荐。基于关系数据库的传统推荐引擎无法满足这些要求。
TigerGraph如何为企业打造个性化的推荐引擎？
TigerGraph 图分析支持深度关联推荐引擎
使用图技术进行推荐分析是提供更快速、更个性化推荐的第一步。TigerGraph 可以轻松处理 3 跳到 10 跳以上，而很多其他图数据库在处理 2 跳以上时就会陷入挣扎。
TigerGraph图分析支持实时推荐引擎
TigerGraph不仅可以提供更个性化的推荐结果，而且能够实时提供，最终可以捕捉关键的“转瞬即逝的商机”。
以某电商客户为例，TigerGraph帮助该公司为其3 亿用户提供个性化线上推荐。该公司使用 TigerGraph 对来自数千家供应商的数百万件产品组成的品类及其消费者数据进行建模，这些数据中包括每位购物者在他们网站上的实时行为。
相比之前的解决方案，TigerGraph 将该公司的查询速度提高了 100 倍，短短 6 年间，便帮助他们从一家初创公司发展壮大为年收入数十亿美元的企业，能够与 Amazon 一较高下。
利用人工智能和机器学习构建新一代推荐引擎
TigerGraph在深度关联和实时分析的基础上，使用机器学习来支持基于AI的新一代推荐系统，以便比以往更好地了解用户行为和行动偏好。
由此打造的智能推荐系统可能会使用购物者的浏览行为来猜测购物者处于什么阶段：调查、评估多个选项、比价、犹豫等。然后，推荐系统可以给出适当的建议，推动购物者做出决定。
