diff --git a/README.md b/README.md index 5ceb717..972a7bb 100644 --- a/README.md +++ b/README.md @@ -1,5 +1,13 @@ # TODO + +前端： +搜索模态框 +点击搜索的时候，弹出 搜索模态框，参考 react、AJAX等技术来实现，搜索模态框的页面宽度和原始页面相同（占满），左侧是suggestions，右侧是即使刷新的搜索结果（每输入一个字母都刷新一次结果）。 +但是要注意：搜索过程中，后端不要触发翻译（因为输入过程中的query翻译结果会有问题），因此需要增加一个参数：搜索类型，默认为当前的回车后发起的搜索，如果是输入过程中的结果刷新则类型为typing。 + + + 多语言： 语义： 多语言： diff --git a/docs/blog/img_seo_analysis.md b/docs/blog/img_seo_analysis.md deleted file mode 100644 index 71a32c3..0000000 --- a/docs/blog/img_seo_analysis.md +++ /dev/null @@ -1,34 +0,0 @@ -# IMG SEO 插件分析 - -## 1. 解决的具体问题 -- **图片搜索排名低**：通过优化 Alt 标签，让商品图片在 Google 图片搜索中获得更高排名。 -- **运营效率低下**：手动为大量商品图片设置 Alt 标签非常耗时，该工具提供批量处理能力。 -- **网站可访问性（Accessibility）**：为视障人士或图片加载失败时提供文字描述，符合 Web 标准。 -- **SEO 规范缺失**：商家不知道如何编写符合 SEO 最佳实践的 Alt 文本，工具提供内置推荐配置。 - -## 2. 技术方案/功能点 -- **智能 Alt 标签模板**：支持基于产品标题、集合名称等变量自动生成优化描述。 -- **三大场景覆盖**：一键覆盖商品图、专辑封面、博客配图。 -- **批量处理引擎**：支持全站图片的一键批量优化。 -- **内置最佳实践**：提供一键采用的推荐配置，确保符合搜索引擎规范。 -- **无障碍支持**：生成的 Alt 文本提升了页面的无障碍访问体验。 - -## 3. 市场需求 -- 视觉驱动型电商：如服装、家居等行业，图片搜索是重要的流量来源。 -- 自动化运维：减少重复性劳动，确保新上传的图片自动符合 SEO 要求。 -- 合规性需求：提升网站的无障碍访问水平。 - -## 4. 详细用法与案例 -### 用法步骤： -1. **安装**：在应用商店安装“图片 SEO”插件。 -2. **选择场景**：选择要优化的场景（商品、专辑或博客）。 -3. **设置模板**：使用变量（如 `{product_title}`）或推荐配置设置 Alt 规则。 -4. **执行批量优化**：点击一键优化，系统将自动处理存量图片。 - -### 使用案例： -**案例：家居装饰独立站的图片流量获取** -- **背景**：某家居站拥有大量精美的产品实拍图，但由于没有 Alt 标签，这些图片无法在 Google 图片搜索中被搜到。 -- **配置方案**： - - **模板设置**：`{product_title} - Modern Home Decor | {shop_name}`。 - - **操作**：对全站 500 个商品的 3000 张图片执行了一键批量优化。 -- **效果**：一个月后，来自 Google Images 的自然流量增长了 45%，且部分长尾关键词（如“modern minimalist vase”）的图片搜索结果排到了前三名。 diff --git a/docs/blog/prompt.md b/docs/blog/prompt.md new file mode 100644 index 0000000..cbd37b4 --- /dev/null +++ b/docs/blog/prompt.md @@ -0,0 +1,10 @@ +我们的产品是一套服务于电商独立站的SAAS系统，为独立站提供智能搜索和推荐的功能。 + +现在要在其官网写一篇介绍搜索中语义搜索技术的文章： + +以以下内容为纲要： + + +以下是一些外部参考资料，注意谨慎引用： + + diff --git a/docs/blog/refer/dynamic-yield/ALL_IN_ONE__kimi.md b/docs/blog/refer/dynamic-yield/ALL_IN_ONE__kimi.md new file mode 100644 index 0000000..ccdbb68 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/ALL_IN_ONE__kimi.md @@ -0,0 +1,693 @@ + +# AI and Personalization Are Revolutionizing E-commerce Search + +## Traditional search no longer meets consumer expectations in the digital era. But as AI, personalization and semantic, intent-based search come together to deliver sophisticated consumer experiences, search has the opportunity to adapt and reclaim its position as an exciting gateway to product discovery. + +**Summarize this article** **Here’s what you need to know:** + +- Traditional keyword-based search is outdated and struggles to understand user intent, leading to irrelevant and frustrating eCommerce experiences. +- AI and personalization now enable smarter, context-aware and visually driven product discovery that aligns with how people naturally search. +- Product discovery is defined by three key consumer behaviors — browsing, purpose-driven and product-specific exploration. Advanced semantic search, personalization, visual analysis, generative AI and deep learning can enhance all three. +- This intelligent, unified approach has the potential to boost conversions and engagement by delivering hyper-relevant, intuitive shopping experiences tailored to each user. + +Search has been an integral part of our lives for decades — but it’s due for an overhaul. + +Let’s go back to the days of early search engines to understand why. Say you were looking for up-to-date information for a research report. Your initial instinct was to type a question into the search box. The results appeared, but they were mostly irrelevant. You had to learn how to translate your thoughts into a few searchable keywords, which even then would cast a wide net that required sifting through pages of results before you could piece together the right information. + +As SEO evolved, the search process became less arduous, but conceptually, it hasn’t undergone any meaningful evolution in decades. Instead of search dynamically adapting to people as they engage, humans have adapted to the logic of machines. This lack of nuance has left users frustrated and disengaged. + +Today, we’ve reached an inflection point. A growing number of users are turning to AI tools like ChatGPT — which receives over a billion queries each day — to find what they want in seconds. + +Now search is finally evolving to meet consumers’ ever-growing wants and needs. + +## Changing consumer expectations are forcing a paradigm shift in search + +AI opened the floodgates to new ways of engaging with brands and product discovery. Shoppers now expect more sophistication, speed and intelligence in their search experience. Here’s how we got here: + +**The way people search conflicts with traditional search capabilities** + +Let’s consider how a person typically engages with search. Imagine someone looking for a dress to wear to a friend’s wedding. Even though 50% of questions are more than three words (according to data from Dynamic Yield), consumers typically use queries of 2-3 words to zero in on what they want. So, this person enters the query, “dress for wedding,” but the search engine only surfaces white dresses, failing to recognize that guests should not wear white. + +Now, picture a situation in which the shopper just asks for what they want: “I need a dress for a friend’s al fresco wedding in Florida.” The additional context and specificity contained in those extra words could save consumers a lot of time — if the search function were sophisticated enough to understand them. + +Consumers have adjusted because historical keyword search is not designed to handle complex queries, since product feeds are often poorly tagged and search hasn’t been able to draw from real-world knowledge. Such queries can even lead consumers to unrelated products, as the meaning behind the words matters just as much as the words themselves. + +**AI-driven guidance and recommendations are more personal** + +Traditional search relies on user input and filtering but is unable to leverage potentially valuable data about consumer preferences, leading to generic results. To get around the frustration, some 70% of people have opted for generative AI over traditional search for guidance and recommendations. Further, most trust these AI recommendations and accept them without additional research since they address their needs so specifically. For brands to avoid losing valuable opportunities like these to engage (as well as a lack of control around how their products show up across Gen AI tools), they’ll have to evolve their search experience from generic to tailored based on context and data. + +**Consumers have come to rely on visual information when shopping** + +Online shoppers that struggle to describe what they’re looking for prefer to use visual information to bridge the gap. In fact, 85% of respondents to a Pinterest survey said visual information was more important than text when searching for clothes and furniture online. Traditional keyword searches simply can’t deliver results based on visual analysis. + +## How AI and personalization came together to redefine search + +Today, AI-driven algorithms and personalization are elevating search to new heights. + +Search isn’t just one-size-fits-all anymore; it can dynamically adjust to the various ways that people look for the products they need. In fact, there are three common ways that people discover products. Let’s unpack each one and delve into how these groundbreaking new search capabilities can better meet consumer needs. + +1. **Personalized navigation for browsing-driven consumers** + + These are shoppers interested in exploring what’s in a particular category rather than navigating to a specific product. +To streamline the search experience based on this high intent browsing behavior, brands can use personalization to identify navigational search queries (like “men’s shoes”) and direct these queries to a tailored category page rather than the site’s default search experience. + +_A search for men’s shoes surfaces a category page with personalized results._ + +These category pages can also be sorted and optimized using sophisticated, deep learning algorithms to surface the most relevant products for each user according to their preferences and predict what they might be most interested in next. Different algorithms and merchandising rules can also be targeted to different pages and audiences to determine the best possible combination for maximum engagement. + +2. **AI-powered assistants for purpose-driven consumers** +Purpose-driven consumers know what they want and are ultimately seeking guidance. For instance, they might know they need clothes for the gym but have yet to narrow in on specific products. + +Personalization and AI can now help retailers understand the intent behind colloquial, question-based search queries. When paired with advanced semantic search, which can interpret the meaning behind a query (not just the words), the experience gets even better. A great example of this in action: generative AI-powered conversational experiences like [Shopping Muse](https://www.dynamicyield.com/shopping-muse/). Whether a shopper searches for “running jacket for winter” or “What should I wear jogging in cold weather?”, these AI chatbots use natural language processing and deep learning models to answer direct questions, recommending the most relevant products every time. And by analyzing contextual and behavioral data, the chatbot is better suited to anticipate what the consumer might need next. + +In our experience, retailers have found that shoppers are more inclined to buy and have higher cart values than those who do not engage with tools like this. It can also be an easy way for consumers who are shopping for someone else, or simply lack product knowledge, to find the perfect gift. + +3. **Advanced semantic search and visual analysis for product-driven consumers** These are high-intent shoppers who are trying to navigate directly to a particular item, like “high-top basketball shoes.” With such a specific query, we might assume traditional search methods are enough. But advanced search capabilities enable consumers to filter through the noise of large product catalogs and reach those shoes in an instant. Drawing from user history, affinity and contextual clues, personalized search can surface high-top basketball shoes with the colors and features they prefer. +Personalized autocomplete can also drive shoppers to related products they wouldn’t have discovered navigating through category and product listing pages. + +Through visual analysis tools, physical attributes of items in a brand’s product catalog can now be recognized, eliminating the need for third-party catalog enrichment and enabling retailers to surface the right products quicker. For instance, even if an item is not tagged “striped trousers,” AI can “see” the stripes in the image and know to include it in the relevant search results. + +Further, consumers who spot something they like — for instance, a stylish pair of sneakers in a window while out running errands — can upload a photo and instantly be matched with lookalike products from the retailer’s catalog. Even when a certain item in the catalog is out of stock, visual search can return the next most relevant item. + +_A shopper uploads a photo of a woman in a red dress, and visual search delivers multiple products that resemble the original._ + +Overall, these visual analysis tools improveaccuracy and reduce manual product feed management, benefiting both brands and consumers alike. + +## Intelligent search has arrived + +The days when search, personalization and AI held separate roles in e-commerce are coming to pass, and as they merge in exciting new ways, consumers can expect faster, simpler and more impactful digital experiences. On top of that, brands can tap into a host of benefits, including: hyper-relevant search results that lead to higher engagement and average order value; the ability to scale search globally by enabling consumers to submit queries in almost any language; and the power to align search experiences with business objectives, ranking results based on profit margins, return rates, inventory levels and more. + +And the benefits multiply as more people begin to turn to search as a truly helpful tool for product discovery, with each interaction enabling deeper personalization across other touchpoints. A frictionless search experience maximizes conversions, drawing on what retailers know about their customers — from previous purchases to loyalty memberships — to deliver an ultra-tailored, smooth experience. + +With AI at the helm, search is primed to not only reclaim the fundamental role that it once held for consumers — but to revolutionize the way they discover and purchase products. + +Interested in how you can get your hands on the next generation search capabilities? [Get in touch with us](https://www.dynamicyield.com/search/?utm_source=thoughtleadership&utm_medium=xp2&utm_campaign=search) to schedule a tailored demo of Experience Search, which can help your brand deliver smarter, more personalized search experiences that convert. + +Dynamic Yield by Mastercard is not affiliated with the research cited in these sources. + +1 Lee, Kristian Kask and Joel. “Believe It or Not, Chatgpt Gets over 1 Billion Messages Every Single Day.” PCWorld, December 5, 2024. https://www.pcworld.com/article/2546712/believe-it-or-not-chatgpt-gets-over-1-billion-messages-every-single-day.html. + +2 Indig, Kevin. “New Data: What Consumers Really Think about Generative AI.” www.growth-memo.com/p/new-data-what-consumers-really-think-about-generative-ai. + +3 Pinterest. “Upgrading Lens for More Online to Offline Inspiration.” Pinterest Newsroom Archive, 17 Sept. 2019. newsroom-archive.pinterest.com/upgrading-lens-for-more-online-to-offline-inspiration. + +#### Read next + +- [Conversational Commerce: Your Guide to This Market-Shifting Technology](https://www.dynamicyield.com/article/conversational-commerce-guide/) +JR Moore + +- [When Words Fall Short, Let the Image Speak: How Visual Search Is Redefining Product Discovery](https://www.dynamicyield.com/article/how-visual-search-is-redifining-product-discovery/) +Lior Delouya + +--- + +# 3 Tips to Integrate GenerativeAI into Your Personalization Workflow — Dynamic Yield + +_Welcome to our new column [Dynamic Voices](https://www.dynamicyield.com/articles/?type=dynamic-voices&order=date&gate=or), a regular series on XP² featuring timely perspectives on personalization, from thought leaders within our network. In this edition, [Harry Hanson-Smith](https://www.linkedin.com/in/hhansonsmith/), Vice President of Northern Europe, shares practical tips that personalization practitioners can implement to better reach their goals with the help of AI._ + +From the looks of my LinkedIn feed, I’ve begun to sense that the market is feeling a bit overwhelmed by the noise around generative AI. And after speaking with [personalization](https://www.dynamicyield.com/article/personalization-guide/) teams and business leaders, it’s clear that AI is being adapted faster in cultural conversation than it is being implemented in businesses and personal processes. I’m here to cut through the noise and tell you not only that teams _can_ integrate AI into their workflows today and optimize both their results and efficiency—for their individual careers and overall business impact—but that they _should_ ASAP. + +Though AI has widened the possibilities of what a single person can do in terms of creation and analysis, it still relies on that one person’s expertise. For example, though a marketer can use GenAI to create hundreds of different copy options to A/B test for in a new campaign, that marketer still needs to write a prompt that communicates information regarding a brand and its audience and edit its outputs to ensure they feel natural and rooted in genuine human empathy. And though a marketer can use advanced machine learning tools to anticipate and fulfill customer needs, it can only do so with pinpoint accuracy if the data feed is error-free. + +In sum: People need to implement generative AI into their workflows for any real gains to be made. While all this prep work and QA’ing can feel too expensive and difficult for [personalization teams](https://www.dynamicyield.com/lesson/roles-of-a-personalization-and-optimization-team/), it’s imperative to do the work now. But luckily, there’s much that can be done to make the journey feel less daunting. Here, three key strategies that I’ve seen work for personalization practitioners, teams, and leaders. + +## **Invest in Your Data Now:** + +There are already many AI-powered recommendation tools baked into your operating system (we’ll get to them later), but to ensure maximum impact, you’ll need to collect and utilize your data effectively. AI capabilities hinge entirely on the quality and quantity of data it’s exposed to, so your team needs to make sure all data is relevant and consistent. + +It’s not an easy task, but it’s worth it. Let’s look at [home24 as an example](https://www.dynamicyield.com/article/home24-product-feed/%20rel=) : As the company grew their personalization program, they noticed their product feed was less-than-perfect, due to a previous strategy that focused on time to market over data integrity. To maintain their competitive advantage, home24 had to completely reorganize the structure of their product feed, purging any duplicated, irrelevant, or inconsistent attributes, and adding those that are timely. While the project was an