实时推荐

TigerGraph实现个性化实时推荐

35
%
Amazon 的交叉销售和追加销售收入比例
5 倍
点 击推荐的购物者的每次光顾支出
44
$
亿美元
2022 年推荐引擎全球市场规模
商业挑战
传统解决方案无法达成目标
深度关联推荐
实时推荐
人工智能和机器学习
商业挑战
每个企业都面临着无尽的挑战:从与每位顾客的每一次互动中实现最大化收入。提供多种产品或服务的企业面临额外的挑战,即根据瞬时浏览和搜索活动以及客户的历史数据,为之匹配适合的产品或服务。推荐系统就是为满足这一企业需求而设计的。它们的影响可能十分巨大:品类规模无与伦比的 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%

推荐点击促成的购买所产生的平均订单价值 (AOV) 高出 10%,而点击推荐的购物者的每次光顾支出高 5 倍。现在,企业比以往任何时候都期望通过个性化优惠把握转瞬即逝的商机并转化为收入,同时赢得市场份额。
传统解决方案无法达成目标
从准确性和时效性来说,推荐是一场永不停息的战斗。在当今需要次秒级响应的超竞争世界中,仅拥有旧推荐系统是不够的。传统的推荐系统采用数据快照执行离线全球统计计算,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。

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概况,将其与更广大客户群快速变化的概况和产品品类相对应,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符合这些要求。
为什么选择原生并行图数据库 TigerGraph 用于实时推荐?
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、更个性化的推荐的第一步。将标准协同过滤算法视为 3 跳式图查询:

(人 → 购买产品 ← 您刚购买过) → 也购买这些其他产品

但是,并非所有图数据库都是相同的。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 的深度关联分析可以自定义和扩展分析,通过增加跳数来考虑产品特征、客户人口统计信息以及现况背景,最终提供更准确、更个性化的推荐。

例如,
● 找到类似购物者需要经过 2 跳: 购物者 →(人口统计信息)→ 类似购物者

因此,可以通过 5 跳来实现人口统计感知型协同过滤:购物者 → 购买的产品 → 购买该产品的其他购物者 → 人口统计特征 → 属于该人口统计特征的其他购物者 → 购买的其他产品。

这可以通过一个示例来说明:客户 1 购买了一件玩具蝙蝠车和一双发光鞋。客户 2 和客户 3 都购买了蝙蝠车玩具,而且属于“城郊富裕家庭父母”这一人口统计特征。客户 4 也属于该人口统计特征,并且购买了“任天堂 Switch 超级马里奥派对”视频游戏。根据 5 跳分析,可以向客户 1 推荐“任天堂 Switch 超级马里奥派对”视频游戏。
实时推荐引擎
TigerGraph 的原生并行图不仅可以提供更个性化的结果,而且能够实时提供。最终可以捕捉关键的“转瞬即逝的商机”,即人、企业、数据和“物”以动态方式共同创造价值的短暂机会。TigerGraph 使企业可以捕捉这些转瞬即逝的商机,实现客户 体验的个性化,最终促成更多交易。

一家移动电子商务领域的领军企业采用 TigerGraph,帮助为其3 亿用户提供个性化线上推荐。他们使用 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。

相比他们之前的解决方案,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。最终,他们提供了更好的购物体验,以及更有可能促成初始销售、追加销售和交叉销售的机会。
利用人工智能和机器学习构建新一代推荐引擎
具备实时深度关联分析的图还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。在您购买诸如电视机或洗衣机等大件商品后,推荐系统会询问您是否购买类似产品吗?不会!智能推荐系统会推荐相关配件。同样,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。
马上试用TigeGraph