電子商務企業如何利用資料標籤

Tolokadeveloper發表於2022-11-28

準確的搜尋結果和個性化推薦無疑是現代電子商務的基石。隨著全球越來越多的企業遷移到網上,每家這樣的公司的目標都很簡單——幫助使用者快速輕鬆地找到他們想要的東西,以便在電子平臺上實現最大化的消費。

為了讓這一切成為可能——從搜尋查詢相關性到排名模型和推薦引擎——機器學習(ML)得到了利用。任何ML系統的成功都需要三個關鍵方面:演算法、硬體和實際資料。雖然前兩個條件很容易獲得,不構成嚴重障礙,但資料收集和標記仍然是一個主要障礙。

資料標註

我們如何以一種快速、準確、負擔得起且可持續的方式找到並標記資料?企業不僅希望少花錢、少等待,還希望獲得可靠、高質量的資料。而且不是一次性的,而是持續的——資料集和ML演算法需要在部署後進行更新和改進。

存在多種選擇。其中一種方法被稱為人機迴環資料標籤,屬於一般以人為中心的人工智慧正規化。這種方法利用這種方法利用人工標記,並使用聚合技術,從而產生大型資料集,防止單個執行者的錯誤。

行業趨勢和需求任務

人機迴環中第三方提供的許多電子商務任務,其中包括:

  • 推薦系統(RS)
  • 搜尋結果的相關性
  • 線上目錄改進
  • 價格最佳化
  • 質量保證和客戶支援
  • 設計、公關和營銷

讓我們根據今年的趨勢簡要地看一下三個用例。

產品搜尋相關性

這是一項非常常見和重要的任務,確保當使用者在平臺的搜尋欄中輸入一個特定品牌和/或型號的小工具——無論是手機、平板電腦還是膝上型電腦——他們實際上得到了他們所要求的東西,這聽起來很容易讓人誤解。

當然,結果越準確,客戶就越滿意,銷售額就越高——反之亦然。透過眾包的人機迴環標籤,產品搜尋相關性通常可以攀升至90%以上,有時比許多內部解決方案快60%。人群執行者通常在這些任務中應用他們的人工判斷,透過使用多項選擇問卷從最相關到最不相關對搜尋結果進行評級。

補充專案推薦

許多電子平臺不斷面臨的挑戰與他們的推薦系統的效率和準確性有關。這歸結為改進互補物品和配件的推薦演算法,以便向客戶展示最相關的優惠。這是電子商務平臺獲得改善其銷售數字、增長和最終繁榮的最有效方法之一。

在許多情況下,人機迴環中的標記已經被證明可以將推薦系統的準確率提高到90%左右,召回率提高到75%左右。帶有RS任務的典型資料標記管道可能如下所示

人工標籤通常被給予兩種產品的照片以及它們的文字形式的技術規格。然後,執行者需要確定兩個產品是否相容,即一個產品是另一個產品的附件還是可能的補充物。一個很好的例子是智慧手機和手機殼,或者通常屬於一起的任何其他物品的組合。

偶然發現的搜尋

另一個以不同方式提高電子商務銷售的任務是偶然搜尋,即推薦新的和獨特的商品,供客戶偶然發現。這裡的目標是不要讓使用者離開,給使用者提供一些令人興奮的東西,即使開始購物時並不認為他們一定需要。

在某些情況下,帶有人機迴環標籤的偶然性搜尋準確率可以達到92%。在這類任務中,數千件——有時是數萬件——商品被人為貼上標籤,執行者被問到的問題包括:"這件商品很酷嗎?""你覺得這件商品有吸引力嗎?""你會用這件商品進行臨時性購買嗎?"等等。像大多數其他電子商務任務一樣,這往往可能是主觀的,但這正是重點:只有人工標籤人員能夠以任何有意義的方式對這種型別的使用者主觀性進行衡量。

主要要點

人機迴環中的資料標籤是電子商務和零售業的可靠和強大合作伙伴的可靠候選,原因如下:

  • 電商平臺為改進其引擎和演算法所需的資料既要準確又要豐富。人機迴環能夠提供高質量和高數量的資料,以促進快速和可擴充套件的人工智慧發展。
  • 只要訓練演算法和硬體解決方案仍然是全球大多數公司可利用的固定變數,從長遠來看,正是那些選擇專注於其資料標籤管理的公司將獲勝。這樣的公司必然會透過最佳化和最小化他們的支出,並最終領先於他們的競爭對手,擴大自己的業務運營。 
  • 整個電子商務和線上零售業目前正在經歷一場重大變革——不僅因為它將在兩年內取代線下零售,還因為越來越多的行業特定任務正在以更低的成本在許多人機迴環標籤平臺上提供。這一趨勢預計將為電子商務的持續增長提供額外的推動力。

 

相關文章