incredibly technical, time-consuming, and complicated project, it was also the only way to improve AI-powered recommendation quality and ensure the data feed’s integrity as the program scaled. + +While teams may want to delay this work, the time to [tidy up the product feed](https://www.dynamicyield.com/article/fashion-product-feed-cleaning-recommendations/) is now as it will guarantee a competitive advantage. + +## **Explore AI Prompt Training:** + +Marketers can supplement their workflows with text-based AI tools like Gemini or ChatGPT, or image-based tools like Canva to create different copy and visual variations for [A/B testing](https://www.dynamicyield.com/lesson/introduction-to-ab-testing/). I’ve heard from my network that the most common challenge teams face around AI adoption was knowing how to nail the perfect prompt—and this is easily solved with proper training. You need to be explicit to create any usable asset that aligns with your brand and goals. The context you provide for a text-based AI tool is just as important as the type of tool you’re using. As we know, AI is still a fallible technology, but continuing to experiment with writing AI prompts will give you a better sense of the level of specificity the tool requires to suit your needs. + +_You can unlock new ways to fuel creativity and produce captivating campaigns in seconds within Dynamic Yield’s Experience OS. Learn how to break free from repetitive messaging and visuals with_ [_generative AI-powered offerings_](https://www.dynamicyield.com/ai/) _._ + +Marketers need practical tips for using AI, and I found [this resource](https://huit.harvard.edu/news/ai-prompts) from Harvard University to be an excellent jumping-off point. You can provide any number of directions to the tool, like what you do or do not want to be included and how you want it to be presented. Feedback is essential, too. If you aren’t satisfied with an output, let the tool know so it can correct the mistake. And if you’re stuck on creating a prompt altogether, ask AI to help generate one for you. When given the appropriate context and direction, AI can yield incredible results. + +_These two prompts were written by an online retailer’s personalization team. The first prompt is generic (could describe any number of t-shirts) and leads to a long, vague output. The second exemplifies how more parameters makes the output more concise, effectively communicating critical details about the product._ + +## **Experiment with Different AI Tools:** + +Beyond GenAI, there are advanced AI-powered tools that can plug directly into your personalization provider and improve the user experience and [product recommendations](https://www.dynamicyield.com/lesson/product-recommendations-guide/). For example, in a world where customers seek highly personalized digital experiences, sophisticated [generative AI-powered chatbots](https://www.dynamicyield.com/shopping-muse/) can create a conversational commerce experience that mimics the in-store consultative experience, using machine learning capabilities that identify and surface visually similar products. You can also improve recommendations with [deep learning](https://www.dynamicyield.com/adaptml/) that processes data inputs across users to identify trends and patterns across your customer’s behavior. + +## **The Future Is Now** + +As AI continues to revolutionize how marketers can interact with consumers, there’s pressure to leverage it as much as possible to stay efficient and ahead of the game. Experimenting with what’s available will take time and patience, but once you cut through the fluff, the benefits you will see will far outweigh any growing pains, plus help you discover more innovative and elevated personalization strategies. I hope these practical examples give you a place to start in your everyday role. + +--- + +# From Fragmentation to Connection: Mastering User Identification for Personalization — Dynamic Yield + +## Discover practical strategies to improve user identification and drive loyalty in an omni-channel world. + +**Summarize this article** **Here’s what you need to know:** + +- User Identification: Crucial for providing a seamless and personalized experience across multiple channels, forming the cornerstone of a successful omni-channel strategy. +- Omni-Channel Opportunity: Brands should view omni-channel interactions as a positive sign of brand awareness and loyalty, using each touchpoint to strengthen connections and learn user preferences. +- Benefits of User Identification: Enables consistency across channels, data-driven personalization, enhanced customer experience, and efficient marketing strategies. +- Boosting User Identification: Implement omnichannel events, use targeted campaigns to increase subscriptions and logins, and identify users via external email campaigns with custom codes. + +## **The Importance of User Identification for Personalization in an Omni-Channel Environment** + +In today’s hyper-connected world, customers interact with brands across multiple channels, from mobile apps and websites to physical stores and social media. To provide a seamless and personalized experience, it is crucial for businesses to identify users accurately and consistently across all these touchpoints. This process, known as user identification, forms the cornerstone of a successful omni-channel strategy. + +## **Embracing Omni-Channel as a Positive Opportunity** + +Rather than fearing fragmented data and inconsistent user experiences, brands should view omni-channel interactions as a positive sign of brand awareness and loyalty. The more a user engages with your brand on different channels, the more connected and invested they are. Each touchpoint offers an opportunity to strengthen this connection and learn more about the user’s preferences. + +By focusing on building robust user identification throughout the customer journey and across multiple channels, businesses can turn the perceived challenge of fragmentation into an asset. Developing seamless identification strategies not only enhances personalization but also nurtures long-term relationships with loyal customers. + +## **Why User Identification Matters for Personalization** + +Personalization has become a key factor in customer satisfaction and loyalty. When users feel that their preferences are acknowledged and catered to, they are more likely to engage with the brand and make purchases. User identification enables: + +1. **Consistency Across Channels:** When a user moves from a mobile app to a website or visits a physical store, their preferences and data are preserved. +2. **Data-Driven Personalization:** Businesses can leverage data collected from different interactions to predict user needs and offer timely recommendations. +3. **Enhanced Customer Experience:** Personalization fosters a sense of connection, making customers feel valued and understood. +4. **Efficient Marketing Strategies:** By understanding user journeys, businesses can target promotions and content more effectively. + +## **How can you Boost User Identification?** + +1. **Implement! Make sure Omnichannel Events are implemented throughout the user journey.** + +These events trigger identification when a user: Signs up to Account, Logs in to Account, Subscribes to a newsletter or identifies themselves during checkout +2. **Increase Subscriptions & Logins with Targeted Campaigns –** Using the [Dynamic Yield Empathic Personalization](https://support.dynamicyield.com/hc/en-us/articles/17653567078173-Empathic-Personalization) framework, you can personalize your strategy based on the needs of your users in their customer journey. + - Curious Users – Use exit-intent pop-ups to offer a gentle introduction: “Unlock early access to exclusive collections!” + - Interested Users – Encourage deeper engagement with a “Save your favorites” prompt when adding to the wish list to capture intent and strengthen the relationship. + - Focused Users – Facilitate a seamless checkout and build trust with the prompt: “Create an account for express checkout & order tracking.” + - Satisfied Users – Encourage repeated logins and loyalty with post-purchase sign-up benefits: “Track orders & unlock VIP perks.” +3. **Identify Users via External Email Campaigns** + +Create a _Custom Code_ campaign to identify users arriving from external email campaigns via CUID (eg hashed email, custom CUID. When users click links in your ESP-sent emails, a parameter captures their CUID, enabling identification. Check out [how to set this up](https://support.dynamicyield.com/hc/en-us/articles/360034332473-Matching-Users-Across-Channels#identifying-users-from-external-email-campaigns-0-3) in your account and start increasing your identified users today with our ready-to-use templates! 🚀 + +#### Read next + +- [Breaking the Personalization Barrier for Banks](https://www.dynamicyield.com/article/banking-personalization-issuers-breaking-barrier/) +Parks Daniel + +- [How Personalization Fuels Success in Latin America’s Digital Boom](https://www.dynamicyield.com/article/personalization-growth-latin-america/) +Karin LaHalle + +- [AI and Personalization Can Close the Empathy Gap](https://www.dynamicyield.com/article/ai-personalization-empathy/) +Yaniv Navot + +--- + +# Choosing the right traffic allocation in A/B testing + +**Summarize this article** **Here’s what you need to know:** + +- Choosing the right traffic allocation method is crucial for A/B testing success. +- Manual allocation offers precise control and is ideal for long-term tests requiring statistical significance before implementation. +- Automatic allocation prioritizes data exploitation and conversion optimization, making it suitable for short-term tests. +- A/B testing should leverage both methods strategically, depending on the specific test goals and timeline. + +A vital tool for marketers, [A/B testing](https://www.dynamicyield.com/blog/introduction-to-ab-testing/) allows businesses to make impactful, data-driven decisions regarding the customer experience. Whenever you set up an A/B/n test with multiple variations, it’s important to determine how you want the traffic to be distributed between the variations. The behavior of each traffic allocation option is as follows: + +## Manual traffic allocation (The classic A/B testing approach) + +## In a nutshell, with manual allocation, traffic is split evenly between variations until a single winner is declared. De-facto a standard A/B/n test, the assumption is that once results are significant, the test administrator will assign solely the best variation to all visitors. For example, if you launch a test with four variations, you may decide that all variations should have equal exposure, 25% of traffic each. Alternatively, you can favor certain variations over the other and go for any other combination of allocation rates that amount to 100%, such as 50/20/20/10. Manual Allocation tests are by definition tests between variations (and control group, if relevant), in which ultimately one variation will be declared the winner with high confidence levels. + +## Automatic allocation (Multi-Armed Bandit) + +With automatic allocation (also called dynamic allocation or multi-armed bandit method), the highest-performing variation is gradually served to a larger percentage of visitors as more data is collected. Over time, the system dynamically routes traffic to the best performing variation based on available data. This means, even if variation A is the best performer today, a month from now, a different variation may potentially outperform it. + +The following diagram illustrates the manual versus automated traffic allocation behavior over an ongoing experiment between two variations, where a decision is required by the eighth day: + +## How to choose the right traffic allocation for your A/B tests? + +Each of the traffic allocation methods is optimized for distinct use-cases. Ask yourself which of the following assertions better describes the use case at hand: + +**1)** I am looking for the best variation so I can present it to all users in the long run. In this case, choose manual allocation. + +Use case example: Layout and UX changes. + +**2)** I am looking to make the most out of several variations during the limited time the test will run. In this case, choose automatic allocation. + +Use case example: Promotions on the hero banner. + +Manual allocation should be used when [statistically significant results](https://www.dynamicyield.com/glossary/statistical-significance/) are required for making the decision to carry out a stark permanent change to the website, and time is not of the essence. Manual allocation tests can run for as long as required collecting data that will result in highly [conclusive statistically significant results](https://www.dynamicyield.com/glossary/conclusive-results/). + +The downside of such tests is that while you are waiting for significant results – which may take time – there is no exploitation of the data collected. Visitors will still be exposed to the poor-performing variations in the mix. In cases where promotion variations are updated frequently, there may not even be enough time to [reach significant results](https://www.dynamicyield.com/blog/statistical-significance/), and therefore, any optimization opportunity is lost. + +If you are managing campaigns in which the variations have a short shelf life, or if they change and are updated frequently, then [multi-armed bandit](https://www.dynamicyield.com/glossary/multi-armed-bandit/) is the optimal way to go. Automatic allocation has a much higher exploit rate of readily available data and is much more aggressive when driving traffic allocation decisions. Automatic Allocation knows to weigh in on new variations, variations that perform differently, different time periods, and more. + +## Timeliness isn’t best in all matters + +A/B testing and optimization should be viewed through the lens of time – you either have it, or you don’t. To explain a little further, when looking to test the impact of a long-term change, such as a new page layout, or for the purpose of this post, an email capture message, one wouldn’t want to prematurely make a big or strategic decision without the data to support it. Doing so could have major repercussions on KPIs and the overall customer experience. + +Given that, a test would need to accumulate enough data about the variation so the team could confidently declare a winner, a process that can take, at minimum, two weeks. In this case, should a business have the luxury of waiting for statistically significant results, an A/B test is ideal. + +An A/B test set up to find out which message resonates more for long-term deployment + +But what if the lifespan of a variation is short and there’s isn’t time to wait for a winner? In a scenario where a hero banner is changing on a weekly basis, for example, during a sales event, the main objective is to increase a particular KPI by engaging users with the better performing variation. + +Sending traffic to a losing variation, therefore, actually reduces CTR, conversions, or whatever other primary metric is being used to measure the test’s success. This is exactly why automated allocation is well suited for shorter-term decisions, seeing as the variation driving the highest results is served more frequently, allowing teams to optimize conversions at much quicker rate. + +A short-lived test run with dynamic allocation to increase exposure to leading variation + +We can think of dynamic allocation in terms of Explore vs. Exploit, which addresses how much is “wasted” on learning and the opportunity to capitalize on what has already been learned. Because 10% of traffic in dynamic allocation is always served to a random variation and 90% to the winner, the 10/90 rate of Explore and Exploit allows for traffic to be directed to the leading variation while the algorithm continues to learn about “losing” variations, allowing them to bounce back. + +## Balancing data and conversions + +In the end, the two traffic allocation methods available provide businesses with the flexibility to gain the intelligence needed for sound, long-term decision-making as well as the power to optimize on the fly. Not a question of one or the other, manual and dynamic allocation should both be used for testing, and hopefully, this article helped to clarify when exactly to do so. + +##### Continue reading + +--- + +# eCommerce navigation optimization best practices and examples + +You walk into your neighborhood grocery store in search of some ingredients for a new recipe you plan to tackle this evening: rice, chicken, potatoes – your staples. But you’re also in search of saffron, a less familiar ingredient in your household. But knowing it’s a spice, you’re able to quickly navigate to the aisle, locate it on the shelf ordered alphabetically, and complete your checkout without a hitch. + +While online shopping, brands should aim to facilitate the most straightforward discovery experience possible. In many regards, the eCommerce experience mimics that of brick-and-mortar shops. Users can browse through available inventory, typically accessing items they’ve purchased before with ease and comparing similar products before finalizing a decision. However, digital shops have a challenging task at hand. Unable to fully replicate the in-store shopping experience where consumers often take their time to interact with dozens of products, online shopping tends to be very transactional. To remedy this reality, brands must [personalize](https://www.dynamicyield.com/article/personalization-guide/) the shopping experience to maintain user engagement. From the imagery, button colors, and homepage banners to email subject lines and the cart page design, every decision can dramatically affect how long a shopper remains on-site and whether or not they will complete a purchase. + +And it’s not just what you offer and how you present products on your site that’s important; how you organize your site can make-or-break your business. Not only will a well-designed site ease the overall shopping experience, but when done right, it will also increase your primary metrics. Below, learn more about navigation optimization, the elements of all eCommerce sites should take into consideration and test, and examples of brands that have designed exceptional navigation experiences. + +Navigation optimization refers to the process of improving how visitors and search engines find and access information within a given website. This includes the site’s taxonomy, how pages are structured, and how menus are labeled on both desktop and mobile. The design of all of these components can have a tremendous impact on the overall end-user experience, increasing or decreasing metrics like search ranking, [bounce rate](https://www.dynamicyield.com/glossary/bounce-rate/), [pageviews](https://www.dynamicyield.com/glossary/pageview/), time on site, return visitors, [conversions](https://www.dynamicyield.com/glossary/conversion/), and more. So to give you a leg up, let’s take a closer look at the details marketers should pay attention to. + +## Breaking down the various components and examples of site navigation + +### Primary navigation + +How you present your header is the backbone of your eCommerce navigation strategy. The two most common formats are menus fixed either horizontally or vertically, exposing a handful of key product categories. Web designers have long debated which presentation is most optimal, but the truth is, it varies from site to site. What works well in one context doesn’t always work equally as well in another. And this is true when looking at design by the channel as well – mobile and web navigation experiences typically vary. Let’s assess the variables at play that will likely impact which approach you take: + +1. **Page space:** On desktop devices, a horizontal navigation menu conserves more page space than a vertical one, narrowing the content area available on both your homepage and across site pages. However, on mobile, where space is limited, vertical navigation via a hamburger menu allows you to hide and expose menu items quickly. +2. **Menu item priority:** Typically, the leftmost and top menu items carry the most weight, as these positions are seen as primary areas visually. Additionally, because most users read from left to right, there’s a stronger case for a horizontal navigation experience on desktop sites, where more site real estate is available (the same cannot be said for mobile experiences, where most devices are optimized for vertically-formatted pages). +3. **Scanning:** Many users find the experiences of quickly scanning pages vertically the more natural experience, making a case for vertical navigation menus. + +### Categories + +Navigation structure and labeling should be clear and concise across all pages, and part of this includes deciding how to display product categories. If your product inventory is vast, a navigation menu bar consolidated by category type is integral. [34%](https://baymard.com/blog/mobile-ecommerce-search-and-navigation) of mobile eCommerce sites do not offer “thematic” product browsing, making it difficult for users to find what they are looking for. Therefore, brands should aim to display a few, top-level categories rather than overwhelm shoppers. + +There are exceptions to this advice, of course. For example, if you only sell hats, it’s probably best to categorize your menu bar by hat type rather than merely listing one option. If you know users tend to primarily shop within a specific product category during a season (i.e., boots in the winter), restructure your menu to prioritize this section above other categories. + +And it doesn’t stop with how you present your parent categories. Identifying how to showcase sub-categories within your navigation menu is also an essential part of the navigation experience. There are two primary ways brands typically go about this design: + +1. **Tiered menus:** List parent categories and only expose sub-categories upon hover or click +2. **Mega menus:** Lays out all parent and subcategories upon initial menu dropdown + +_eCommerce navigation menu example of a tiered approach where sub-categories are only exposed upon click_ + +_Menu design inspiration for a mega menu_ + +Tiered navigation allows a user to make one, simple choice within a given moment by limiting the list of categories and options to choose from. A mega-menu releases an overwhelming sea of possibilities, which risks a user experiencing choice paralysis. While there may seem to be an obvious choice here, we encourage every organization to test both experiences and iterations of each, running experiments to determine which variation works best both for the average visitor, as well as for different audiences. Doing so will instill a sense of confidence in the ultimate decision you make. + +The order in which you present menu items is also a way to optimize your site navigation. While you may have a default order you present to the average visitor or new user, using affinity data, you can tailor the order of menu items to personalize the experience on a more individual basis based on a user’s preferences. Not only will it expedite the discovery process, but it can also drive conversions more efficiently. + +_Re-sorted navigation menu example based on each visitor’s affinities_ + +### Additional elements to take into consideration + +Aside from nailing down your main navigation layout, eCommerce teams have plenty of other decisions to make. These include: + +##### Sticky navigation + +These are fixed menus that help users navigate through pages on a site page. To simplify and facilitate a positive online shopping experience, navigation menus, product filters, and sorting menus should always be visible to users and appear while they browse and scroll through a webpage. + +_Sticky eCommerce menu example_ + +##### Design style + +The design of your menu options can also play a significant role in the navigation experience. From the button colors and look of the primary navigation menu to the fonts used and size of the sorting menu, design decisions can impact how easily users can navigate a site. Testing different looks, colors, sizes, and styles will inform which variations work best for your brand. + +##### Menu rendering + +Two main types of menu styles currently exist: hover pop-down and click pop-down. The hover menu expands when the user’s mouse hovers over the navigation menu, and the latter option only pops down upon click. Similar to design decisions, test both options to identify which one to employ on your site. Additionally, with both tiered and mega menus, brands can showcase personalized product recommendations once fully expanded, further maximizing site real estate. + +_Featured product recommendations in an eCommerce navigation menu example_ + +##### Footer + +The footer of your site also presents an opportunity to serve as a medium to navigate users to pages they are interested in, encourage email sign-ups, establish your credibility through privacy-related information, and more. Consider displaying links to popular category pages in the fixed footer of your site so users can easily access additional site areas if they’ve reached the bottom of a page. + +_An example of a detailed footer experience_ + +In addition to facilitating the product discovery experience, building a more comprehensive footer can positively affect your site’s SEO. Including the right amount of hyperlinks in your footer, even if you don’t opt for a more robust footer experience, will positively impact your search ranking. Evey link listed is analyzed for SEO rankings, so while you shouldn’t pack too many keywords into the footer, we suggest you add the phrases that add value to your brand or encourage user action. + +## The various types of search functionalities + +Besides your primary menu navigation design and stickiness, eCommerce vendors have access to several additional strategies to optimize site navigation. When it comes to search functionality, organizations have two primary options: faceted search and semantic search. + +### Faceted search + +[Faceted search](https://www.dynamicyield.com/glossary/faceted-search/), or guided navigation, helps users analyze, organize, and filter large sets of product inventory based on filters such as size, color, price, and brand. Faceted search options are the result of a search query; therefore, options displayed are solely related to filtering options relevant to the query. + +_Example of faceted search on an eCommerce site_ + +On the other hand, [search filters](https://www.dynamicyield.com/glossary/search-filter/) allow users to sort through product attributes based on a particular category, e.g., by size, color, price, or brand. Filters differ from faceted searches because they aim to help browsers narrow down their queries without having to type in a manual search at all. Often seen on the left-hand side of the category or product listing pages, this functionality is especially useful to users browsing through a site with massive amounts of inventory available. + +_Example of search filters on an eCommerce site_ + +### Semantic search + +Semantic search uses geolocation, a user’s (and global) search history, and spelling variations to improve search queries. This includes programming smart, autocomplete options when a user types items into a search menu. By understanding regional and behavioral trends at the individual and audience level, brands can prioritize the suggested queries that appear when a user begins typing in a search query. + +_Search results when typing while in incognito mode_ + +_Search results when typing while logged in_ + +Additionally, brands may want to conduct additional experiments centered around search functionality. Suppose you notice users are abandoning your site after browsing a few categories or PDPs. In that case, you may want to encourage them to conduct a search on-site as an additional effort to surface a product they are interested in. Especially useful for companies with massive product catalogs, consider testing different variations of the search menu design so it appears more prominently on the page and captures users’ attention. + +_Two variations of the search box to encourage goal-oriented shoppers to find what they are looking for_ + +## Navigating between category pages + +A best practice for designing [product listing pages (PLPs)](https://www.dynamicyield.com/glossary/product-listing-pages-plps/) and [product detail pages (PDPs)](https://www.dynamicyield.com/glossary/product-detail-page/) is optimizing eCommerce navigation between pages. Once a user arrives on a PDP, they may want to easily return to their initial search results page if they haven’t found what they are looking for. Be sure users don’t lose their place on your site when navigating back and forth between pages by integrating breadcrumbs to help ease site navigation. + +Breadcrumbs are a linear navigation display, typically visible at the top of a webpage, that display a user’s path through pages to arrive on the current one (i.e., Women > Shoes > Boots > Ankle Boots > Block Heels). Each item in the breadcrumb trail should be clickable and take a user back to that specific page. + +_Website navigation example: Breadcrumbs seen on the Target website_ + +## Additional tips catered toward mobile navigation design + +It’s integral that your mobile site and app experiences are as seamless as the desktop experience. With more shoppers making purchases on mobile devices than ever, be sure all navigation optimizations render correctly across your mobile inventory and incorporate mobile-first optimizations. + +Some simple things to consider are menu design, whether menus should be fixed or hidden, vertical or horizontal, whether the menu should render on the right or left side, and more. Another consideration is assessing if your brand should use a hamburger menu to quickly expose and hide menus, maximizing real estate on your mobile site or app. + +_A vertical menu on the Nike app (left) and Amazon’s lefthand hamburger menu (center: before click; right: after click)_ + +And as you experiment with maximizing the site real estate, there are some additional strategies teams can rely on specifically for mobile design. If breadcrumbs don’t fit well on a mobile screen, consider using category banners to drive users back to the main category page when browsing a PDP, for example. This will encourage them to continue discovering products rather than abandon the mobile site or app if the product in view doesn’t suit their interests. + +_Example of a category banner on a mobile PDP page to navigate users back to the primary category_ + +Take best practices into account when designing how to properly utilize the little inventory you have on your mobile site. Always ensure users have easy access to their carts and avoid intrusive popups that will distract them as they flip between pages. Take advantage of more visual ways to navigate between different product category pages (i.e., using homepage cards to direct users toward popular product categories). + +Small tweaks, such as incorporating icons instead of text, testing different CTA button messages and colors, encouraging app downloads for richer shopping experiences, and supporting mobile payment options (i.e., Apple Pay) are just a handful of the additional ways to ensure your eCommerce navigation experience is as stellar as your site experience is. + +## Real eCommerce navigation experiments from brands in our customer base + +A leading sports and outdoor brand was looking to personalize its eCommerce navigation experience, focusing specifically on highlighting relevant menu items. Looking to maximize returns, they struggled with a tradeoff between promoting full-priced products and items that were on sale. They knew that users that navigated to New Arrivals using the site menu were more likely to purchase full-priced items but were also less likely to convert overall compared to users that navigate to the Sale page. In order to find a solution that would account for both of these behaviors, they used affinity-based targeting to highlight “New Arrivals” in the menu for customers with an affinity toward full-priced items and highlighted the “Sale” menu item for budget-forward shoppers. + +Another customer in our customer base that has relied on navigation optimization best practices is a leading beauty brand. Unsure how to effectively organize their primary navigation experience, they especially grappled with whether to showcase brand names or product categories. To make a confident decision, the brand began testing both options and uncovered some important learnings. The first was that new users prefer navigating using familiar categories: lips, eyes, foundation, etc. The second was that returning users preferred exploring the site by navigating to familiar brand name product listing pages. As a result, the beauty retailer tailored the navigation experience according to each type of user that arrived on the site. + +## Start testing your way to site navigation success + +There’s no universal blueprint for building a site navigation experience. Especially in the eCommerce industry, where brands deal with users from various audiences with varying tastes and preferences, it’s essential to test different navigation design elements. Always experiment, and don’t hold back on what elements you test. Play with different menu placements and designs, test which product categories to display in tiered or fixed menus, personalize the order of items in filter menus according to a user’s browsing history, try out different messaging variations, and, of course, always QA your site experiences to ensure they are working in the ways you intend. + +--- + +# A/B testing guide by CRO experts, with examples + +**Summarize this article** **Here’s what you need to know:** + +- A/B testing is a scientific method for comparing two versions of a webpage or app to see which performs better for a specific goal, like increasing conversions or user engagement. +- It’s a powerful tool for optimizing websites, mobile apps, emails, and more, and can help solve UX issues, improve performance, and boost engagement. +- To run an A/B test, you first define a problem or user behavior you want to address. Then, you create variations of your original element and split website traffic between them. Finally, you collect and analyze data to see which variation performs best. +- Common A/B tests include testing different navigation menus, optimizing landing pages, and experimenting with promotional messages. + +A/B testing is a method of comparing two versions of a webpage or app against each other to determine which one performs better against a specific objective. It is one of the most widely used techniques for maximizing the performance of digital assets such as websites, mobile applications, SaaS products, emails, and more. + +Controlled experiments provide marketers, product managers, and engineers with the agility to iterate fast and at scale, leading to data-driven, thoroughly informed decisions about their creative ideas. With A/B tests, you can stop wondering why some things are not working, because the proof is in the pudding. It’s the perfect method to improve conversion rate, increase revenue, grow your subscribers base, and improve your [customer acquisition](https://www.dynamicyield.com/glossary/customer-acquisition/) and lead generation results. + +Some of the most innovative companies, like Google, Amazon, Netflix, and Facebook, developed lean business approaches, allowing them to run over thousands of experiments each year. + +As Jeff Bezos has once said: _“Our success at Amazon is a function of how many experiments we do per year, per month, per week, per day.”_ + +[Netflix wrote](https://netflixtechblog.com/its-all-a-bout-testing-the-netflix-experimentation-platform-4e1ca458c15) in one of their technology blogs back in April 2016: _“By following an empirical approach, we ensure that product changes are not driven by the most opinionated and vocal Netflix employees, but instead by actual data, allowing our members themselves to guide us toward the experiences they love.”_ + +And Mark Zuckerberg [once explained](https://www.youtube.com/watch?v=Lb4IcGF5iTQ&feature=youtu.be&t=10m9s) that one of the things he is mostly proud of that is really key to their success is their testing framework: _“At any given point in time, there isn’t just one version of Facebook running. There are probably 10,000.”_ + +## What is an A/B Test? + +In a classic A/B testing procedure, we decide what we would like to test and what our objective is. Then, we create one or more variations of our original web element (a.k.a. the [control group](https://www.dynamicyield.com/glossary/control-group/), or the baseline). Next, we split the website traffic randomly between two variations (i.e., we randomly allocate visitors according to some probability), and finally, we collect data regarding our web page performance (metrics). After some time, we look at the data, pick the variation that performed best, and cancel the one that performed poorly. + +If not done correctly, tests can fail to produce meaningful, valuable results and can even mislead. Generally speaking, running controlled experiments can help organizations with: + +1. Solving UX issues and common visitor pain points +2. Improving performance from existing traffic (higher conversions and revenue, improve customer acquisition costs) +3. Increasing overall engagement (reducing [bounce rate](https://www.dynamicyield.com/glossary/bounce-rate/), improving [click-through rate](https://www.dynamicyield.com/glossary/ctr/), and more.) + +We must keep in mind that the moment we pick a variation, we are generalizing the measures we collected up to that point to the entire population of potential visitors. This is a significant leap of faith, and it must be done in a valid way. Otherwise, we are eventually bound to make a bad decision that will harm the web page in the long run. The process of gaining validity is called _[hypothesis testing](https://www.dynamicyield.com/glossary/hypothesis-testing/)_, and the validity we seek is called _[statistical significance](https://www.dynamicyield.com/blog/statistical-significance/)_. + +**Some examples of A/B tests:** + +- Testing different sorting orders of the site’s navigation menu ( [Like in this example from a large electronics retailer in Germany](https://www.dynamicyield.com/use-case/personalized-navigation-menu/)) +- Testing and optimizing landing pages ( [Like in this example from a European leading airline passenger protection company](https://www.dynamicyield.com/use-case/data-driven-landing-page-optimization/)) +- Testing promotional messages, like newsletter subscription overlays and banners ( [Like in this example from an international boutique retailer of natural bath products](https://www.dynamicyield.com/use-case/tailored-newsletter-signup-offer/)) + +## How an A/B test is born: Constructing a hypothesis + +An A/B test starts by identifying a problem that you wish to resolve, or a user behavior you want to encourage or influence. Once identified, the marketer would typically conclude a hypothesis – an educated guess that will either validate or invalidate the experiment’s results. + +**Example hypothesis**: Adding a [Social Proof](https://www.dynamicyield.com/glossary/social-proof/) badge to your [Product Detail Pages (PDP)](https://www.dynamicyield.com/glossary/product-detail-page/) will inform visitors of the product’s popularity and increase add-to-cart events by 10%. + +In this case, once the problem is identified (low add-to-cart rate, as an example) and a hypothesis is worked out (adding a social proof badge to encourage more website visitors to add items to their carts), you are ready to test it on your site. + +## The classic approach to A/B testing + +In a simple A/B test, traffic is split between two variations of content. One is considered the control and contains the original content and design. The other functions as a new version of the controlled variation. The variation may be different in many aspects. For example, we could test a variation with different headline text, call-to-action buttons, a new layout or design, and so on. + +In a classic page-level experiment, you don’t necessarily need two different URLs to run a proper test. Most A/B testing solutions will let you create variations dynamically by modifying the content, layout, or design of the page. + +However, if you have two (or more) sets of pages that you’re looking to include in a controlled test, you should probably consider using a split URL test. + +## When to use split URL tests + +Split URL testing, sometimes referred to as “multi-page” or “multi-URL” testing, is a similar method to a standard A/B test, which allows you to conduct experiments based on separate URLs of each variation. + +With this method, you can conduct tests between two existing URLs, which is especially useful when serving dynamic content. Run a split URL test when you already have two existing pages and want to test which one of them performs better. + +For example, if you’re running a campaign and you have two different versions for potential landing pages, you can run a split URL test to examine which one will perform better for that particular campaign. + +## An A/B test is not limited to just two variations + +If you want to test more than just two variations, you can run an [A/B/n test](https://www.dynamicyield.com/glossary/abn-testing/). A/B/n tests allow you to measure the performance of three or more variations instead of testing only one variation against a control page. High-traffic sites can use this testing method to evaluate the performance of a much broader set of changes and maximize test time with faster results. + +However, although it is useful for any testing, from minor to dramatic changes, I recommend not making too many changes between the control and variation. Try making just a few critical and prominent changes to understand the possible causal reasons for the results of the experiment. If you are looking to test changes to multiple elements on a web page, consider running a [multivariate test](https://www.dynamicyield.com/glossary/multivariate-testing/). + +## What are Multivariate tests? + +Multivariate tests, sometimes referred to as “multi-variant” tests, allow you to test changes to multiple sections on a single page. As an example, run a multivariate test on one of your landing pages and change it with two new elements. In the first version, add a contact form instead of the main image. In the second version, add a video item. The system will now generate another possible combination based on your changes, which includes both the video and the contact form: + +Total test versions: 2 x 2 = 4 + +**V1** – Control variation (no contact form and no video item) + +**V2** – Contact form version + +**V3** – Video item version + +**V4** – Contact form + video item version + +Since multivariate tests generate all possible combinations of your changes, it is not recommended to create a large number of variations unless you’re running the test on a high-traffic site. On the other hand, running multivariate tests on low-traffic sites will provide poor results and insufficient data to draw any significant conclusions. Be sure to have at least a few thousand monthly visitors to your site before choosing to run a multivariate test. + +Example of a multivariate test on an eCommerce product-listing page + +## When to use each test type + +A/B tests will help you answer questions such as: which of the two versions of my page perform better in terms of the visitor’s response to it? + +Multivariate tests will answer questions like: + +- Do visitors respond better to a video item next to a contact form? +- Or to a webpage with just a contact form and no video item? +- Or to a webpage with a video item but no contact form? + +## How to measure the effectiveness of the A/B testing platform + +One method of determining the effectiveness of an [A/B testing platform](https://www.dynamicyield.com/ab-testing/) is to perform an A/A test. This means that you create two or more identical variations and run an A/B test to see how the platform handles the variations. Successful results should show that both variations yield very similar results. You can read further about [A/A tests](https://www.dynamicyield.com/glossary/aa-testing/) here. + +## The road to A/B test success + +_“I didn’t fail the test, I just found 100 ways to do it wrong.”_ / Benjamin Franklin + +When running an A/B test, using a valid methodology is crucial for our ability to rely on the test results to produce better performance long after the test is over. In other words, we try to understand if tested changes directly affect visitor behavior or occur due to random chance. A/B testing provides a framework that allows us to measure the difference in visitor response between variations and, if detected, establishes statistical significance, and to some extent causation. + +## Questions and answers + +What are the key considerations when designing an A/B test to ensure reliable results? + +When designing an A/B test, it’s crucial to define clear objectives and select the right metrics that align with these goals. Randomization is essential to avoid bias, and calculating the appropriate sample size ensures statistical significance. The test should run for an adequate duration to capture variations in user behavior over time. Additionally, controlling for external factors, such as marketing campaigns or seasonal trends, helps in obtaining reliable results. By addressing these considerations, businesses can ensure that their A/B tests provide meaningful and actionable insights. + +How can businesses effectively interpret the results of an A/B test to make data-driven decisions? + +Interpreting A/B test results involves statistical analysis to determine significance and calculating confidence intervals to understand the range of the true effect size. It’s important to consider the broader context, including user behavior patterns and external influences. Segmentation analysis can reveal variations in performance across different user groups. The insights gained should be translated into actionable strategies, and iterative testing should be used to refine hypotheses and optimize outcomes continuously. This approach ensures that businesses make informed, data-driven decisions. + +What are some advanced techniques in A/B testing that can enhance the accuracy and depth of insights? + +Advanced A/B testing techniques include multi-armed bandit testing, which dynamically allocates traffic to better-performing variations, and sequential testing, which allows for continuous monitoring and early stopping of tests. Bayesian methods provide a flexible approach to decision-making by updating outcome probabilities as data is collected. Personalization tailors variations to different user segments, and integrating machine learning algorithms can predict outcomes and optimize test designs. These techniques enhance the accuracy and depth of insights, leading to more effective optimization strategies. + +How can A/B testing be integrated into a broader digital marketing strategy? + +Integrating A/B testing into a digital marketing strategy involves aligning testing initiatives with business objectives and fostering cross-functional collaboration between marketing, product, and analytics teams. Data from A/B tests should be integrated with other marketing analytics to provide a comprehensive view of performance. A/B testing should be used as a tool for continuous improvement, regularly testing and optimizing various aspects of the digital experience. Developing a scalable testing framework allows for efficient execution and analysis of multiple tests, ensuring that insights are actionable and impactful. + +What ethical considerations should be taken into account when conducting A/B tests? + +Ethical considerations in A/B testing include ensuring user consent, especially when personal data is involved, and protecting user data in compliance with regulations like GDPR or CCPA. Transparency about the purpose of the tests and how data will be used is crucial. Tests should be designed to avoid causing harm or negative experiences for users, and fairness should be maintained to ensure no particular group of users is disadvantaged. By addressing these ethical considerations, businesses can conduct A/B tests responsibly and maintain user trust. + +What role does hypothesis formulation play in the success of an A/B test? + +Hypothesis formulation is a critical step in the A/B testing process as it provides a clear direction and purpose for the test. A well-defined hypothesis outlines the expected outcome and the rationale behind the changes being tested. This helps in setting measurable goals and ensures that the test is focused on addressing specific issues or opportunities. A strong hypothesis also aids in interpreting the results and making informed decisions based on the findings. + +What are the limitations of A/B testing, and how can they be addressed? + +While A/B testing is a powerful tool, it has limitations such as the potential for inconclusive results if the sample size is too small or the test duration is too short. Additionally, A/B testing may not account for long-term user behavior changes or external factors influencing results. To address these limitations, it’s important to ensure adequate sample sizes and test durations, complement A/B testing with other research methods, and continuously monitor and iterate on the findings to adapt to changing conditions. + +How can businesses ensure that their A/B testing practices are scalable and sustainable? + +To ensure scalability and sustainability in A/B testing practices, businesses should invest in robust testing platforms that automate the process and provide comprehensive analytics. Developing a structured testing framework with clear guidelines and best practices helps in maintaining consistency and efficiency. Training teams on the importance of A/B testing and fostering a culture of experimentation encourages continuous improvement. Regularly reviewing and updating testing strategies based on learnings and technological advancements ensures that the practices remain relevant and effective. + +##### Continue reading + +--- + +# Free Bayesian A/B Testing Calculators — Dynamic Yield + +A while back, [we explored](https://www.dynamicyield.com/blog/bayesian-testing/) a less restrictive and more reliable approach to [A/B testing](https://www.dynamicyield.com/lesson/introduction-to-ab-testing/) in the form of a newer, Bayesian testing method. + +With its simplicity, reliability, and intuitiveness, the Bayesian framework is a superior A/B testing methodology which will provide marketers a quicker and more robust statistical engine. + +Therefore, we’ve been working long and hard to make it easier for marketers and [conversion rate](https://marketing.dynamicyield.com/benchmarks/conversion-rate/) optimizers to utilize this new approach. And for us, that’s meant taking the complex math out of the equation. + +So, today, we’re excited to announce the official release of two free and useful tools… + +## Bayesian A/B Testing Calculator + +**Our [Bayesian-powered A/B testing calculator](https://marketing.dynamicyield.com/bayesian-calculator/)** will help you find out if your test results are statistically significant. + +For each variation you test, all you have to do is input the total sample size and number of conversions. Then, based on statistical significance, the statistical engine will declare a winning variation. + +Here’s a quick breakdown of the terms and metrics we run: + +- **Sample Size** – The number of users, sessions, or impressions depending on your KPI. +- **Conversion** – The number of clicks, even purchases or goal completions (e.g. purchases or video views). +- **Conversion Rate** – The number of completed actions (i.e. conversions) divided by the sample size. +- **Probability to be Best** – Each variation’s long-term probability to outperform all other live variations (given collected data since the creation or change of any variation included in the test). +- **Expected Loss** – The percent you are expected to lose in the long term if you declare the wrong variation as a winner versus the variation which is actually the best. +- **Posterior Simulation of Difference** – The distribution of conversion rates given the sample size collected so far. + +To better understand your results, consider the winning variation above. Across the board, Variation A dominates in terms of conversion, conversion rate, Probability to Be The Best, as well as Expected Loss. Remember, the higher the PTBB and lower the EL, the better. This indicates confidence in long-term performance as well as lower expected loss if the variation declared a winner ends up being wrong (which it doesn’t look like it will be). + +Learn more about [the importance of statistical significance in A/B tests](https://www.dynamicyield.com/blog/statistical-significance/). + +## Bayesian A/B Test Duration & Sample Size Calculator + +Not sure how long you will have to run your experiments in order to get statistically significant results? + +No worries. As the first of its kind, our free online **[Bayesian-powered A/B test duration](https://marketing.dynamicyield.com/ab-test-duration-calculator/) and sample size calculator** will help you avoid false positives and increase the validity of your A/B testing. There’s no hard limit on how many variations you can test against the control and we offer a few suggestions for how to approach your testing. + +The calculated output provides range estimations of the time required to run the test in order to get statistically significant results, and the minimum required sample size to support that. While we know there are many other variables involved, these calculated estimations can be used for planning experiments in advance, as well as for analyzing ongoing tests. + +Here’s a quick breakdown of the terms and metrics we run: + +- **Baseline conversion rate** – The current conversion rate (number of successful actions divided by the number of visitors, sessions, or impressions) for the experience you’re testing. +- **Expected uplift in conversion rate** – The X% change in conversion rate you are aiming for from your baseline rate. In the example below, if the baseline conversion rate is 2.5%, a 5% expected uplift would result in a new conversion rate of 2.625%. +- **Number of variations** – The number of variations compared in a single test. +- **Average sample size per day** – The number of visitors to be served in the experiment over the course of one day. + +Now that you have everything you need to get started, we know you’ll be deploying Bayesian A/B tests at higher confidence intervals. And with a higher degree of self-confidence. + +It’s important to note that while these tools support binary objectives (user converted or not) when measuring conversion, the real statistical engine behind the Dynamic Yield platform behaves differently, and supports more advanced, non-binary calculations, such as maximizing completions number, or revenue. To learn more about our statistical engine and automated optimization approach, [request a product demo](https://www.dynamicyield.com/request-demo/). + +--- + +# How to Deliver a Less Frustrating Online Shopping Experience + +_This content originally appeared in our XP² newsletter._ [_Subscribe here_](https://www.dynamicyield.com/newsletter/) _to receive experience optimization insights like these, straight to your inbox._ + +Let’s say you’re out with friends when the question of where to go to dinner arises. A search on your phone for what’s “nearby” greets you with a buffet of options, and you spend what feels like forever deciding on the right one, only to give up and opt for a place you’ve been a million times before. This is the paradox of choice: The more choices we have, the more overwhelmed we feel. Eventually that overwhelm leads to “decision fatigue,” or settling for a subpar option because it’s easier. + +But this problem isn’t limited to restaurant selection. As eCommerce platforms rapidly expand, smaller brands are entering the fray alongside established, global retailers. Now that consumers have more to choose from than ever—and the online web experiences of these brands are largely identical—shoppers are struggling to find exactly what they want. This can negatively impact their business KPIs, especially as shoppers jump to competitors’ websites or [abandon their carts](https://www.dynamicyield.com/lesson/shopping-cart-abandonment-strategy/). + +Abandoned carts are abandoned revenue, so what can retailers do to combat decision fatigue? I chatted with Lior Delouya, Product Manager at Dynamic Yield by Mastercard, about streamlining the decision-making process with [personalization](https://www.dynamicyield.com/article/personalization-guide/). Drawing from his 8+ years of experience in leading teams in customer success, he has a unique perspective on alleviating choice overload. + +**JR: What are some factors that pile up and contribute to decision fatigue?** + +Lior: Even seemingly minor tasks can significantly impact the shopping experience. You may not think of the following as decisions, but they are: + +- Selecting filter options to narrow down product searches +- Determining the value of product reviews +- Evaluating promotional offers +- Contemplating whether to wait until an item goes on sale +- Considering an order with multiple items to reduce shipping costs +- Finding a balance between price vs. quality +- Choosing different payment methods at checkout +- Selecting the right shipping method +- Ensuring your items have the proper dimensions via size guides + +Each decision, however small, can collectively drain the consumer’s energy, leading to mental exhaustion and dissatisfaction with the shopping process over time. This exhaustion can spur customers to take long breaks (averaging about a week) in between product searches, according to a [joint paper from NYU and UCLA Anderson](https://anderson-review.ucla.edu/search-fatigue-online-shoppers-grow-weary-take-a-break/). That break time didn’t necessarily lead to a sale—76% of shoppers didn’t make a purchase after their initial click on a fashion website. + +**Why might people give up on buying when searching from one website to another?** + +The effort and time required to navigate multiple websites—and compare prices, features, and reviews across those sites—can frustrate shoppers, especially if the process doesn’t quickly lead to a gratifying decision. Some have the nagging feeling that they are paying too much, which can create a situation in which they obsessively search for a better deal. The problem is, this comparison process could go on endlessly, considering the wealth of options at our fingertips. + +Eventually, those shoppers become overwhelmed and paralyzed, abandon their shopping carts, and leave sites empty-handed. + +**Typically, expanding a brand’s product catalog is in its best interest. But how can brands achieve that goal without stressing out their customers?** + +Brands should strike a balance between offering a broad selection and organizing their offerings effectively. Of course, one of the best ways to do that is through personalization, which enables retailers to deliver bespoke [product recommendations](https://www.dynamicyield.com/lesson/product-recommendations-guide/) that streamline the shopping experience. + +Personalized conversational experiences can play a pivotal role here. They excel in providing inspiration and recommendations, which is particularly useful for customers who don’t have a specific product in mind. They can also mitigate the negative impact of a sprawling product catalog by ensuring customers don’t have to sift through irrelevant options to find what they’re looking for. + +By doing so, conversational AI also reduces the impact of the paradox of choice: Shoppers have a limited number of options to pick from, curated based on prior interactions and their own preferences. + +**How does AI help narrow down decisions for users with no prior data?** + +AI can start by making initial recommendations based on contextual data (such as geolocation or [local weather conditions](https://www.dynamicyield.com/lesson/weather-based-targeting/)), basic demographic information, and even comparisons with similar user profiles. It can then adapt when it interacts with the user. + +**Some believe AI is pulling us further away from the human experience—but it may actually be the other way around. How will the interplay between humans and AI evolve in the future?** + +As advancements in [deep learning](https://www.dynamicyield.com/lesson/deep-learning-recommendations/)—and [large language models (LLMs)](https://www.dynamicyield.com/article/generative-ai-personalization-marketing-transformation/) in particular—gain momentum, the online shopping experience will begin to resemble a brick-and-mortar store. Imagine a personal stylist who is not only well-versed in the latest trends and fits but also deeply understands your unique style preferences and needs, meticulously selecting items tailored just for you. With the power of AI, every customer will have access to an expert guide that can lead them through their purchasing journey. It could spell the end for our decision-heavy shopping woes—and the impersonal, transactional nature of shopping online. In many ways, [AI shopping assistants](https://www.dynamicyield.com/shopping-muse/) will be more intuitive than the older model of endlessly browsing [product listing pages (PLPs)](https://www.dynamicyield.com/glossary/product-listing-pages-plps/) once consumers try them out. We’re all used to searching for items in “Googlish”—brief two-word search queries—because of older technological limitations. We grew up with them. Now everything is turned upside down. We’ll have to relearn how to communicate with tech in a more human way. + +But [AI is driven by humans](https://www.dynamicyield.com/article/ai-personalization-human-advantage/) as well. It’s crucial for brands to nurture internal talent to operate and refine these technologies effectively. Investing in skilled professionals who can manage, analyze, and drive innovation with these systems will keep brands one step ahead of the competition over the coming years. + +**What advice do you have for companies interested in using AI-driven shopping assistants but hesitant about whether shoppers will embrace them?** + +As with any new technology, there’s an adoption curve. Well-defined entry points to the chat experience, targeted marketing campaigns that emphasize their usefulness, and clear, straightforward tutorials can help educate shoppers. Seamless integration into the online shopping environment is essential to ensure a smooth user experience. By showcasing how AI assistants can surpass the limitations of conventional search tools and offering incentives like discounts or personalized deals, companies can motivate users to embrace these innovative search methods, leading to a more efficient and satisfying shopping experience. + +## Overcome Choice Overload with a Human-Centered Shopping Experience + +Decision fatigue is now a fact of modern life—and its especially pervasive in the eCommerce industry. As customers encounter a mounting number of infinitesimal shopping dilemmas, they are more apt to abandon their carts and take their business elsewhere. But the adoption of highly capable, empathetic AI shopping assistants could spell the end of consumers’ shopping woes—if retailers are willing to take the plunge. + +--- + +# Gartner Magic Quadrant for Personalization — Definition by Dynamic Yield + +Gartner Magic Quadrant for Personalization Engines refers to a specific Gartner report which evaluates competing players in the major technology market for personalization engines. + +Gartner is one of the world’s leading research and advisory companies, whose rigorous research process and proven methodologies have provided businesses with objective insights they need to make the right decisions. Every year, Gartner releases its Magic Quadrant, a report positioning technology players within a specific market. To date, we’ve seen solution providers from Web Content Management, Content Collaboration Platforms, CRM Customer Engagement Centers, Data Integration Tools and more experience the evaluation process. + +In its fourth consecutive market research report on Personalization Engines, the 2021 Gartner Magic Quadrant evaluated 12 solution providers based on their ability to execute as well as completeness of vision. + +### Why Personalization? + +According to Gartner: + +“ _Personalization remains a priority for digital marketing leaders. Relevant and timely messaging is key to educating customers, minimizing friction and building purchase consideration. Use this research to assess personalization engines that will enable you to deliver measurable results.”_ — Gartner + +### How Does Gartner Define Personalization Engines? + +_Personalization Engines are software that enables marketers to identify, deliver and measure the optimum experience for an individual customer or prospect based on their past interactions, current context and predicted intent. Personalization engines help marketers identify, select, tailor and deliver messaging such as content, offers and other interactions across customer touchpoints in support of three primary use cases: marketing, digital commerce, and service and support._ — Gartner + +### What Evaluation Criteria does Gartner Use? + +By applying its standard Magic Quadrant graphical treatment and a uniform set of evaluation criteria, Gartner’s differentiated each personalization engine by: + +**Leaders** execute well against their current vision and are well positioned for tomorrow. + +**Visionaries** understand where the market is going or have a vision for changing market rules, but do not yet execute well. + +**Niche Players** focus successfully on a small segment, or are unfocused and do not out-innovate or outperform others. + +**Challengers** execute well today or may dominate a large segment, but do not demonstrate an understanding of market direction. + +_“Vendors are judged on Gartner’s view of their ability and success in making their vision a market reality that customers believe is differentiated and are prepared to buy into. Delivering a positive customer experience — including sales experience, support, product quality, user enablement, availability of skills and ease of upgrade/migration — also determines a vendor’s Ability to Execute.”_ — Gartner + +Gartner has positioned Dynamic Yield in the Leaders quadrant for the fourth consecutive year based on our ability to execute and completeness of vision in its [annual Magic Quadrant for Personalization Engines](https://www.dynamicyield.com/guides/gartner/), so here’s a little bit about what we do best and why we believe we were recognized as a Leader in the Magic Quadrant: + +1. **Open architecture** – Prioritizes flexibility, [security](https://dynamicyield.com/security), connectivity, and [governance](https://www.dynamicyield.com/enterprise-grade-personalization/) +2. **Best-in-class algorithms** – Predict customer intent and affinity in real-time through self-trained [deep learning recommendation](https://www.dynamicyield.com/adaptml/) models. +3. **Ease of use and agility** – Empowers teams to start small, then scale across a brand’s channels at their own pace and deploy personalization and [A/B testing](https://www.dynamicyield.com/ab-testing/) where it will drive impact. +4. **Superior UI and streamlined workflows** – Allows marketers to run [omnichannel personalization](https://www.dynamicyield.com/personalization/) programs across web, mobile, email, and ads, through a simple UI and streamlined workflows – without having to rely on developers. + +To many, this report confirms the increasing reliance on personalization technology by marketing leaders for business advantage, solidifying its place within the marketing landscape at large. + +_Gartner, Magic Quadrant for Personalization Engines, 19 July 2021, Jason McNellis, Claire Tassin, Jennifer Polk._ + +_Gartner and Magic Quadrant are registered trademarks of Gartner, Inc. and/or its affiliates in the U.S. and internationally and is used herein with permission. All rights reserved. Gartner does not endorse any vendor, product or service depicted in its research publications, and does not advise technology users to select only those vendors with the highest ratings or other designation. Gartner research publications consist of the opinions of Gartner’s research organization and should not be construed as statements of fact. Gartner disclaims all warranties, expressed or implied, with respect to this research, including any warranties of merchantability or fitness for a particular purpose._ + +_GARTNER is a registered trademark and service mark of Gartner, Inc. and/or its affiliates in the U.S. and internationally, and is used herein with permission. All rights reserved._ diff --git a/docs/blog/refer/dynamic-yield/ALL_IN_ONE__kimi_zh.md b/docs/blog/refer/dynamic-yield/ALL_IN_ONE__kimi_zh.md new file mode 100644 index 0000000..9f2f867 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/ALL_IN_ONE__kimi_zh.md @@ -0,0 +1,693 @@ +# AI 和个性化正在彻底改变电子商务搜索 + +## 传统搜索不再满足数字时代消费者的期望。但随着 AI、个性化以及基于语义和意图的搜索相结合，提供复杂的消费者体验，搜索有机会适应并重新夺回其作为令人兴奋的产品发现门户的地位。 + +**总结本文** **您需要了解的内容：** + +- 传统的基于关键字的搜索已经过时，难以理解用户意图，导致相关度低且令人沮丧的电子商务体验。 +- AI 和个性化现在能够实现更智能、具有上下文感知且以视觉为驱动的产品发现，符合人们自然的搜索方式。 +- 产品发现由三种关键的消费者行为定义——浏览型、目的驱动型和产品特定探索型。先进的语义搜索、个性化、视觉分析、生成式 AI 和深度学习可以增强这三种行为。 +- 这种智能、统一的方法有潜力通过为每个用户提供超相关、直观的购物体验来提高转化率和参与度。 + +搜索几十年来一直是我们生活中不可或缺的一部分——但它需要进行彻底改造。 + +让我们回到早期搜索引擎的时代来理解原因。假设您正在寻找研究报告的最新信息。您的第一反应是在搜索框中输入问题。结果出现了，但大多不相关。您必须学会如何将想法转化为可搜索的关键字，即便如此，也会撒下一张大网，需要在筛选大量结果后才能拼凑出正确的信息。 + +随着 SEO 的发展，搜索过程变得不那么艰难了，但从概念上讲，几十年来它没有经历任何有意义的演变。搜索没有随着人们的参与而动态适应，反而是人类适应了机器的逻辑。这种缺乏细微差别的方式让用户感到沮丧和疏离。 + +今天，我们已经到达了一个转折点。越来越多的用户转向 AI 工具，如 ChatGPT——每天接收超过 10 亿次查询——在几秒钟内找到他们想要的东西。 + +现在，搜索终于开始发展，以满足消费者日益增长的需求和期望。 + +## 不断变化的消费者期望正在迫使搜索发生范式转变 + +AI 为与品牌互动和产品发现开辟了新方式。购物者现在期望在搜索体验中获得更复杂、更快速、更智能的功能。以下是我们走到今天这一步的历程： + +**人们的搜索方式与传统搜索能力存在冲突** + +让我们考虑一个人通常如何与搜索互动。假设有人在寻找参加朋友婚礼要穿的连衣裙。尽管 50% 的问题超过三个字（根据 Dynamic Yield 的数据），但消费者通常使用 2-3 个字的查询来锁定他们想要的东西。因此，这个人输入查询"dress for wedding"，但搜索引擎只显示白色连衣裙，未能识别出宾客不应该穿白色。 + +现在，想象一种情况，购物者直接说出他们想要什么："I need a dress for a friend's al fresco wedding in Florida." 这些额外词语中包含的额外上下文和具体信息可以为消费者节省大量时间——前提是搜索功能足够先进，能够理解这些信息。 + +消费者已经做出了调整，因为历史上的关键字搜索并非设计用于处理复杂查询，因为产品信息流通常标记不佳，搜索也无法借鉴现实世界的知识。此类查询甚至可能将消费者引导至不相关的产品，因为词语背后的含义与词语本身同样重要。 + +**AI 驱动的指导和建议更具个性化** + +传统搜索依赖于用户输入和筛选，但无法利用有关消费者偏好的潜在有价值数据，导致结果泛化。为了绕过这种挫败感，约 70% 的人选择使用生成式 AI 而非传统搜索来获取指导和建议。此外，大多数人信任这些 AI 推荐，并在没有额外研究的情况下接受它们，因为它们如此具体地满足了他们的需求。为了避免失去这些有价值的互动机会（以及避免失去对其产品如何在 Gen AI 工具中展示的控制权），品牌必须将其搜索体验从泛化演变为基于上下文和数据的个性化。 + +**消费者在购物时已逐渐依赖视觉信息** + +难以描述他们正在寻找什么的在线购物者更喜欢使用视觉信息来弥合差距。事实上，Pinterest 调查中有 85% 的受访者表示，在线搜索服装和家具时，视觉信息比文本更重要。传统的关键字搜索根本无法基于视觉分析提供结果。 + +## AI 和个性化如何结合重新定义搜索 + +今天，AI 驱动的算法和个性化正在将搜索提升到新的高度。 + +搜索不再是一刀切；它可以动态调整以适应人们寻找所需产品的各种方式。事实上，人们发现产品有三种常见方式。让我们逐一分析，并深入探讨这些突破性的新搜索功能如何更好地满足消费者需求。 + +1. **为浏览驱动型消费者提供个性化导航** + + 这些购物者有兴趣探索特定类别中的内容，而非导航到特定产品。 +为了基于这种高意图浏览行为简化搜索体验，品牌可以使用个性化来识别导航搜索查询（如"men's shoes"），并将这些查询引导至定制的分类页面，而非网站的默认搜索体验。 + + _搜索男士鞋类会显示带有个性化结果的分类页面_ + + 这些分类页面还可以使用复杂的深度学习算法进行排序和优化，根据用户的偏好为每个用户展示最相关的产品，并预测他们接下来可能最感兴趣的内容。不同的算法和商品规则也可以针对不同页面和受众进行定向，以确定最佳组合，实现最大参与度。 + +2. **为目地驱动型消费者提供 AI 驱动的助手** +目的驱动型消费者知道他们想要什么，并最终寻求指导。例如，他们可能知道健身房需要穿的衣服，但尚未缩小到具体产品。 + +个性化和 AI 现在可以帮助零售商理解口语化、基于问题的搜索查询背后的意图。当与先进的语义搜索（能够理解查询的含义，而不仅仅是词语）结合时，体验会变得更好。一个出色的实际例子是：生成式 AI 驱动的对话体验，如 [Shopping Muse](https://www.dynamicyield.com/shopping-muse/)。无论购物者搜索"running jacket for winter"还是"What should I wear jogging in cold weather?"，这些 AI 聊天机器人使用自然语言处理和深度学习模型来回答直接问题，每次都推荐最相关的产品。通过分析上下文和行为数据，聊天机器人更适合预测消费者接下来可能需要什么。 + +根据我们的经验，零售商发现，与未参与此类工具的购物者相比，参与此类工具的购物者更有可能购买，且购物车价值更高。对于为他人购物或缺乏产品知识的消费者来说，这也是找到完美礼物的简单方式。 + +3. **为产品驱动型消费者提供先进的语义搜索和视觉分析** 这些是试图直接导航到特定商品的高意图购物者，如"high-top basketball shoes"。对于这样的具体查询，我们可能会认为传统搜索方法已经足够。但先进的搜索功能使消费者能够即时筛选大型产品目录中的噪音，直达目标产品。利用用户历史、偏好和上下文线索，个性化搜索可以展示他们喜欢的颜色和功能的高帮篮球鞋。 + +个性化自动完成还可以将购物者引导至他们通过分类和产品列表页面导航无法发现的相关产品。 + +通过视觉分析工具，现在可以识别品牌产品目录中商品的物理属性，无需第三方目录丰富，使零售商能够更快地展示正确的产品。例如，即使某件商品未标记为"striped trousers"，AI 也能"看到"图像中的条纹，并知道将其包含在相关搜索结果中。 + +此外，发现自己喜欢的东西的消费者——例如，在外出办事时橱窗中看到一双时尚的运动鞋——可以上传照片，并立即与零售商目录中的相似产品匹配。即使目录中的某件商品缺货，视觉搜索也能返回下一个最相关的商品。 + +_购物者上传一张穿红裙女性的照片，视觉搜索会提供多个相似产品_ + +总体而言，这些视觉分析工具提高了准确性，减少了手动产品信息流管理，使品牌和消费者都受益。 + +## 智能搜索已到来 + +搜索、个性化和 AI 在电子商务中各自扮演独立角色的日子即将过去，当它们以令人兴奋的新方式融合时，消费者可以期待更快、更简单、更有影响力的数字体验。除此之外，品牌可以获得一系列好处，包括：超相关的搜索结果，带来更高的参与度和平均订单价值；通过使消费者能够用几乎任何语言提交查询来实现全球搜索扩展的能力；以及将搜索体验与业务目标对齐的能力，基于利润率、退货率、库存水平等对结果进行排序。 + +随着越来越多的人开始将搜索作为产品发现的真正有用工具，这些好处会成倍增加，每次互动都能在其他触点上实现更深入的个性化。无摩擦的搜索体验最大限度地提高了转化率，利用零售商对客户的了解——从之前的购买到会员资格——提供超个性化的顺畅体验。 + +在 AI 的掌舵下，搜索不仅准备重新夺回它曾经为消费者拥有的基本角色——而且要革命性地改变他们发现和购买产品的方式。 + +有兴趣了解如何获得下一代搜索功能吗？[与我们联系](https://www.dynamicyield.com/search/?utm_source=thoughtleadership&utm_medium=xp2&utm_campaign=search)安排 Experience Search 的定制演示，它可以帮助您的品牌提供更智能、更个性化的搜索体验，实现转化。 + +Dynamic Yield by Mastercard 与这些来源中引用的研究没有关联。 + +1 Lee, Kristian Kask 和 Joel。"信不信由你，Chatgpt 每天接收超过 10 亿条信息。" PCWorld，2024 年 12 月 5 日。https://www.pcworld.com/article/2546712/believe-it-or-not-chatgpt-gets-over-1-billion-messages-every-single-day.html. + +2 Indig, Kevin。"新数据：消费者对生成式 AI 的真实看法。" www.growth-memo.com/p/new-data-what-consumers-really-think-about-generative-ai. + +3 Pinterest。"为更多在线到离线灵感升级 Lens。" Pinterest 新闻室存档，2019 年 9 月 17 日。newsroom-archive.pinterest.com/upgrading-lens-for-more-online-to-offline-inspiration. + +#### 接下来阅读 + +- [对话式商务：您对市场变革技术的指南](https://www.dynamicyield.com/article/conversational-commerce-guide/) +JR Moore + +- [当语言不足时，让图像说话：视觉搜索如何重新定义产品发现](https://www.dynamicyield.com/article/how-visual-search-is-redifining-product-discovery/) +Lior Delouya + +--- + +# 将生成式AI集成到您的个性化工作流中的3个技巧 — Dynamic Yield + +_欢迎来到我们的新栏目[Dynamic Voices](https://www.dynamicyield.com/articles/?type=dynamic-voices&order=date&gate=or)，这是一个在 XP² 上定期发布的系列， featuring 来自我们网络内思想领袖的及时观点。在本期中，北欧副总裁[Harry Hanson-Smith](https://www.linkedin.com/in/hhansonsmith/)分享了个性化从业者可以实施的实用技巧，以借助 AI 更好地实现目标。_ + +从我的 LinkedIn 动态来看，我开始感觉到市场对生成式 AI 的喧嚣感到有些不知所措。在与[个性化](https://www.dynamicyield.com/article/personalization-guide/)团队和业务领导者交谈后，很明显，AI 在文化对话中的适应速度比在业务和个人流程中的实施速度更快。我在这里要穿透噪音，告诉您，团队不仅今天就能将 AI 集成到他们的工作流中，优化结果和效率——无论是对个人职业生涯还是整体业务影响——而且应该尽快这样做。 + +尽管 AI 扩大了单个人在创作和分析方面的可能性，但它仍然依赖于那个人的专业知识。例如，虽然营销人员可以使用 GenAI 为新的 A/B 测试活动创建数百种不同的文案选项，但该营销人员仍然需要编写能够传达品牌及其受众信息的提示，并编辑其输出以确保它们感觉自然且植根于真正的人类同理心。尽管营销人员可以使用先进的机器学习工具来预测和满足客户需求，但只有在数据流没有错误的情况下，它才能如此精确地做到这一点。 + +总之：人们需要将生成式 AI 实施到他们的工作流中，才能实现真正的收益。虽然所有这些准备工作和质量保证工作对于[个性化团队](https://www.dynamicyield.com/lesson/roles-of-a-personalization-and-optimization-team/)来说可能感觉过于昂贵和困难，但现在做这项工作至关重要。但幸运的是，有很多事情可以做，让这段旅程感觉不那么令人生畏。在这里，我见过的对个性化从业者、团队和领导者的三个关键策略。 + +## **现在投资您的数据：** + +您的操作系统中已经有许多 AI 驱动的推荐工具（我们稍后会讲到），但为确保最大影响，您需要有效地收集和利用数据。AI 能力完全取决于它所暴露的数据的质量和数量，因此您的团队需要确保所有数据都是相关且一致的。 + +这不是一项容易的任务，但值得。让我们看看[home24 的例子](https://www.dynamicyield.com/article/home24-product-feed/%20rel=)：随着公司发展其个性化项目，他们注意到其产品信息流并不完美，由于之前的策略更关注上市时间而非数据完整性。为了保持竞争优势，home24 不得不完全重组其产品信息流的结构，清除任何重复、不相关或不一致的属性，并添加及时的属性。虽然这个项目极其技术性、耗时且复杂，但它也是提高 AI 驱动推荐质量和确保项目扩展时数据流完整性的唯一途径。 + +虽然团队可能希望推迟这项工作，但[整理产品信息流](https://www.dynamicyield.com/article/fashion-product-feed-cleaning-recommendations/)的时间就是现在，因为它将保证竞争优势。 + +## **探索 AI 提示训练：** + +营销人员可以用基于文本的 AI 工具（如 Gemini 或 ChatGPT）或基于图像的工具（如 Canva）来补充他们的工作流，为[A/B 测试](https://www.dynamicyield.com/lesson/introduction-to-ab-testing/)创建不同的文案和视觉变体。我从我的网络中听说，团队在采用 AI 时面临的最常见挑战是知道如何掌握完美的提示——这可以通过适当的培训轻松解决。您需要明确具体，才能创建与品牌和目标一致的可用资产。您为基于文本的 AI 工具提供的上下文与您使用的工具类型同样重要。正如我们所知，AI 仍然是一项容易出错的技术，但继续尝试编写 AI 提示将让您更好地了解该工具需要何种类型的具体信息才能满足您的需求。 + +_您可以在 Dynamic Yield 的 Experience OS 中解锁新的方式来激发创造力，并在几秒钟内制作引人注目的活动。了解如何通过[_生_](https://www.dynamicyield.com/ai/)_成式 AI 驱动的产品_打破重复信息和视觉的束缚。 + +营销人员需要实用的 AI 使用技巧，我发现哈佛大学的[这个资源](https://huit.harvard.edu/news/ai-prompts)是一个绝佳的起点。您可以向该工具提供任意数量的指示，如您希望包含或不包含的内容以及您希望它如何呈现。反馈也至关重要。如果您对输出不满意，请让该工具知道，以便它可以纠正错误。如果您在创建提示时完全陷入困境，请让 AI 帮助您生成一个。在获得适当的上下文和方向时，AI 可以产生令人难以置信的结果。 + +_这两个提示由一个在线零售商的个性化团队编写。第一个提示是通用的（可能描述任何数量的 T 恤），导致冗长、模糊的输出。第二个示例展示了更多参数如何使输出更简洁，有效传达有关产品的关键细节。_ + +## **尝试不同的 AI 工具：** + +除了 GenAI，还有可直接插入您的个性化提供商并改善用户体验和[产品推荐](https://www.dynamicyield.com/lesson/product-recommendations-guide/)的先进 AI 驱动工具。例如，在一个客户寻求高度个性化数字体验的世界中，复杂的[生成式 AI 驱动聊天机器人](https://www.dynamicyield.com/shopping-mense/)可以创建模仿店内咨询体验对话式商务体验，使用识别并展示视觉上相似产品的机器学习功能。您还可以通过[深度学习](https://www.dynamicyield.com/adaptml/)改进推荐，该学习处理跨用户的数据输入，以识别客户行为中的趋势和模式。 + +## **未来就是现在** + +随着 AI 继续彻底改变营销人员与消费者互动的方式，利用它尽可能多地保持效率和领先于游戏的压力越来越大。尝试现有工具需要时间和耐心，但一旦您穿透了表面文章，您将看到的好处将远远超过任何成长的烦恼，并帮助您发现更具创新性和更高水平的个性化策略。我希望这些实际示例能为您的日常工作提供一个起点。 + +--- + +# 从碎片化到连接：掌握个性化用户识别 — Dynamic Yield + +## 发现提高用户识别和在全渠道世界中推动忠诚度的实用策略。 + +**总结本文** **您需要了解的内容：** + +- 用户识别：对于在多个渠道提供无缝且个性化的体验至关重要，构成了成功全渠道战略的基石。 +- 全渠道机会：品牌应将全渠道互动视为品牌知名度和忠诚度的积极信号，利用每个接触点来加强连接并了解用户偏好。 +- 用户识别的好处：实现跨渠道一致性、数据驱动的个性化、增强客户体验和高效的营销策略。 +- 提升用户识别：实施全渠道事件，使用定向活动增加订阅和登录，通过自定义代码识别外部电子邮件活动中的用户。 + +## **在全渠道环境中，用户识别对个性化的重要性** + +在当今超连接的世界中，客户通过多个渠道与品牌互动，从移动应用和网站到实体店和社交媒体。为了提供无缝且个性化的体验，企业必须准确且一致地在所有这些接触点上识别用户。这个过程被称为用户识别，构成了成功全渠道战略的基石。 + +## **将全渠道视为积极机会** + +品牌不应害怕数据碎片化和不一致的用户体验，而应将为全渠道互动视为品牌知名度和忠诚度的积极信号。用户在您的品牌不同渠道上的互动越多，他们就越有连接感和投入感。每个接触点都提供了加强这种连接并了解用户偏好的机会。 + +通过专注于在整个客户旅程和跨多个渠道建立强大的用户识别，企业可以将碎片化的感知挑战转化为资产。开发无缝识别策略不仅增强了个性化，还培养了与忠诚客户的长期关系。 + +## **为什么用户识别对个性化很重要** + +个性化已成为客户满意度和忠诚度的关键因素。当用户感到他们的偏好被认可并得到满足时，他们更有可能与品牌互动并进行购买。用户识别使以下方面成为可能： + +1. **跨渠道一致性：** 当用户从移动应用转移到网站或访问实体店时，他们的偏好和数据得以保留。 +2. **数据驱动的个性化：** 企业可以利用从不同互动中收集的数据来预测用户需求并及时提供推荐。 +3. **增强客户体验：** 个性化培养了一种连接感，让客户感到被重视和理解。 +4. **高效的营销策略：** 通过理解用户旅程，企业可以更有效地定位促销和内容。 + +## **如何提升用户识别？** + +1. **实施！确保全渠道事件在整个用户旅程中得到实施。** + +这些事件在以下情况触发用户识别：注册账户、登录账户、订阅新闻通讯或在结账时识别自己 +2. **使用定向活动增加订阅和登录 –** 使用 [Dynamic Yield 共情个性化](https://support.dynamicyield.com/hc/en-us/articles/17653567078173-Empathic-Personalization)框架，您可以根据用户在其客户旅程中的需求来个性化您的策略。 + - 好奇的用户 – 使用退出意图弹出窗口提供温和的介绍："解锁独家系列的早期访问！" + - 感兴趣的用户 – 在添加到愿望清单时鼓励更深入的参与："保存您的收藏夹"提示，以捕捉意图并加强关系。 + - 专注的用户 – 促进无缝结账并通过提示建立信任："创建账户以实现快速结账和订单跟踪。" + - 满意的用户 – 通过购买后注册福利鼓励重复登录和忠诚度："跟踪订单并解锁 VIP 特权。" +3. **通过外部电子邮件活动识别用户** + +创建 _自定义代码_ 活动，通过 CUID（例如哈希电子邮件、自定义 CUID）识别从外部电子邮件活动到达的用户。当用户点击 ESP 发送的电子邮件中的链接时，参数会捕获他们的 CUID，从而实现识别。查看[如何设置](https://support.dynamicyield.com/hc/en-us/articles/360034332473-Matching-Users-Across-Channels#identifying-users-from-external-email-campaigns-0-3)，立即开始使用我们的即用型模板增加您的已识别用户！🚀 + +#### 接下来阅读 + +- [打破银行的个性化障碍](https://www.dynamicyield.com/article/banking-personalization-issuers-breaking-barrier/) +Parks Daniel + +- [个性化如何推动拉丁美洲数字繁荣的成功](https://www.dynamicyield.com/article/personalization-growth-latin-america/) +Karin LaHalle + +- [AI 和个性化可以弥合同情差距](https://www.dynamicyield.com/article/ai-personalization-empathy/) +Yaniv Navot + +--- + +# 在 A/B 测试中选择合适的流量分配 + +**总结本文** **您需要了解的内容：** + +- 选择合适的流量分配方法对于 A/B 测试的成功至关重要。 +- 手动分配提供精确控制，非常适合需要统计显著性才能实施的长期测试。 +- 自动分配优先考虑数据利用和转化优化，适合短期测试。 +- A/B 测试应根据具体测试目标和时间线策略性地使用这两种方法。 + +对于营销人员来说，[A/B 测试](https://www.dynamicyield.com/blog/introduction-to-ab-testing/)是一个重要工具，使企业能够就客户体验做出有影响、数据驱动的决策。每当您设置具有多个变体的 A/B/n 测试时，确定如何在变体之间分配流量非常重要。每种流量分配选项的行为如下： + +## 手动流量分配（经典的 A/B 测试方法） + +简而言之，使用手动分配时，流量在变体之间平均分配，直到宣布单一获胜者。实际上是一种标准的 A/B/n 测试，假设一旦结果显著，测试管理员将仅将最佳变体分配给所有访问者。例如，如果您启动一个包含四个变体的测试，您可以决定所有变体都应获得同等曝光，每个变体占流量的 25%。或者，您可以偏袒某些变体，选择任何其他总和为 100% 的分配率组合，例如 50/20/20/10。手动分配测试本质上是变体之间（以及相关时的对照组）的测试，最终一个变体将以高置信度水平被宣布为获胜者。 + +## 自动分配（多臂老虎机） + +使用自动分配（也称为动态分配或多臂老虎机方法），随着收集更多数据，表现最佳的变体会逐渐被提供给更大比例的访问者。随着时间的推移，系统会基于可用数据动态地将流量路由到表现最佳的变体。这意味着，即使变体 A 今天是最佳表现者，一个月后，不同的变体也可能超越它。 + +下图说明了在需要第八天做出决策的持续实验中，手动与自动流量分配行为之间的差异： + +## 如何为您的 A/B 测试选择合适的流量分配？ + +每种流量分配方法都针对不同的用例进行了优化。问问自己，以下哪种说法更适合当前手头的用例： + +**1)** 我正在寻找最佳变体，以便长期向所有用户展示。在这种情况下，选择手动分配。 + +用例示例：布局和 UX 更改。 + +**2)** 我希望在测试运行的有限时间内充分利用多个变体。在这种情况下，选择自动分配。 + +用例示例：英雄横幅上的促销。 + +当需要对网站进行重大永久性更改且时间并非关键因素时，应使用手动分配以获得[统计显著性结果](https://www.dynamicyield.com/glossary/statistical-significance/)。手动分配测试可以运行所需时间，收集数据以产生高度[结论性的统计显著结果](https://www.dynamicyield.com/glossary/conclusive-results/)。 + +此类测试的缺点是，在等待显著结果时——这可能需要时间——无法利用已收集的数据。访问者仍会被暴露于表现不佳的变体组合中。在促销变体频繁更新的情况下，甚至可能没有足够时间[达到显著结果](https://www.dynamicyield.com/blog/statistical-significance/)，因此任何优化机会都会丧失。 + +如果您管理的活动变体保质期较短，或它们频繁更改和更新，那么多臂老虎机是最佳选择。自动分配对现成数据的利用率高得多，在驱动流量分配决策时更具侵略性。自动分配知道权衡新变体、表现不同的变体、不同时期等。 + +## 及时性并非在所有事项上都最好 + +A/B 测试和优化应该通过时间的角度来看待——您要么有时间，要么没有。进一步解释，当寻求测试长期更改的影响时，例如新页面布局，或就本文而言，电子邮件捕获消息，人们不希望在没有数据支持的情况下过早做出重大或战略决策。这样做可能对 KPI 和整体客户体验产生重大负面影响。 + +鉴于此，测试需要积累足够的关于变体的数据，以便团队能够自信地宣布获胜者，这个过程最少可能需要两周时间。在这种情况下，如果企业有等待统计显著性结果的宽裕时间，A/B 测试是理想选择。 + +A/B 测试设置用于找出哪种消息更适合长期部署 + +但如果变体的寿命很短，没有时间等待获胜者怎么办？例如在销售活动期间每周更改的英雄横幅场景中，主要目标是通过让用户参与表现更好的变体来提高特定 KPI。 + +因此，将流量发送到失败的变体实际上会降低点击率、转化率或用于衡量测试成功的任何其他主要指标。这正是自动分配非常适合短期决策的原因，因为产生最高结果的变体会更频繁地展示，使团队能够以更快的速度优化转化率。 + +使用动态分配运行短期测试，以增加对领先变体的曝光 + +我们可以将动态分配视为探索与利用，它解决了在学习上"浪费"多少以及利用已学知识的机会。因为动态分配中总有 10% 的流量被随机变体服务，90% 流向获胜者，探索与利用的 10/90 比率允许在算法继续学习"失败"变体的同时，将流量导向领先变体，使它们有机会反弹。 + +## 平衡数据与转化 + +最终，可用的两种流量分配方法为企业提供了灵活性，既能获得做出合理长期决策所需的智能，又能获得即时优化的能力。这不是二选一的问题，手动和动态分配都应被用于测试，希望本文能帮助阐明具体何时使用。 + +##### 继续阅读 + +--- + +# 电子商务导航优化最佳实践和示例 + +您走进附近的杂货店，寻找今晚计划尝试的新食谱所需的一些食材：大米、鸡肉、土豆——您的主食。但您也在寻找藏红花，这是您家中不太熟悉的食材。但知道它是一种香料，您能够快速导航到对应的过道，按字母顺序在货架上找到它，并顺利完成结账。 + +在线购物时，品牌应致力于提供最直接的发现体验。在许多方面，电子商务体验模仿实体店。用户可以浏览可用库存，通常可以轻松访问以前购买过的商品，并在最终决定前比较类似产品。然而，数字商店面临着艰巨的任务。无法完全复制消费者在店内经常花时间与数十种产品互动的购物体验，在线购物往往非常具有交易性。为了补救这一现实，品牌必须[个性化](https://www.dynamicyield.com/article/personalization-guide/)购物体验以维持用户参与度。从图像、按钮颜色、主页横幅到电子邮件主题行和购物车页面设计，每个决策都会极大地影响购物者在网站上停留的时间以及他们是否会完成购买。 + +重要的不仅是您提供什么以及如何在网站上展示产品；您如何组织网站可以决定企业的成败。精心设计的网站不仅能简化整体购物体验，而且如果做得好，还会提高您的主要指标。下面，了解更多关于导航优化的信息，所有电子商务网站都应考虑和测试的元素，以及设计了卓越导航体验的品牌示例。 + +导航优化是指改进访问者和搜索引擎在给定网站内查找和访问信息的过程。这包括网站的分类法、页面结构方式以及桌面和移动设备上菜单的标签方式。所有这些组件的设计都会对整体最终用户体验产生巨大影响，提高或降低搜索排名、[跳出率](https://www.dynamicyield.com/glossary/bounce-rate/)、[页面浏览量](https://www.dynamicyield.com/glossary/pageview/)、网站停留时间、回访者、[转化率](https://www.dynamicyield.com/glossary/conversion/)等指标。因此，为了给您提供优势，让我们更仔细地了解营销人员应关注的细节。 + +## 分解网站导航的各个组件和示例 + +### 主导航 + +您如何展示页头是电子商务导航战略的支柱。最常见的两种格式是水平或垂直固定的菜单，展示少数关键产品类别。网页设计师长期以来一直争论哪种展示方式最优化，但事实是，它因网站而异。在一个上下文中效果良好的方式在另一个上下文中并不总是同样有效。按渠道查看设计时也是如此——移动和网页导航体验通常有所不同。让我们评估可能影响您采取哪种方法的变量： + +1. **页面空间：** 在桌面设备上，水平导航菜单比垂直导航菜单节省更多页面空间，缩小主页和跨网站页面上的内容区域。然而，在移动设备上，空间有限，垂直导航通过汉堡菜单可以快速隐藏和显示菜单项。 +2. **菜单项优先级：** 通常，最左边和最顶部的菜单项权重最大，因为这些位置被视为主视觉区域。此外，由于大多数用户从左到右阅读，这为桌面网站上的水平导航体验提供了更强的理由，因为桌面网站有更多可用空间（移动体验则不然，因为大多数设备针对垂直格式页面进行了优化）。 +3. **扫描：** 许多用户发现快速垂直扫描页面的体验更自然，这为垂直导航菜单提供了支持。 + +### 分类 + +导航结构和标签应在所有页面上清晰简洁，其中一部分包括决定如何展示产品类别。如果您的产品库存庞大，按类别类型整合的导航菜单栏是必不可少的。[34%](https://baymard.com/blog/mobile-ecommerce-search-and-navigation)的移动电子商务网站不提供"主题性"产品浏览，使用户难以找到他们想要的东西。因此，品牌应旨在展示少数顶级类别，而不是让购物者不知所措。 + +当然，这条建议也有例外。例如，如果您只销售帽子，最好按帽子类型对菜单栏进行分类，而不是仅列出一个选项。如果您知道用户在某个季节内倾向于主要在特定产品类别内购物（例如冬季的靴子），请重新构建您的菜单，将该部分优先于其他类别。 + +展示父类别的方式并非全部。确定如何在导航菜单中展示子类别也是导航体验的重要组成部分。品牌通常采用两种主要方式进行这种设计： + +1. **分级菜单：** 列出父类别，仅在悬停或点击时显示子类别 +2. **巨型菜单：** 在初始菜单下拉时列出所有父类别和子类别 + +_eCommerce 导航菜单示例：仅在点击时显示子类别的分层方法_ + +_巨型菜单的菜单设计灵感_ + +分级导航允许用户在给定时刻做出一个简单的选择，通过限制可供选择的类别和选项列表。巨型菜单释放出 overwhelming 的可能性之海，这可能导致用户经历选择瘫痪。虽然这里似乎有一个显而易见的选择，但我们鼓励每个组织测试两种体验及其迭代，运行实验以确定哪种变体最适合普通访问者以及不同受众。这样做将为您最终做出的决定注入信心。 + +您展示菜单项的顺序也是优化网站导航的一种方式。虽然您可能有向普通访问者或新用户展示的默认顺序，但使用偏好数据，您可以根据用户的偏好个性化定制菜单项的顺序，从而在更个人的层面上定制体验。它不仅能加快发现过程，还能更有效地推动转化。 + +_基于每个访问者偏好重新排序的导航菜单示例_ + +### 需要考虑的其他元素 + +除了确定主导航布局外，电子商务团队还有许多其他决策要做。这些包括： + +##### 粘性导航 + +这些固定菜单帮助用户导航网站页面。为了简化和促进积极的在线购物体验，导航菜单、产品筛选器和排序菜单应始终对用户可见，并在他们浏览和滚动网页时出现。 + +_粘性电子商务菜单示例_ + +##### 设计风格 + +菜单选项的设计也可以在导航体验中发挥重要作用。从按钮颜色、主导航菜单的外观到使用的字体和排序菜单的大小，设计决策会影响用户导航网站的难易程度。测试不同的外观、颜色、大小和样式将告知哪些变体最适合您的品牌。 + +##### 菜单渲染 + +目前存在两种主要的菜单样式：悬停下拉和点击下拉。悬停菜单在用户鼠标悬停在导航菜单上时展开，后者仅在点击时下拉。与设计决策类似，测试两个选项以确定在您的网站上采用哪个。此外，对于分级和巨型菜单，品牌都可以在完全展开后展示个性化产品推荐，进一步最大化网站空间。 + +_在电子商务导航菜单中展示特色产品推荐的示例_ + +##### 页脚 + +您网站的页脚也提供了机会，可作为将用户导航到他们感兴趣的页面、鼓励电子邮件注册、通过隐私相关信息建立可信度等的媒介。考虑在网站的固定页脚中显示指向热门分类页面的链接，以便用户在到达页面底部时可以轻松访问其他网站区域。 + +_详细的页脚体验示例_ + +除了促进产品发现体验外，构建更全面的页脚还可以对网站的 SEO 产生积极影响。在页脚中包含适当数量的超链接，即使您没有选择更强大的页脚体验，也会对搜索排名产生积极影响。列出的每个链接都会被分析以用于 SEO 排名，因此虽然您不应在页脚中塞入太多关键字，但我们建议您添加能为品牌增加价值或鼓励用户行动的短语。 + +## 各种搜索功能类型 + +除了主导航菜单设计和粘性外，电子商务供应商还可以使用几种额外策略来优化网站导航。在搜索功能方面，组织有两种主要选择：分面搜索和语义搜索。 + +### 分面搜索 + +[分面搜索](https://www.dynamicyield.com/glossary/faceted-search/)或引导式导航，帮助用户基于尺寸、颜色、价格和品牌等筛选器分析、组织和过滤大量产品库存。分面搜索选项是搜索查询的结果；因此，显示的选项仅与查询相关的筛选选项有关。 + +_电子商务网站上的分面搜索示例_ + +另一方面，[搜索筛选器](https://www.dynamicyield.com/glossary/search-filter/)允许用户基于特定类别（例如尺寸、颜色、价格或品牌）筛选产品属性。筛选器与分面搜索不同，因为它们旨在帮助浏览者缩小查询范围，而无需手动输入搜索。通常显示在分类或产品列表页面的左侧，此功能对于浏览具有大量库存的网站的用户特别有用。 + +_电子商务网站上的搜索筛选器示例_ + +### 语义搜索 + +语义搜索使用地理位置、用户（和全球）搜索历史以及拼写变体来改进搜索查询。这包括在用户将项目输入搜索菜单时编程智能自动完成选项。通过在个体和受众层面理解区域和行为趋势，品牌可以优先显示用户开始输入搜索查询时出现的建议查询。 + +_在隐身模式下输入时的搜索结果_ + +_登录时输入的搜索结果_ + +此外，品牌可能希望围绕搜索功能进行额外实验。假设您注意到用户在浏览几个类别或 PDP 后放弃您的网站。在这种情况下，您可能希望鼓励他们进行站内搜索，作为额外努力来展示他们感兴趣的产品。对于拥有大量产品目录的公司尤其有用，请考虑测试搜索菜单设计的不同变体，使其在页面上更突出并吸引用户注意力。 + +_鼓励目标导向型购物者找到所需内容的搜索框的两种变体_ + +## 在分类页面之间导航 + +设计[产品列表页面 (PLP)](https://www.dynamicyield.com/glossary/product-listing-pages-plps/)和[产品详情页面 (PDP)](https://www.dynamicyield.com/glossary/product-detail-page/)的最佳实践是优化电子商务页面之间的导航。一旦用户到达 PDP，他们可能希望在他们未找到所需内容时轻松返回初始搜索结果页面。通过在页面顶部集成面包屑导航，确保用户在页面来回导航时不会失去在网站上的位置，帮助简化网站导航。 + +面包屑是线性导航显示，通常出现在网页顶部，显示用户到达当前页面的路径（即，女性 > 鞋子 > 靴子 > 踝靴 > 粗跟鞋）。面包屑路径中的每个项目都应该是可点击的，并将用户带回到该特定页面。 + +_网站导航示例：Target 网站上看到的面包屑_ + +## 针对移动导航设计的额外技巧 + +您的移动网站和应用体验必须与桌面体验一样无缝至关重要。随着越来越多购物者在移动设备上购物，请确保所有导航优化在您的移动库存中正确呈现，并融入移动优先优化。 + +一些需要考虑简单的事情是菜单设计、菜单应该是固定的还是隐藏的、垂直的还是水平的、菜单应该在右侧还是左侧渲染等。另一个考虑是评估您的品牌是否应该使用汉堡菜单来快速展示和隐藏菜单，最大化移动网站或应用的空间。 + +_Nike 应用上的垂直菜单（左）和亚马逊的左侧汉堡菜单（中：点击前；右：点击后)_ + +当您尝试最大化网站空间时，团队可以依赖一些专门针对移动设计的额外策略。如果面包屑不适合移动屏幕，请考虑使用分类横幅，在浏览 PDP 时将用户驱动回主分类页面。这将鼓励他们继续发现产品，而不是在查看的产品不符合其兴趣时放弃移动网站或应用。 + +_移动 PDP 页面上的分类横幅示例，用于将用户导航回主分类_ + +在设计如何正确利用移动网站上的少量空间时，请考虑最佳实践。始终确保用户可以轻松访问他们的购物车，并避免在他们翻页时出现会分散注意力的侵入式弹出窗口。利用更视觉化的方式在不同产品分类页面之间导航（即，使用主页卡片将用户引导至热门产品分类）。 + +一些小调整，例如合并图标而非文本、测试不同的 CTA 按钮消息和颜色、鼓励应用下载以获得更丰富的购物体验，以及支持移动支付选项（即 Apple Pay），只是确保您的电子商务导航体验与网站体验一样出色的额外方式的其中几个。 + +## 我们客户群中品牌的真实电子商务导航实验 + +一个领先的体育和户外品牌希望个性化其电子商务导航体验，特别关注突出相关菜单项。寻求最大化回报时，他们在推广全价产品和促销商品之间面临权衡。他们知道使用网站菜单导航到新品的用户更有可能购买全价商品，但与导航到促销页面的用户相比，整体转化率也较低。为了找到一个能够解释这两种行为的解决方案，他们使用基于偏好的定位，在对全价商品有偏好的客户的菜单中突出显示"新品"，并为注重预算的购物者突出显示"促销"菜单项。 + +我们客户群中另一个依赖导航优化最佳实践的客户是领先的美容品牌。不确定如何有效组织其主要导航体验，他们特别纠结于应该展示品牌名称还是产品类别。为了做出自信的决策，该品牌开始测试两个选项，并发现了一些重要的经验教训。首先是新用户更喜欢使用熟悉的类别进行导航：嘴唇、眼睛、粉底等。其次是回访用户更喜欢通过导航到熟悉的品牌名称产品列表页面来探索网站。因此，该美容零售商根据到达网站的每种用户类型定制了导航体验。 + +## 开始测试您的网站导航成功之路 + +构建网站导航体验没有通用蓝图。特别是在电子商务行业，品牌面对来自不同受众、品味和偏好的用户，测试不同的导航设计元素至关重要。始终进行实验，不要对测试哪些元素有所保留。尝试不同的菜单布局和设计、测试在分级或固定菜单中展示哪些产品类别、根据用户的浏览历史个性化筛选菜单中项目的顺序、尝试不同的消息变体，当然，始终 QA 您的网站体验，确保它们按您预期的方式工作。 + +--- + +# CRO 专家的 A/B 测试指南及示例 + +**总结本文** **您需要了解的内容：** + +- A/B 测试是一种科学方法，用于比较网页或应用的两个版本，以查看哪个在特定目标（如提高转化率或用户参与度）方面表现更好。 +- 它是优化网站、移动应用、电子邮件等的强大工具，可以帮助解决 UX 问题、提高性能和提升参与度。 +- 要运行 A/B 测试，您首先需要定义想要解决的问题或用户行为。然后，创建原始元素的变体并将网站流量分配给它们。最后，收集和分析数据以查看哪个变体表现最佳。 +- 常见的 A/B 测试包括测试不同的导航菜单、优化着陆页和试验促销消息。 + +A/B 测试是将网页或应用的两个版本相互比较，以确定哪个在特定目标方面表现更好的方法。它是最广泛使用的技术之一，用于最大化网站、移动应用、SaaS 产品、电子邮件等数字资产的性能。 + +受控实验为营销人员、产品经理和工程师提供了快速且大规模迭代的敏捷性，从而对他们的创意想法做出数据驱动、充分知情的决策。通过 A/B 测试，您可以不再疑惑为什么有些事情不起作用，因为证据就在结果中。这是提高转化率、增加收入、扩大订阅用户群以及改善[客户获取](https://www.dynamicyield.com/glossary/customer-acquisition/)和潜在客户开发结果的完美方法。 + +一些最具创新性的公司，如 Google、Amazon、Netflix 和 Facebook，开发了精益业务方法，使他们每年能够运行数千个实验。 + +正如 Jeff Bezos 曾经说过：_"我们在 Amazon 的成功取决于我们每年、每月、每周、每天进行多少实验。"_ + +[Netflix](https://netflixtechblog.com/its-all-a-bout-testing-the-netflix-experimentation-platform-4e1ca458c15)在 2016 年 4 月的技术博客中写道：_"通过采用实证方法，我们确保产品更改不是由最有主见和最直言不讳的 Netflix 员工推动的，而是由实际数据推动的，让我们的会员自己引导我们走向他们喜爱的体验。"_ + +Mark Zuckerberg [曾解释](https://www.youtube.com/watch?v=Lb4IcGF5iTQ&feature=youtu.be&t=10m9s)说，他最自豪的对其成功真正关键的事情之一是他们的测试框架：_"在任何给定时间点，运行的不只是一个版本的 Facebook。可能有 10,000 个。"_ + +## 什么是 A/B 测试？ + +在经典的 A/B 测试程序中，我们决定要测试什么以及我们的目标是什么。然后，我们创建原始网页元素的一个或多个变体（也称为[对照组](https://www.dynamicyield.com/glossary/control-group/)或基线）。接下来，我们将网站流量随机分配给两个变体（即，我们根据某种概率随机分配访问者），最后，我们收集有关网页表现的数据（指标）。一段时间后，我们查看数据，选择表现最佳的变体，并取消表现不佳的变体。 + +如果操作不当，测试可能无法产生有意义、有价值的结果，甚至会产生误导。一般而言，运行受控实验可以帮助组织： + +1. 解决 UX 问题和常见的访客痛点 +2. 从现有流量中提升表现（更高的转化率和收入，改善客户获取成本） +3. 提高整体参与度（降低[跳出率](https://www.dynamicyield.com/glossary/bounce-rate/)，提高[点击率](https://www.dynamicyield.com/glossary/ctr/)等。) + +我们必须记住，当我们选择一个变体时，我们将到那时为止收集到的测量结果推广到整个潜在访问者群体。这是一个重大的跨越，必须以有效的方式进行。否则，我们最终必然会做出损害网页的长期决策。获得有效性的过程称为_[假设检验](https://www.dynamicyield.com/glossary/hypothesis-testing/)_，我们寻求的有效性称为_[统计显著性](https://www.dynamicyield.com/blog/statistical-significance/)_。 + +**一些 A/B 测试示例：** + +- 测试网站导航菜单的不同排序顺序（[就像这个德国大型电子产品零售商的示例](https://www.dynamicyield.com/use-case/personalized-navigation-menu/)） +- 测试和优化着陆页（[就像这家欧洲领先的航空旅客保护公司的示例](https://www.dynamicyield.com/use-case/data-driven-landing-page-optimization/)） +- 测试促销消息，如新闻通讯订阅弹出窗口和横幅（[就像这家国际天然沐浴产品精品零售商的示例](https://www.dynamicyield.com/use-case/tailored-newsletter-signup-offer/)） + +## A/B 测试的诞生：构建假设 + +A/B 测试始于识别您希望解决的问题或您想鼓励或影响的用户行为。一旦确定，营销人员通常会得出结论——一个有根据的猜测，将验证或使实验结果无效。 + +**示例假设**：在[产品详情页面 (PDP)](https://www.dynamicyield.com/glossary/product-detail-page/)上添加[社会认同](https://www.dynamicyield.com/glossary/social-proof/)徽章，将告知访客产品的受欢迎程度，并将加入购物车事件提高 10%。 + +在这种情况下，一旦确定问题（例如，加入购物车率低）并制定出假设（添加社会认同徽章以鼓励更多网站访问者将商品加入购物车），您就可以在网站上进行测试了。 + +## A/B 测试的经典方法 + +在简单的 A/B 测试中，流量在内容的两个变体之间分配。一个被视为对照组，包含原始内容和设计。另一个作为对照变体的新版本。变体可能在许多方面不同。例如，我们可以测试具有不同标题文本、行动召唤按钮、新布局或设计等的变体。 + +在经典的页面级实验中，您不一定需要两个不同的 URL 来运行适当的测试。大多数 A/B 测试解决方案会让您通过动态修改页面的内容、布局或设计来创建变体。 + +但是，如果您有两组（或更多组）页面想要包含在受控测试中，您可能需要考虑使用拆分 URL 测试。 + +## 何时使用拆分 URL 测试 + +拆分 URL 测试有时被称为"多页面"或"多 URL"测试，是与标准 A/B 测试类似的方法，允许您基于每个变体的独立 URL 进行实验。 + +使用此方法，您可以在两个现有 URL 之间进行测试，这在提供动态内容时特别有用。当您已有两个现有页面并想测试哪个表现更好时，运行拆分 URL 测试。 + +例如，如果您正在运行一个活动，并且有两个不同版本的潜在着陆页，您可以运行拆分 URL 测试来检查哪个在该特定活动中表现更好。 + +## A/B 测试不仅限于两个变体 + +如果您想测试不止两个变体，您可以运行[A/B/n 测试](https://www.dynamicyield.com/glossary/abn-testing/)。A/B/n 测试允许您衡量三个或更多变体的表现，而不是仅测试一个变体与对照页面。高流量网站可以使用这种测试方法来评估更广泛更改集的表现，并通过更快的结果最大化测试时间。 + +但是，尽管它对任何测试都有用，从小幅到大幅更改，我建议在对照和变体之间不要进行太多更改。尝试仅进行少数关键且突出的更改，以理解实验结果的可能原因。如果您想测试网页上多个元素的更改，请考虑运行[多变量测试](https://www.dynamicyield.com/glossary/multivariate-testing/)。 + +## 什么是多变量测试？ + +多变量测试有时被称为"多变量"测试，允许您测试单个页面上多个部分的更改。例如，在其中一个着陆页上运行多变量测试，并用两个新元素更改它。在第一个版本中，添加联系表单代替主图像。在第二个版本中，添加视频项目。系统现在将基于您的更改生成另一种可能的组合，其中同时包含视频和联系表单： + +测试版本总数：2 x 2 = 4 + +**V1** – 对照变体（无联系表单和无视频项目） + +**V2** – 联系表单版本 + +**V3** – 视频项目版本 + +**V4** – 联系表单 + 视频项目版本 + +由于多变量测试会生成您更改的所有可能组合，因此不建议创建大量变体，除非您在流量高的网站上运行测试。另一方面，在低流量网站上运行多变量测试将提供较差的结果和不足以得出任何显著结论的数据。在选择运行多变量测试之前，请确保您的网站每月至少有数千名访问者。 + +电子商务产品列表页面上多变量测试的示例 + +## 何时使用每种测试类型 + +A/B 测试将帮助您回答诸如：我的页面的两个版本中哪个在访客响应方面表现更好？ + +多变量测试将回答诸如以下问题： + +- 访客是否对联系表单旁边的视频项目反应更好？ +- 还是仅对带有联系表单但无视频项目的网页反应更好？ +- 还是对带有视频项目但无联系表单的网页反应更好？ + +## 如何衡量 A/B 测试平台的有效性 + +确定[A/B 测试平台](https://www.dynamicyield.com/ab-testing/)有效性的一种方法是执行 A/A 测试。这意味着您创建两个或更多相同的变体并运行 A/B 测试，以查看平台如何处理变体。成功的结果应显示两个变体产生非常相似的结果。您可以[在此](https://www.dynamicyield.com/glossary/aa-testing/)进一步了解 A/A 测试。 + +## 通往 A/B 测试成功的道路 + +_"我没有失败测试，我只是找到了 100 种错误的方法。"_ / Benjamin Franklin + +运行 A/B 测试时，使用有效的方法对于我们能够在测试结束后长期依赖测试结果以产生更好表现至关重要。换句话说，我们试图理解被测试的更改是否直接影响访客行为，还是由于随机机会而发生。A/B 测试提供了一个框架，使我们能够衡量变体之间访客响应的差异，如果检测到差异，则建立统计显著性，并在一定程度上建立因果关系。 + +## 问题与回答 + +设计 A/B 测试以确保可靠结果时的关键考虑因素是什么？ + +设计 A/B 测试时，定义清晰的目标并选择与这些目标一致的合适指标至关重要。随机化对于避免偏见至关重要，计算适当的样本量确保统计显著性。测试应运行足够长的时间以捕捉用户行为随时间的变化。此外，控制外部因素（如营销活动或季节性趋势）有助于获得可靠结果。通过解决这些考虑因素，企业可以确保他们的 A/B 测试提供有意义且可操作的见解。 + +企业如何有效解读 A/B 测试结果以做出数据驱动的决策？ + +解读 A/B 测试结果涉及统计分析以确定显著性，并计算置信区间以了解真实效应大小的范围。考虑更广泛的上下文（包括用户行为模式和外部影响）很重要。细分分析可以揭示不同用户群体中的表现差异。获得的见解应转化为可操作的策略，并应使用迭代测试持续完善假设并优化结果。这种方法确保企业做出明智的、数据驱动的决策。 + +有哪些 A/B 测试的高级技术可以提高准确性和洞察深度？ + +A/B 测试的高级技术包括多臂老虎机测试，它动态地将流量分配给表现更好的变体；以及序贯测试，它允许持续监控和提前停止测试。贝叶斯方法通过随着数据收集更新结果概率，为决策提供灵活的方法。个性化为不同用户细分定制变体，集成机器学习算法可以预测结果并优化测试设计。这些技术提高了准确性和洞察深度，带来更有效的优化策略。 + +如何将 A/B 测试整合到更广泛的数字营销策略中？ + +将 A/B 测试整合到数字营销策略中涉及将测试计划与业务目标对齐，并促进营销、产品和分析团队之间的跨职能协作。A/B 测试的数据应与其他营销分析整合，以提供全面的表现视图。A/B 测试应被用作持续改进的工具，定期测试和优化数字体验的各个方面。开发可扩展的测试框架可以高效执行和分析多个测试，确保见解可操作且有影响力。 + +进行 A/B 测试时应考虑哪些道德问题？ + +A/B 测试中的道德考虑包括确保用户同意（尤其涉及个人数据时），并遵守 GDPR 或 CCPA 等法规保护用户数据。关于测试目的以及如何使用数据的透明度至关重要。测试设计应避免对用户造成伤害或负面体验，并应维护公平性，确保没有特定用户群体处于不利地位。通过解决这些道德考虑，企业可以负责任地进行 A/B 测试并维护用户信任。 + +假设制定在 A/B 测试的成功中扮演什么角色？ + +假设制定是 A/B 测试过程中的关键步骤，因为它为测试提供了清晰的方向和目的。一个定义良好的假设概述了预期结果以及被测试更改背后的理由。这有助于设定可衡量的目标，并确保测试专注于解决特定问题或机会。强有力的假设还有助于解读结果并根据发现做出明智决策。 + +A/B 测试有哪些局限性，如何克服？ + +虽然 A/B 测试是一个强大的工具，但它有局限性，例如如果样本量太小或测试持续时间太短，可能导致不确定的结果。此外，A/B 测试可能无法考虑长期用户行为变化或影响结果的外部因素。为了克服这些局限性，确保足够的样本量和测试持续时间、用其他研究方法补充 A/B 测试，并持续监控和迭代发现以适应不断变化的条件非常重要。 + +企业如何确保其 A/B 测试实践可扩展且可持续？ + +为了确保 A/B 测试实践的可扩展性和可持续性，企业应投资能够自动化流程并提供全面分析的稳健测试平台。开发具有明确指南和最佳实践的结构化测试框架有助于保持一致性和效率。培训团队了解 A/B 测试的重要性并培养实验文化鼓励持续改进。根据学习成果和技术进步定期审查和更新测试策略，确保实践保持相关性和有效性。 + +##### 继续阅读 + +--- + +# 免费贝叶斯 A/B 测试计算器 — Dynamic Yield + +不久前，[我们探索了](https://www.dynamicyield.com/blog/bayesian-testing/)一种限制性更小、更可靠的[A/B 测试](https://www.dynamicyield.com/lesson/introduction-to-ab-testing/)方法，采用了一种较新的贝叶斯测试方法。 + +凭借其简单性、可靠性和直观性，贝叶斯框架是一种更优越的 A/B 测试方法，将为营销人员提供更快、更稳健的统计引擎。 + +因此，我们一直不懈努力，使营销人员和[转化率](https://marketing.dynamicyield.com/benchmarks/conversion-rate/)优化者能够更轻松地使用这种新方法。对我们而言，这意味着将复杂的数学从等式中剔除。 + +因此，今天，我们很高兴地宣布正式发布两个免费且实用的工具… + +## 贝叶斯 A/B 测试计算器 + +**我们的[贝叶斯驱动的 A/B 测试计算器](https://marketing.dynamicyield.com/bayesian-calculator/)**将帮助您确定您的测试结果是否具有统计显著性。 + +对于您测试的每个变体，您只需输入总样本量和转化次数。然后，基于统计显著性，统计引擎将宣布获胜变体。 + +以下是我们运行的术语和指标的快速分解： + +- **样本量** – 取决于您的 KPI 的用户数、会话数或展示次数。 +- **转化** – 点击次数、甚至购买次数或目标完成次数（例如购买或视频观看）。 +- **转化率** – 完成的操作数（即转化）除以样本量。 +- **成为最佳的概率** – 每个变体长期超越所有其他在线变体的概率（基于自测试中包含的任何变体创建或更改以来收集的数据）。 +- **预期损失** – 如果您将错误的变体宣布为获胜者，而不是实际最佳的变体，您预期在长期内损失的百分比。 +- **差异的后验模拟** – 根据迄今为止收集的样本量的转化率分布。 + +为了更好地理解您的结果，请考虑上面的获胜变体。总体而言，变体 A 在转化、转化率、成为最佳的概率以及预期损失方面占据主导地位。请记住，PTBB 越高，EL 越低越好。这表明对长期表现的信心，以及如果宣布为获胜者的变体最终被证明是错误的（看起来不会如此），预期损失更低。 + +了解[A/B 测试中统计显著性的重要性](https://www.dynamicyield.com/blog/statistical-significance/)。 + +## 贝叶斯 A/B 测试持续时间和样本量计算器 + +不确定需要运行实验多长时间才能获得统计显著性结果？ + +别担心。作为首创，我们的免费在线**[贝叶斯驱动的 A/B 测试持续时间](https://marketing.dynamicyield.com/ab-test-duration-calculator/)和样本量计算器**将帮助您避免误报并提高 A/B 测试的有效性。对您可以针对对照测试的变体数量没有硬性限制，我们提供了一些关于如何开展测试的建议。 + +计算输出提供了运行测试以获得统计显著性结果所需的时间范围估计，以及支持该结果所需的最小样本量。虽然我们知道还涉及许多其他变量，但这些计算估计可用于提前规划实验，也可用于分析正在进行的测试。 + +以下是我们运行的术语和指标的快速分解： + +- **基线转化率** – 您正在测试的体验的当前转化率（成功操作数除以访问者、会话或展示次数）。 +- **转化率的预期提升** – 您期望从基线率获得的 X% 转化率变化。在下面的示例中，如果基线转化率为 2.5%，5% 的预期提升将导致新的转化率为 2.625%。 +- **变体数量** – 单个测试中比较的变体数量。 +- **每日平均样本量** – 在一天内参与实验的访问者数量。 + +现在您已拥有开始所需的一切，我们知道您将以更高的置信区间部署贝叶斯 A/B 测试。并且具有更高程度的自信。 + +需要注意的是，虽然这些工具在衡量转化时支持二元目标（用户是否转化），但 Dynamic Yield 平台背后的真实统计引擎行为不同，并支持更高级的非二元计算，例如最大化完成次数或收入。要了解有关我们的统计引擎和自动优化方法的更多信息，[请请求产品演示](https://www.dynamicyield.com/request-demo/)。 + +--- + +# 如何提供更少的挫败感的在线购物体验 + +_此内容最初出现在我们的 XP² 通讯中。[_点击此处订阅_](https://www.dynamicyield.com/newsletter/)_，直接将此类体验优化见解发送到您的收件箱。_ + +假设您与朋友外出时，出现了去哪里吃饭的问题。在手机上搜索"附近"会为您呈现大量选择，您花费看似 forever 的时间来决定正确的一个，最终放弃并选择您去过无数次的地方。这就是选择的悖论：选择越多，我们感到越 overwhelmed。最终，这种 overwhelmed 导致"决策疲劳"，或选择更容易的次优选项。 + +但这个问题不仅限于餐厅选择。随着电子商务平台迅速扩张，小型品牌与已建立的全球零售商一起进入市场。现在消费者的选择比以往任何时候都多——而且这些品牌的在线网页体验基本相同——购物者正在努力准确找到他们想要的东西。这可能会对他们的业务 KPI 产生负面影响，尤其是当购物者跳转到竞争对手网站或[放弃购物车](https://www.dynamicyield.com/lesson/shopping-cart-abandonment-strategy/)时。 + +被放弃的购物车就是被放弃的收入，那么零售商可以做些什么来对抗决策疲劳？我与 Dynamic Yield by Mastercard 的产品经理 Lior Delouya 聊了聊如何通过[个性化](https://www.dynamicyield.com/article/personalization-guide/)简化决策过程。凭借他在领导客户成功团队方面 8 年多的经验，他对缓解选择 overload 有独特的见解。 + +**JR：有哪些因素会累积并导致决策疲劳？** + +Lior：即使是看似微小的任务也会对购物体验产生重大影响。您可能不认为以下是决策，但它们是： + +- 选择筛选选项以缩小产品搜索范围 +- 确定产品评论的价值 +- 评估促销优惠 +- 考虑是否等待商品打折 +- 考虑订购多个商品以降低运费 +- 在价格与质量之间找到平衡 +- 在结账时选择不同的支付方式 +- 选择合适的运输方式 +- 通过尺寸指南确保您的商品具有合适的尺寸 + +每个决策，无论多小，都可能共同消耗消费者的精力，导致心理疲劳和对购物过程的不满。这种疲劳可能促使客户在长时间休息（平均约一周）后再进行产品搜索，根据[纽约大学和加州大学洛杉矶分校安德森管理学院的联合论文](https://anderson-review.ucla.edu/search-fatigue-online-shoppers-grow-weary-take-a-break/)。这段休息时间不一定导致销售——76% 的购物者在时尚网站上首次点击后没有进行购买。 + +**为什么人们会在从一个网站搜索到另一个网站时放弃购买？** + +在多个网站上导航并比较价格、功能和评论所需的努力和时间可能会让购物者感到沮丧，尤其是如果该过程不能迅速带来令人满意的决策。一些人有一种挥之不去的感觉，觉得他们付得太多，这可能会造成他们 obsessive 地寻找更好交易的情况。问题在于，考虑到我们指尖上的丰富选择，这种比较过程可能会无休止地进行下去。 + +最终，这些购物者变得 overwhelmed 和瘫痪，放弃购物车，空手离开网站。 + +**通常，扩大品牌的产品目录符合其最佳利益。但品牌如何在不给客户带来压力的情况下实现这一目标？** + +品牌应在提供广泛选择和有效组织产品之间取得平衡。当然，最好的方法之一是通过个性化，它使零售商能够提供定制的[产品推荐](https://www.dynamicyield.com/lesson/product-recommendations-guide/)，从而简化购物体验。 + +个性化对话体验可以在这里发挥关键作用。它们在提供灵感和推荐方面表现出色，这对于没有特定产品想法的客户特别有用。它们还可以通过确保客户无需筛选不相关选项来找到所需内容，从而减轻庞大产品目录的负面影响。 + +通过这样做，对话式 AI 还减少了选择悖论的影响：购物者有有限数量的选项可供选择，这些选项基于先前的互动和他们自己的偏好进行策划。 + +**AI 如何帮助缩小没有先前数据的用户的决策范围？** + +AI 可以首先基于上下文数据（例如地理位置或[当地天气状况](https://www.dynamicyield.com/lesson/weather-based-targeting/)）、基本人口统计信息，甚至与类似用户档案的比较来提供初步推荐。然后，它可以在与用户互动时进行调整。 + +**一些人认为 AI 正在让我们进一步远离人类体验——但情况可能恰恰相反。人类与 AI 之间的互动在未来将如何演变？** + +随着[深度学习](https://www.dynamicyield.com/lesson/deep-learning-recommendations/)的进步——特别是[大型语言模型 (LLM)](https://www.dynamicyield.com/article/generative-ai-personalization-marketing-transformation/)获得动力，在线购物体验将开始类似于实体店。想象一下，一位个人造型师不仅精通最新趋势和款式，而且深刻理解您独特的风格偏好和需求，为您精心挑选商品。在 AI 的力量下，每位客户都将获得一位专家指导，引领他们完成购买旅程。它可能意味着我们决策繁重的购物烦恼的终结——以及在线购物的 impersonal、交易性质。在许多方面，[AI 购物助手](https://www.dynamicyield.com/shopping-muse/)一旦消费者尝试，将比无休止地浏览[产品列表页面 (PLP)](https://www.dynamicyield.com/glossary/product-listing-pages-plps/)的旧模式更直观。我们都习惯了用"Google 语言"搜索物品——简短的两个字搜索查询——因为旧的技术限制。我们是在这种环境中长大的。现在一切都颠倒了。我们将不得不重新学习如何以更人性化的方式与技术交流。 + +但[AI 也由人类驱动](https://www.dynamicyield.com/article/ai-personalization-human-advantage/)。品牌培养内部人才以有效运营和完善这些技术至关重要。投资于能够管理、分析并推动这些系统创新的熟练专业人员，将让品牌在未来几年保持领先于竞争一步。 + +**对于有兴趣使用 AI 驱动购物助手但对购物者是否会接受它们犹豫不决的公司，您有什么建议？** + +与任何新技术一样，都存在采用曲线。聊天体验的明确入口点、强调其用途的定向营销活动以及清晰直接的教程可以帮助教育购物者。无缝集成到在线购物环境中对于确保流畅的用户体验至关重要。通过展示 AI 助手如何超越传统搜索工具的限制，并提供折扣或个性化交易等激励措施，公司可以激励用户采用这些创新的搜索方法，从而带来更高效和令人满意的购物体验。 + +## 通过以人为本的购物体验克服选择 overload + +决策疲劳现在是现代生活的事实——它在电子商务行业尤其普遍。随着客户遇到越来越多的无穷小的购物困境，他们更容易放弃购物车并将业务带到别处。但采用高度 capable、有同理心的 AI 购物助手可能意味着消费者购物烦恼的终结——如果零售商愿意冒险尝试。 + +--- + +# Gartner 个性化魔力象限 —— Dynamic Yield 的定义 + +Gartner 个性化引擎魔力象限指的是 Gartner 的一份特定报告，该报告评估个性化引擎主要技术市场中的竞争参与者。 + +Gartner 是世界领先的研究和咨询公司之一，其严格的研究流程和经过验证的方法为企业提供了做出正确决策所需的客观见解。每年，Gartner 都会发布其魔力象限，将技术参与者定位在特定市场内。迄今为止，我们已经看到来自 Web 内容管理、内容协作平台、CRM 客户参与中心、数据集成工具等的解决方案提供商经历了评估过程。 + +在其关于个性化引擎的第四份连续市场研究报告中，2021 年 Gartner 魔力象限根据执行能力和愿景完整性评估了 12 家解决方案提供商。 + +### 为什么是个性化？ + +根据 Gartner 的说法： + +" _个性化仍然是数字营销领导者的优先事项。相关且及时的消息对于教育客户、最小化摩擦和建立购买考虑至关重要。使用此研究来评估个性化引擎，使您能够交付可衡量的结果。"_ — Gartner + +### Gartner 如何定义个性化引擎？ + +_个性化引擎是使营销人员能够基于个人的过去互动、当前上下文和预测意图，识别、交付和衡量每位客户或潜在客户最佳体验的软件。个性化引擎帮助营销人员识别、选择、定制和交付消息，如内容、优惠和其他跨客户触点的互动，以支持三个主要用例：营销、数字商务以及服务和支持。"_ — Gartner + +### Gartner 使用哪些评估标准？ + +通过应用其标准的魔力象限图形处理和统一的评估标准集，Gartner 根据以下标准区分每个个性化引擎： + +**领导者** 很好地执行了他们当前的愿景，并为明天做好了充分定位。 + +**远见者** 了解市场的发展方向或对改变市场规则有愿景，但尚未很好地执行。 + +**利基玩家** 成功地专注于一个小细分市场，或者不够专注，无法超越他人或表现优于他人。 + +**挑战者** 今天表现良好或可能主导一个大型细分市场，但未表现出对市场方向的理解。 + +_"供应商根据 Gartner 对其使愿景成为市场现实的能力和成功进行评判，客户认为这种愿景是差异化的，并准备购买。提供积极的客户体验——包括销售体验、支持、产品质量、用户赋能、技能可用性和升级/迁移的便利性——也决定了供应商的执行能力。"_ — Gartner + +Gartner 连续第四年基于我们在年度[个性化引擎魔力象限](https://www.dynamicyield.com/guides/gartner/)中的执行能力和愿景完整性，将 Dynamic Yield 定位在领导者象限中，因此以下是我们最擅长的方面以及我们相信被评为领导者的原因： + +1. **开放架构** – 优先考虑灵活性、[安全性](https://dynamicyield.com/security)、连接性和[治理](https://www.dynamicyield.com/enterprise-grade-personalization/) +2. **一流算法** – 通过自训练[深度学习推荐](https://www.dynamicyield.com/adaptml/)模型实时预测客户意图和偏好。 +3. **易用性和敏捷性** – 使团队能够从小开始，然后按照自己的节奏扩展跨品牌渠道，并在将产生影响的任何地方部署个性化和[A/B 测试](https://www.dynamicyield.com/ab-testing/)。 +4. **卓越的 UI 和简化的工作流** – 允许营销人员通过简单的 UI 和简化的工作流在 Web、移动、电子邮件和广告上运行[全渠道个性化](https://www.dynamicyield.com/personalization/)计划——无需依赖开发人员。 + +对许多人来说，这份报告证实了营销领导者对个性化技术的日益依赖以获得业务优势，巩固了其在营销领域中的地位。 + +_Gartner，个性化引擎魔力象限，2021 年 7 月 19 日，Jason McNellis、Claire Tassin、Jennifer Polk。_ + +_Gartner 和魔力象限是 Gartner, Inc. 和/或其关联公司在美国和国际上的注册商标，经许可在此使用。保留所有权利。Gartner 不认可其研究出版物中描述的任何供应商、产品或服务，也不建议技术用户仅选择评级最高或其他称号的供应商。Gartner 研究出版物包含 Gartner 研究组织的意见，不应被视为事实陈述。Gartner 对本研究不承担所有明示或暗示的保证，包括对适销性或特定用途适用性的任何保证。_ + +_GARTNER 是 Gartner, Inc. 和/或其关联公司在美国和国际上的注册商标和服务标记，经许可在此使用。保留所有权利。_ diff --git a/docs/blog/refer/dynamic-yield/ALL_IN_ONE__kimi_zh_重新整合.md b/docs/blog/refer/dynamic-yield/ALL_IN_ONE__kimi_zh_重新整合.md new file mode 100644 index 0000000..4551ad5 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/ALL_IN_ONE__kimi_zh_重新整合.md @@ -0,0 +1,325 @@ +# 利用AI与个性化技术优化电子商务：从智能搜索到全渠道体验 + +## AI 和个性化正在彻底改变电子商务搜索 + +传统搜索不再满足数字时代消费者的期望。但随着 AI、个性化以及基于语义和意图的搜索相结合，提供复杂的消费者体验，搜索有机会适应并重新夺回其作为令人兴奋的产品发现门户的地位。 + +**核心要点**: +- 传统的基于关键字的搜索已经过时，难以理解用户意图，导致相关度低且令人沮丧的电子商务体验。 +- AI 和个性化现在能够实现更智能、具有上下文感知且以视觉为驱动的产品发现，符合人们自然的搜索方式。 +- 产品发现由三种关键的消费者行为定义——浏览型、目的驱动型和产品特定探索型。先进的语义搜索、个性化、视觉分析、生成式 AI 和深度学习可以增强这三种行为。 +- 这种智能、统一的方法有潜力通过为每个用户提供超相关、直观的购物体验来提高转化率和参与度。 + +搜索几十年来一直是我们生活中不可或缺的一部分——但它需要进行彻底改造。今天，我们已经到达了一个转折点。越来越多的用户转向 AI 工具，如 ChatGPT——每天接收超过 10 亿次查询——在几秒钟内找到他们想要的东西。现在，搜索终于开始发展，以满足消费者日益增长的需求和期望。 + +### 不断变化的消费者期望正在迫使搜索发生范式转变 + +AI 为与品牌互动和产品发现开辟了新方式。购物者现在期望在搜索体验中获得更复杂、更快速、更智能的功能。以下是我们走到今天这一步的历程： + +**人们的搜索方式与传统搜索能力存在冲突** +根据 Dynamic Yield 的数据，尽管 50% 的问题超过三个字，但消费者通常使用 2-3 个字的查询来锁定他们想要的东西。历史上的关键字搜索并非设计用于处理复杂查询，因为产品信息流通常标记不佳，搜索也无法借鉴现实世界的知识。 + +**AI 驱动的指导和建议更具个性化** +传统搜索依赖于用户输入和筛选，但无法利用有关消费者偏好的潜在有价值数据，导致结果泛化。为了绕过这种挫败感，约 70% 的人选择使用生成式 AI 而非传统搜索来获取指导和建议。大多数人信任这些 AI 推荐，并在没有额外研究的情况下接受它们，因为它们如此具体地满足了他们的需求。 + +**消费者在购物时已逐渐依赖视觉信息** +难以描述他们正在寻找什么的在线购物者更喜欢使用视觉信息来弥合差距。事实上，Pinterest 调查中有 85% 的受访者表示，在线搜索服装和家具时，视觉信息比文本更重要。传统的关键字搜索根本无法基于视觉分析提供结果。 + +### AI 和个性化如何结合重新定义搜索 + +今天，AI 驱动的算法和个性化正在将搜索提升到新的高度。搜索不再是一刀切；它可以动态调整以适应人们寻找所需产品的各种方式。事实上，人们发现产品有三种常见方式： + +1. **为浏览驱动型消费者提供个性化导航** + 这些购物者有兴趣探索特定类别中的内容，而非导航到特定产品。品牌可以使用个性化来识别导航搜索查询（如“men’s shoes”），并将这些查询引导至定制的分类页面。这些页面可以使用复杂的深度学习算法进行排序和优化，根据用户的偏好为每个用户展示最相关的产品。 + +2. **为目的驱动型消费者提供 AI 驱动的助手** + 目的驱动型消费者知道他们想要什么，并最终寻求指导。个性化和 AI 现在可以帮助零售商理解口语化、基于问题的搜索查询背后的意图。当与先进的语义搜索结合时，体验会变得更好。一个出色的实际例子是：生成式 AI 驱动的对话体验，如 Shopping Muse。这些 AI 聊天机器人使用自然语言处理和深度学习模型来回答直接问题，每次都推荐最相关的产品。根据我们的经验，零售商发现，与未参与此类工具的购物者相比，参与此类工具的购物者更有可能购买，且购物车价值更高。 + +3. **为产品驱动型消费者提供先进的语义搜索和视觉分析** + 这些是试图直接导航到特定商品的高意图购物者。利用用户历史、偏好和上下文线索，个性化搜索可以展示他们喜欢的颜色和功能的产品。个性化自动完成还可以将购物者引导至他们通过分类和产品列表页面导航无法发现的相关产品。通过视觉分析工具，现在可以识别品牌产品目录中商品的物理属性，无需第三方目录丰富。此外，发现自己喜欢的东西的消费者可以上传照片，并立即与零售商目录中的相似产品匹配。即使目录中的某件商品缺货，视觉搜索也能返回下一个最相关的商品。 + +### 智能搜索已到来 + +搜索、个性化和 AI 在电子商务中各自扮演独立角色的日子即将过去，当它们以令人兴奋的新方式融合时，消费者可以期待更快、更简单、更有影响力的数字体验。除此之外，品牌可以获得一系列好处，包括：超相关的搜索结果，带来更高的参与度和平均订单价值；通过使消费者能够用几乎任何语言提交查询来实现全球搜索扩展的能力；以及将搜索体验与业务目标对齐的能力，基于利润率、退货率、库存水平等对结果进行排序。 + +--- + +## 将生成式AI集成到您的个性化工作流中的3个技巧 + +从我的 LinkedIn 动态来看，我开始感觉到市场对生成式 AI 的喧嚣感到有些不知所措。在与个性化团队和业务领导者交谈后，很明显，AI 在文化对话中的适应速度比在业务和个人流程中的实施速度更快。团队不仅今天就能将 AI 集成到他们的工作流中，优化结果和效率——而且应该尽快这样做。 + +尽管 AI 扩大了单个人在创作和分析方面的可能性，但它仍然依赖于那个人的专业知识。总之：人们需要将生成式 AI 实施到他们的工作流中，才能实现真正的收益。虽然所有这些准备工作和质量保证工作对于个性化团队来说可能感觉过于昂贵和困难，但现在做这项工作至关重要。在这里，我见过的对个性化从业者、团队和领导者的三个关键策略。 + +1. **现在投资您的数据：** + 您的操作系统中已经有许多 AI 驱动的推荐工具，但为确保最大影响，您需要有效地收集和利用数据。AI 能力完全取决于它所暴露的数据的质量和数量。这不是一项容易的任务，但值得。整理产品信息流的时间就是现在，因为它将保证竞争优势。 + +2. **探索 AI 提示训练：** + 营销人员可以用基于文本的 AI 工具（如 Gemini 或 ChatGPT）或基于图像的工具（如 Canva）来补充他们的工作流，为 A/B 测试创建不同的文案和视觉变体。团队在采用 AI 时面临的最常见挑战是知道如何掌握完美的提示——这可以通过适当的培训轻松解决。您为基于文本的 AI 工具提供的上下文与您使用的工具类型同样重要。继续尝试编写 AI 提示将让您更好地了解该工具需要何种类型的具体信息才能满足您的需求。 + +3. **尝试不同的 AI 工具：** + 除了 GenAI，还有可直接插入您的个性化提供商并改善用户体验和产品推荐的先进 AI 驱动工具。例如，在一个客户寻求高度个性化数字体验的世界中，复杂的生成式 AI 驱动聊天机器人可以创建模仿店内咨询体验的对话式商务体验，使用识别并展示视觉上相似产品的机器学习功能。您还可以通过深度学习改进推荐，该学习处理跨用户的数据输入，以识别客户行为中的趋势和模式。 + +**未来就是现在** +随着 AI 继续彻底改变营销人员与消费者互动的方式，利用它尽可能多地保持效率和领先于游戏的压力越来越大。尝试现有工具需要时间和耐心，但一旦您穿透了表面文章，您将看到的好处将远远超过任何成长的烦恼，并帮助您发现更具创新性和更高水平的个性化策略。 + +--- + +## 从碎片化到连接：掌握个性化用户识别 + +**核心要点**: +- 用户识别：对于在多个渠道提供无缝且个性化的体验至关重要，构成了成功全渠道战略的基石。 +- 全渠道机会：品牌应将全渠道互动视为品牌知名度和忠诚度的积极信号，利用每个接触点来加强连接并了解用户偏好。 +- 用户识别的好处：实现跨渠道一致性、数据驱动的个性化、增强客户体验和高效的营销策略。 +- 提升用户识别：实施全渠道事件，使用定向活动增加订阅和登录，通过自定义代码识别外部电子邮件活动中的用户。 + +### 在全渠道环境中，用户识别对个性化的重要性 + +在当今超连接的世界中，客户通过多个渠道与品牌互动。为了提供无缝且个性化的体验，企业必须准确且一致地在所有这些接触点上识别用户。这个过程被称为用户识别，构成了成功全渠道战略的基石。 + +### 将全渠道视为积极机会 + +品牌不应害怕数据碎片化和不一致的用户体验，而应将全渠道互动视为品牌知名度和忠诚度的积极信号。用户在您的品牌不同渠道上的互动越多，他们就越有连接感和投入感。每个接触点都提供了加强这种连接并了解用户偏好的机会。 + +### 为什么用户识别对个性化很重要 + +个性化已成为客户满意度和忠诚度的关键因素。当用户感到他们的偏好被认可并得到满足时，他们更有可能与品牌互动并进行购买。用户识别使以下方面成为可能： + +1. **跨渠道一致性**：当用户从移动应用转移到网站或访问实体店时，他们的偏好和数据得以保留。 +2. **数据驱动的个性化**：企业可以利用从不同互动中收集的数据来预测用户需求并及时提供推荐。 +3. **增强客户体验**：个性化培养了一种连接感，让客户感到被重视和理解。 +4. **高效的营销策略**：通过理解用户旅程，企业可以更有效地定位促销和内容。 + +### 如何提升用户识别？ + +1. **实施全渠道事件**：确保在注册账户、登录账户、订阅新闻通讯或在结账时识别自己等用户旅程关键点触发用户识别事件。 +2. **使用定向活动增加订阅和登录**：使用 Dynamic Yield 共情个性化框架，根据用户在其客户旅程中的需求来个性化您的策略。 +3. **通过外部电子邮件活动识别用户**：创建 _自定义代码_ 活动，通过 CUID（例如哈希电子邮件、自定义 CUID）识别从外部电子邮件活动到达的用户。当用户点击 ESP 发送的电子邮件中的链接时，参数会捕获他们的 CUID，从而实现识别。 + +--- + +## 在 A/B 测试中选择合适的流量分配 + +**核心要点**: +- 选择合适的流量分配方法对于 A/B 测试的成功至关重要。 +- 手动分配提供精确控制，非常适合需要统计显著性才能实施的长期测试。 +- 自动分配优先考虑数据利用和转化优化，适合短期测试。 +- A/B 测试应根据具体测试目标和时间线策略性地使用这两种方法。 + +### 手动流量分配与自动分配 + +- **手动流量分配（经典的 A/B 测试方法）**：使用手动分配时，流量在变体之间平均分配，直到宣布单一获胜者。这是一种标准的 A/B/n 测试，假设一旦结果显著，测试管理员将仅将最佳变体分配给所有访问者。手动分配测试本质上是变体之间的测试，最终一个变体将以高置信度水平被宣布为获胜者。 +- **自动分配（多臂老虎机）**：使用自动分配，随着收集更多数据，表现最佳的变体会逐渐被提供给更大比例的访问者。随着时间的推移，系统会基于可用数据动态地将流量路由到表现最佳的变体。 + +### 如何为您的 A/B 测试选择合适的流量分配？ + +每种流量分配方法都针对不同的用例进行了优化。问问自己，以下哪种说法更适合当前手头的用例： + +1. **我正在寻找最佳变体，以便长期向所有用户展示。** 在这种情况下，选择手动分配。用例示例：布局和 UX 更改。 +2. **我希望在测试运行的有限时间内充分利用多个变体。** 在这种情况下，选择自动分配。用例示例：英雄横幅上的促销。 + +当需要对网站进行重大永久性更改且时间并非关键因素时，应使用手动分配以获得统计显著性结果。手动分配测试可以运行所需时间，收集数据以产生高度结论性的统计显著结果。 + +如果您管理的活动变体保质期较短，或它们频繁更改和更新，那么多臂老虎机是最佳选择。自动分配对现有数据的利用率高得多，在驱动流量分配决策时更具侵略性。 + +### 平衡数据与转化 + +最终，可用的两种流量分配方法为企业提供了灵活性，既能获得做出合理长期决策所需的智能，又能获得即时优化的能力。这不是二选一的问题，手动和动态分配都应被用于测试。 + +--- + +## 电子商务导航优化最佳实践和示例 + +在线购物时，品牌应致力于提供最直接的发现体验。为了补救无法完全复制实体店体验的现实，品牌必须个性化购物体验以维持用户参与度。重要的不仅是您提供什么以及如何在网站上展示产品；您如何组织网站可以决定企业的成败。下面，了解更多关于导航优化的信息，所有电子商务网站都应考虑和测试的元素，以及设计了卓越导航体验的品牌示例。 + +导航优化是指改进访问者和搜索引擎在给定网站内查找和访问信息的过程。这包括网站的分类法、页面结构方式以及桌面和移动设备上菜单的标签方式。 + +### 分解网站导航的各个组件和示例 + +1. **主导航**：您如何展示页头是电子商务导航战略的支柱。最常见的两种格式是水平或垂直固定的菜单，展示少数关键产品类别。它因网站而异。在一个上下文中效果良好的方式在另一个上下文中并不总是同样有效。按渠道查看设计时也是如此——移动和网页导航体验通常有所不同。 +2. **分类**：导航结构和标签应在所有页面上清晰简洁。如果您的产品库存庞大，按类别类型整合的导航菜单栏是必不可少的。品牌通常采用两种主要方式进行子类别设计：分级菜单（仅在悬停或点击时显示子类别）和巨型菜单（在初始菜单下拉时列出所有父类别和子类别）。 +3. **其他元素**： + - **粘性导航**：这些固定菜单帮助用户导航网站页面。为了简化和促进积极的在线购物体验，导航菜单、产品筛选器和排序菜单应始终对用户可见，并在他们浏览和滚动网页时出现。 + - **设计风格**：菜单选项的设计也可以在导航体验中发挥重要作用。从按钮颜色、主导航菜单的外观到使用的字体和排序菜单的大小，设计决策会影响用户导航网站的难易程度。 + - **菜单渲染**：目前存在两种主要的菜单样式：悬停下拉和点击下拉。 + - **页脚**：您网站的页脚也提供了机会，可作为将用户导航到他们感兴趣的页面、鼓励电子邮件注册、通过隐私相关信息建立可信度等的媒介。除了促进产品发现体验外，构建更全面的页脚还可以对网站的 SEO 产生积极影响。 + +### 各种搜索功能类型 + +除了主导航菜单设计和粘性外，电子商务供应商还可以使用几种额外策略来优化网站导航。在搜索功能方面，组织有两种主要选择：分面搜索和语义搜索。 + +- **分面搜索**：分面搜索或引导式导航，帮助用户基于尺寸、颜色、价格和品牌等筛选器分析、组织和过滤大量产品库存。 +- **语义搜索**：语义搜索使用地理位置、用户（和全球）搜索历史以及拼写变体来改进搜索查询。这包括在用户将项目输入搜索菜单时编程智能自动完成选项。通过在个体和受众层面理解区域和行为趋势，品牌可以优先显示用户开始输入搜索查询时出现的建议查询。 + +### 在分类页面之间导航 + +设计产品列表页面 (PLP) 和产品详情页面 (PDP) 的最佳实践是优化电子商务页面之间的导航。通过在页面顶部集成面包屑导航，确保用户在页面来回导航时不会失去在网站上的位置，帮助简化网站导航。 + +### 针对移动导航设计的额外技巧 + +您的移动网站和应用体验必须与桌面体验一样无缝至关重要。一些需要考虑简单的事情是菜单设计、菜单应该是固定的还是隐藏的、垂直的还是水平的、菜单应该在右侧还是左侧渲染等。另一个考虑是评估您的品牌是否应该使用汉堡菜单来快速展示和隐藏菜单，最大化移动网站或应用的空间。 + +### 我们客户群中品牌的真实电子商务导航实验 + +- 一个领先的体育和户外品牌希望个性化其电子商务导航体验，特别关注突出相关菜单项。他们使用基于偏好的定位，在对全价商品有偏好的客户的菜单中突出显示“新品”，并为注重预算的购物者突出显示“促销”菜单项。 +- 一个领先的美容品牌测试是应该展示品牌名称还是产品类别，并发现新用户更喜欢使用熟悉的类别进行导航，而回访用户更喜欢通过导航到熟悉的品牌名称产品列表页面来探索网站。因此，该美容零售商根据到达网站的每种用户类型定制了导航体验。 + +### 开始测试您的网站导航成功之路 + +构建网站导航体验没有通用蓝图。特别是在电子商务行业，品牌面对来自不同受众、品味和偏好的用户，测试不同的导航设计元素至关重要。始终进行实验，不要对测试哪些元素有所保留。 + +--- + +## CRO 专家的 A/B 测试指南及示例 + +**核心要点**: +- A/B 测试是一种科学方法，用于比较网页或应用的两个版本，以查看哪个在特定目标（如提高转化率或用户参与度）方面表现更好。 +- 它是优化网站、移动应用、电子邮件等的强大工具，可以帮助解决 UX 问题、提高性能和提升参与度。 +- 要运行 A/B 测试，您首先需要定义想要解决的问题或用户行为。然后，创建原始元素的变体并将网站流量分配给它们。最后，收集和分析数据以查看哪个变体表现最佳。 +- 常见的 A/B 测试包括测试不同的导航菜单、优化着陆页和试验促销消息。 + +A/B 测试是将网页或应用的两个版本相互比较，以确定哪个在特定目标方面表现更好的方法。它是提高转化率、增加收入、扩大订阅用户群以及改善客户获取和潜在客户开发结果的完美方法。 + +### 什么是 A/B 测试？ + +在经典的 A/B 测试程序中，我们决定要测试什么以及我们的目标是什么。然后，我们创建原始网页元素的一个或多个变体。接下来，我们将网站流量随机分配给两个变体，最后，我们收集有关网页表现的数据。一段时间后，我们查看数据，选择表现最佳的变体，并取消表现不佳的变体。 + +**一些 A/B 测试示例**: +- 测试网站导航菜单的不同排序顺序 +- 测试和优化着陆页 +- 测试促销消息，如新闻通讯订阅弹出窗口和横幅 + +### A/B 测试的诞生：构建假设 + +A/B 测试始于识别您希望解决的问题或您想鼓励或影响的用户行为。一旦确定，营销人员通常会得出结论——一个有根据的猜测，将验证或使实验结果无效。 + +**示例假设**：在产品详情页面 (PDP) 上添加社会认同徽章，将告知访客产品的受欢迎程度，并将加入购物车事件提高 10%。 + +### A/B 测试的经典方法 + +在简单的 A/B 测试中，流量在内容的两个变体之间分配。一个被视为对照组，包含原始内容和设计。另一个作为对照变体的新版本。变体可能在许多方面不同。例如，我们可以测试具有不同标题文本、行动召唤按钮、新布局或设计等的变体。 + +### 何时使用拆分 URL 测试 + +拆分 URL 测试有时被称为“多页面”或“多 URL”测试，是与标准 A/B 测试类似的方法，允许您基于每个变体的独立 URL 进行实验。当您已有两个现有页面并想测试哪个表现更好时，运行拆分 URL 测试。 + +### A/B 测试不仅限于两个变体 + +如果您想测试不止两个变体，您可以运行 A/B/n 测试。A/B/n 测试允许您衡量三个或更多变体的表现，而不是仅测试一个变体与对照页面。高流量网站可以使用这种测试方法来评估更广泛更改集的表现，并通过更快的结果最大化测试时间。 + +### 什么是多变量测试？ + +多变量测试有时被称为“多变量”测试，允许您测试单个页面上多个部分的更改。由于多变量测试会生成您更改的所有可能组合，因此不建议创建大量变体，除非您在流量高的网站上运行测试。在选择运行多变量测试之前，请确保您的网站每月至少有数千名访问者。 + +### 通往 A/B 测试成功的道路 + +运行 A/B 测试时，使用有效的方法对于我们能够在测试结束后长期依赖测试结果以产生更好表现至关重要。A/B 测试提供了一个框架，使我们能够衡量变体之间访客响应的差异，如果检测到差异，则建立统计显著性，并在一定程度上建立因果关系。 + +### 问题与回答 + +- **设计 A/B 测试以确保可靠结果时的关键考虑因素是什么？** 定义清晰的目标并选择与这些目标一致的合适指标至关重要。随机化对于避免偏见至关重要，计算适当的样本量确保统计显著性。测试应运行足够长的时间以捕捉用户行为随时间的变化。此外，控制外部因素（如营销活动或季节性趋势）有助于获得可靠结果。 +- **企业如何有效解读 A/B 测试结果以做出数据驱动的决策？** 解读 A/B 测试结果涉及统计分析以确定显著性，并计算置信区间以了解真实效应大小的范围。考虑更广泛的上下文（包括用户行为模式和外部影响）很重要。细分分析可以揭示不同用户群体中的表现差异。获得的见解应转化为可操作的策略，并应使用迭代测试持续完善假设并优化结果。 +- **有哪些 A/B 测试的高级技术可以提高准确性和洞察深度？** A/B 测试的高级技术包括多臂老虎机测试，它动态地将流量分配给表现更好的变体；以及序贯测试，它允许持续监控和提前停止测试。贝叶斯方法通过随着数据收集更新结果概率，为决策提供灵活的方法。个性化为不同用户细分定制变体，集成机器学习算法可以预测结果并优化测试设计。 +- **如何将 A/B 测试整合到更广泛的数字营销策略中？** 将 A/B 测试整合到数字营销策略中涉及将测试计划与业务目标对齐，并促进营销、产品和分析团队之间的跨职能协作。A/B 测试的数据应与其他营销分析整合，以提供全面的表现视图。A/B 测试应被用作持续改进的工具，定期测试和优化数字体验的各个方面。开发可扩展的测试框架可以高效执行和分析多个测试，确保见解可操作且有影响力。 +- **进行 A/B 测试时应考虑哪些道德问题？** A/B 测试中的道德考虑包括确保用户同意（尤其涉及个人数据时），并遵守 GDPR 或 CCPA 等法规保护用户数据。关于测试目的以及如何使用数据的透明度至关重要。测试设计应避免对用户造成伤害或负面体验，并应维护公平性，确保没有特定用户群体处于不利地位。 +- **假设制定在 A/B 测试的成功中扮演什么角色？** 假设制定是 A/B 测试过程中的关键步骤，因为它为测试提供了清晰的方向和目的。一个定义良好的假设概述了预期结果以及被测试更改背后的理由。这有助于设定可衡量的目标，并确保测试专注于解决特定问题或机会。强有力的假设还有助于解读结果并根据发现做出明智决策。 +- **A/B 测试有哪些局限性，如何克服？** 虽然 A/B 测试是一个强大的工具，但它有局限性，例如如果样本量太小或测试持续时间太短，可能导致不确定的结果。此外，A/B 测试可能无法考虑长期用户行为变化或影响结果的外部因素。为了克服这些局限性，确保足够的样本量和测试持续时间、用其他研究方法补充 A/B 测试，并持续监控和迭代发现以适应不断变化的条件非常重要。 +- **企业如何确保其 A/B 测试实践可扩展且可持续？** 为了确保 A/B 测试实践的可扩展性和可持续性，企业应投资能够自动化流程并提供全面分析的稳健测试平台。开发具有明确指南和最佳实践的结构化测试框架有助于保持一致性和效率。培训团队了解 A/B 测试的重要性并培养实验文化鼓励持续改进。根据学习成果和技术进步定期审查和更新测试策略，确保实践保持相关性和有效性。 + +--- + +## 免费贝叶斯 A/B 测试计算器 + +不久前，我们探索了一种限制性更小、更可靠的 A/B 测试方法，采用了一种较新的贝叶斯测试方法。凭借其简单性、可靠性和直观性，贝叶斯框架是一种更优越的 A/B 测试方法，将为营销人员提供更快、更稳健的统计引擎。 + +### 贝叶斯 A/B 测试计算器 + +**我们的贝叶斯驱动的 A/B 测试计算器**将帮助您确定您的测试结果是否具有统计显著性。对于您测试的每个变体，您只需输入总样本量和转化次数。然后，基于统计显著性，统计引擎将宣布获胜变体。 + +以下是我们运行的术语和指标的快速分解： + +- **样本量** – 取决于您的 KPI 的用户数、会话数或展示次数。 +- **转化** – 点击次数、甚至购买次数或目标完成次数（例如购买或视频观看）。 +- **转化率** – 完成的操作数（即转化）除以样本量。 +- **成为最佳的概率** – 每个变体长期超越所有其他在线变体的概率（基于自测试中包含的任何变体创建或更改以来收集的数据）。 +- **预期损失** – 如果您将错误的变体宣布为获胜者，而不是实际最佳的变体，您预期在长期内损失的百分比。 +- **差异的后验模拟** – 根据迄今为止收集的样本量的转化率分布。 + +了解 A/B 测试中统计显著性的重要性。 + +### 贝叶斯 A/B 测试持续时间和样本量计算器 + +不确定需要运行实验多长时间才能获得统计显著性结果？别担心。作为首创，我们的免费在线**贝叶斯驱动的 A/B 测试持续时间**和样本量计算器将帮助您避免误报并提高 A/B 测试的有效性。对您可以针对对照测试的变体数量没有硬性限制，我们提供了一些关于如何开展测试的建议。 + +计算输出提供了运行测试以获得统计显著性结果所需的时间范围估计，以及支持该结果所需的最小样本量。虽然我们知道还涉及许多其他变量，但这些计算估计可用于提前规划实验，也可用于分析正在进行的测试。 + +--- + +## 如何提供更少的挫败感的在线购物体验 + +假设您与朋友外出时，出现了去哪里吃饭的问题。在手机上搜索“附近”会为您呈现大量选择，您花费看似 forever 的时间来决定正确的一个，最终放弃并选择您去过无数次的地方。这就是选择的悖论：选择越多，我们感到越 overwhelmed。最终，这种 overwhelmed 导致“决策疲劳”，或选择更容易的次优选项。 + +随着电子商务平台迅速扩张，消费者的选择比以往任何时候都多，购物者正在努力准确找到他们想要的东西。这可能会对他们的业务 KPI 产生负面影响，尤其是当购物者跳转到竞争对手网站或放弃购物车时。被放弃的购物车就是被放弃的收入，那么零售商可以做些什么来对抗决策疲劳？ + +**导致决策疲劳的因素** +即使是看似微小的任务也会对购物体验产生重大影响。您可能不认为以下是决策，但它们是： +- 选择筛选选项以缩小产品搜索范围 +- 确定产品评论的价值 +- 评估促销优惠 +- 考虑是否等待商品打折 +- 考虑订购多个商品以降低运费 +- 在价格与质量之间找到平衡 +- 在结账时选择不同的支付方式 +- 选择合适的运输方式 +- 通过尺寸指南确保您的商品具有合适的尺寸 + +每个决策，无论多小，都可能共同消耗消费者的精力，导致心理疲劳和对购物过程的不满。这种疲劳可能促使客户在长时间休息（平均约一周）后再进行产品搜索。在多个网站上导航并比较价格、功能和评论所需的努力和时间可能会让购物者感到沮丧，尤其是如果该过程不能迅速带来令人满意的决策。一些人有一种挥之不去的感觉，觉得他们付得太多，这可能会造成他们 obsessive 地寻找更好交易的情况。问题在于，考虑到我们指尖上的丰富选择，这种比较过程可能会无休止地进行下去。最终，这些购物者变得 overwhelmed 和瘫痪，放弃购物车，空手离开网站。 + +**品牌如何在不给客户带来压力的情况下扩大产品目录？** +品牌应在提供广泛选择和有效组织产品之间取得平衡。当然，最好的方法之一是通过个性化，它使零售商能够提供定制的产品推荐，从而简化购物体验。个性化对话体验可以在这里发挥关键作用。它们在提供灵感和推荐方面表现出色，这对于没有特定产品想法的客户特别有用。它们还可以通过确保客户无需筛选不相关选项来找到所需内容，从而减轻庞大产品目录的负面影响。通过这样做，对话式 AI 还减少了选择悖论的影响：购物者有有限数量的选项可供选择，这些选项基于先前的互动和他们自己的偏好进行策划。 + +**AI 如何帮助缩小没有先前数据的用户的决策范围？** +AI 可以首先基于上下文数据（例如地理位置或当地天气状况）、基本人口统计信息，甚至与类似用户档案的比较来提供初步推荐。然后，它可以在与用户互动时进行调整。 + +**人类与 AI 之间的互动在未来将如何演变？** +随着深度学习的进步——特别是大型语言模型 (LLM) 获得动力，在线购物体验将开始类似于实体店。想象一下，一位个人造型师不仅精通最新趋势和款式，而且深刻理解您独特的风格偏好和需求，为您精心挑选商品。在 AI 的力量下，每位客户都将获得一位专家指导，引领他们完成购买旅程。它可能意味着我们决策繁重的购物烦恼的终结——以及在线购物的 impersonal、交易性质。在许多方面，AI 购物助手一旦消费者尝试，将比无休止地浏览产品列表页面 (PLP) 的旧模式更直观。 + +但 AI 也由人类驱动。品牌培养内部人才以有效运营和完善这些技术至关重要。投资于能够管理、分析并推动这些系统创新的熟练专业人员，将让品牌在未来几年保持领先于竞争一步。 + +**对于有兴趣使用 AI 驱动购物助手但对购物者是否会接受它们犹豫不决的公司，您有什么建议？** +与任何新技术一样，都存在采用曲线。聊天体验的明确入口点、强调其用途的定向营销活动以及清晰直接的教程可以帮助教育购物者。无缝集成到在线购物环境中对于确保流畅的用户体验至关重要。通过展示 AI 助手如何超越传统搜索工具的限制，并提供折扣或个性化交易等激励措施，公司可以激励用户采用这些创新的搜索方法，从而带来更高效和令人满意的购物体验。 + +### 通过以人为本的购物体验克服选择 overload + +决策疲劳现在是现代生活的事实——它在电子商务行业尤其普遍。随着客户遇到越来越多的无穷小的购物困境，他们更容易放弃购物车并将业务带到别处。但采用高度 capable、有同理心的 AI 购物助手可能意味着消费者购物烦恼的终结——如果零售商愿意冒险尝试。 + +--- + +## Gartner 个性化魔力象限 —— Dynamic Yield 的定义 + +Gartner 个性化引擎魔力象限指的是 Gartner 的一份特定报告，该报告评估个性化引擎主要技术市场中的竞争参与者。Gartner 是世界领先的研究和咨询公司之一，其严格的研究进程和经过验证的方法为企业提供了做出正确决策所需的客观见解。 + +### 为什么是个性化？ + +根据 Gartner 的说法：“_个性化仍然是数字营销领导者的优先事项。相关且及时的消息对于教育客户、最小化摩擦和建立购买考虑至关重要。使用此研究来评估个性化引擎，使您能够交付可衡量的结果。_” + +### Gartner 如何定义个性化引擎？ + +_个性化引擎是使营销人员能够基于个人的过去互动、当前上下文和预测意图，识别、交付和衡量每位客户或潜在客户最佳体验的软件。个性化引擎帮助营销人员识别、选择、定制和交付消息，如内容、优惠和其他跨客户触点的互动，以支持三个主要用例：营销、数字商务以及服务和支持。_” + +### Gartner 使用哪些评估标准？ + +通过应用其标准的魔力象限图形处理和统一的评估标准集，Gartner 根据以下标准区分每个个性化引擎： + +- **领导者** 很好地执行了他们当前的愿景，并为明天做好了充分定位。 +- **远见者** 了解市场的发展方向或对改变市场规则有愿景，但尚未很好地执行。 +- **利基玩家** 成功地专注于一个小细分市场，或者不够专注，无法超越他人或表现优于他人。 +- **挑战者** 今天表现良好或可能主导一个大型细分市场，但未表现出对市场方向的理解。 + +Gartner 连续第四年基于我们在年度个性化引擎魔力象限中的执行能力和愿景完整性，将 Dynamic Yield 定位在领导者象限中，因此以下是我们最擅长的方面以及我们相信被评为领导者的原因： + +1. **开放架构** – 优先考虑灵活性、安全性、连接性和治理。 +2. **一流算法** – 通过自训练深度学习推荐模型实时预测客户意图和偏好。 +3. **易用性和敏捷性** – 使团队能够从小开始，然后按照自己的节奏扩展跨品牌渠道，并在将产生影响的任何地方部署个性化和 A/B 测试。 +4. **卓越的 UI 和简化的工作流** – 允许营销人员通过简单的 UI 和简化的工作流在 Web、移动、电子邮件和广告上运行全渠道个性化计划——无需依赖开发人员。 + +对许多人来说，这份报告证实了营销领导者对个性化技术的日益依赖以获得业务优势，巩固了其在营销领域中的地位。 \ No newline at end of file diff --git a/docs/blog/refer/dynamic-yield/Convert Articles to Markdown for Download.zip b/docs/blog/refer/dynamic-yield/Convert Articles to Markdown for Download.zip new file mode 100644 index 0000000..cc17db6 Binary files /dev/null and b/docs/blog/refer/dynamic-yield/Convert Articles to Markdown for Download.zip differ diff --git a/docs/blog/refer/dynamic-yield/ai-personalization-revolutionizing-ecommerce-search.md b/docs/blog/refer/dynamic-yield/ai-personalization-revolutionizing-ecommerce-search.md new file mode 100644 index 0000000..6ad283d --- /dev/null +++ b/docs/blog/refer/dynamic-yield/ai-personalization-revolutionizing-ecommerce-search.md @@ -0,0 +1,66 @@ +# AI and Personalization Are Revolutionizing E-commerce Search + +## Traditional search no longer meets consumer expectations in the digital era. But as AI, personalization and semantic, intent-based search come together to deliver sophisticated consumer experiences, search has the opportunity to adapt and reclaim its position as an exciting gateway to product discovery. + +**Summarize this article** + +* Traditional keyword-based search is outdated and struggles to understand user intent, leading to irrelevant and frustrating eCommerce experiences. +* AI and personalization now enable smarter, context-aware and visually driven product discovery that aligns with how people naturally search. +* Product discovery is defined by three key consumer behaviors — browsing, purpose-driven and product-specific exploration. Advanced semantic search, personalization, visual analysis, generative AI and deep learning can enhance all three. +* This intelligent, unified approach has the potential to boost conversions and engagement by delivering hyper-relevant, intuitive shopping experiences tailored to each user. + +Search has been an integral part of our lives for decades — but it’s due for an overhaul. + +Let’s go back to the days of early search engines to understand why. Say you were looking for up-to-date information for a research report. Your initial instinct was to type a question into the search box. The results appeared, but they were mostly irrelevant. You had to learn how to translate your thoughts into a few searchable keywords, which even then would cast a wide net that required sifting through pages of results before you could piece together the right information. + +As SEO evolved, the search process became less arduous, but conceptually, it hasn’t undergone any meaningful evolution in decades. Instead of search dynamically adapting to people as they engage, humans have adapted to the logic of machines. This lack of nuance has left users frustrated and disengaged. + +Today, we’ve reached an inflection point. A growing number of users are turning to AI tools like ChatGPT — which receives over a billion queries each day — to find what they want in seconds. + +Now search is finally evolving to meet consumers’ ever-growing wants and needs. + +## Changing consumer expectations are forcing a paradigm shift in search + +AI opened the floodgates to new ways of engaging with brands and product discovery. Shoppers now expect more sophistication, speed and intelligence in their search experience. Here’s how we got here: + +**The way people search conflicts with traditional search capabilities** + +Let’s consider how a person typically engages with search. Imagine someone looking for a dress to wear to a friend’s wedding. Even though 50% of questions are more than three words (according to data from Dynamic Yield), consumers typically use queries of 2-3 words to zero in on what they want. So, this person enters the query, “dress for wedding,” but the search engine only surfaces white dresses, failing to recognize that guests should not wear white. + +Now, picture a situation in which the shopper just asks for what they want: “I need a dress for a friend’s al fresco wedding in Florida.” The additional context and specificity contained in those extra words could save consumers a lot of time — if the search function were sophisticated enough to understand them. + +Consumers have adjusted because historical keyword search is not designed to handle complex queries, since product feeds are often poorly tagged and search hasn’t been able to draw from real-world knowledge. Such queries can even lead consumers to unrelated products, as the meaning behind the words matters just as much as the words themselves. + +**AI-driven guidance and recommendations are more personal** + +Traditional search relies on user input and filtering but is unable to leverage potentially valuable data about consumer preferences, leading to generic results. To get around the frustration, some 70% of people have opted for generative AI over traditional search for guidance and recommendations. Further, most trust these AI recommendations and accept them without additional research since they address their needs so specifically. For brands to avoid losing valuable opportunities like these to engage (as well as a lack of control around how their products show up across Gen AI tools), they’ll have to evolve their search experience from generic to tailored based on context and data. + +**Consumers have come to rely on visual information when shopping** + +Online shoppers that struggle to describe what they’re looking for prefer to use visual information to bridge the gap. In fact, 85% of respondents to a Pinterest survey said visual information was more important than text when searching for clothes and furniture online. Traditional keyword searches simply can’t deliver results based on visual analysis. + +## How AI and personalization came together to redefine search + +Today, AI-driven algorithms and personalization are elevating search to new heights. + +Search isn’t just one-size-fits-all anymore; it can dynamically adjust to the various ways that people look for the products they need. In fact, there are three common ways that people discover products. Let’s unpack each one and delve into how these groundbreaking new search capabilities can better meet consumer needs. + +1. **Personalized navigation for browsing-driven consumers** + These are shoppers interested in exploring what’s in a particular category rather than navigating to a specific product. + + To streamline the search experience based on this high intent browsing behavior, brands can use personalization to identify navigational search queries (like “men’s shoes”) and direct these queries to a tailored category page rather than the site’s default search experience. + + _A search for men’s shoes surfaces a category page with personalized results._ + + These category pages can also be sorted and optimized using sophisticated, deep learning algorithms to surface the most relevant products for each user according to their preferences and predict what they might be most interested in next. Different algorithms and merchandising rules can also be targeted to different pages and audiences to determine the best possible combination for maximum engagement. + +2. **AI-powered assistants for purpose-driven consumers** + + Purpose-driven consumers know what they want and are ultimately seeking guidance. For instance, they might know they need clothes for the gym but have yet to narrow in on specific products. + + Personalization and AI can now help retailers understand the intent behind colloquial, question-based search queries. When paired with advanced semantic search, which can interpret the meaning behind a query (not just the words), the experience gets even better. A great example of this in action: generative AI-powered conversational experiences like Shopping Muse. Whether a shopper searches for “running jacket for winter” or “What should I wear jogging in cold weather?”, these AI chatbots use natural language processing and deep learning models to answer direct questions, recommending the most relevant products every time. And by analyzing contextual and behavioral data, the chatbot is better suited to anticipate what the consumer might need next. + + In our experience, retailers have found that shoppers are more inclined to buy and have higher cart values than those who do not engage with tools like this. It can also be an easy way for consumers who are shopping for someone else, or simply lack product knowledge, to find the perfect gift. + +3. **Advanced semantic search and visual analysis for product-driven consumers** + These are high-intent shoppers who are trying to navigate directly to a particular item. \ No newline at end of file diff --git a/docs/blog/refer/dynamic-yield/ai-personalization-revolutionizing-ecommerce-search_cn.md b/docs/blog/refer/dynamic-yield/ai-personalization-revolutionizing-ecommerce-search_cn.md new file mode 100644 index 0000000..56c8356 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/ai-personalization-revolutionizing-ecommerce-search_cn.md @@ -0,0 +1,64 @@ +# 人工智能与个性化正在革新电子商务搜索 + +## 在数字化时代，传统的搜索方式已无法满足消费者的期望。但随着人工智能、个性化以及基于意图的语义搜索相结合，为消费者提供复杂的体验，搜索正迎来转型契机，重新确立其作为产品发现重要入口的地位。 + +**文章摘要** + +* 传统的基于关键词的搜索已经过时，难以理解用户意图，导致电子商务体验无关且令人沮丧。 +* 人工智能和个性化现在能够实现更智能、具备上下文感知能力且由视觉驱动的产品发现，符合人们自然的搜索方式。 +* 产品发现由三种关键的消费者行为定义：浏览型、目的驱动型和特定产品探索型。先进的语义搜索、个性化、视觉分析、生成式人工智能和深度学习可以增强这三种行为。 +* 这种智能、统一的方法通过为每个用户提供高度相关、直观且量身定制的购物体验，具有提升转化率和参与度的潜力。 + +搜索几十年来一直是平衡我们生活的一部分，但现在是时候进行彻底改革了。 + +让我们回到早期搜索引擎的时代来理解原因。假设你正在为一份研究报告寻找最新信息，你的直觉是在搜索框中输入一个问题。结果出现了，但大多无关。你必须学会如何将你的想法转化为几个可搜索的关键词，即便如此，这依然会撒下一张大网，需要你在成页的结果中筛选，才能拼凑出正确的信息。 + +随着 SEO 的演变，搜索过程变得不再那么艰巨，但从概念上讲，几十年来它并没有经历任何有意义的进化。搜索并没有随着人们的参与而动态调整，反而是人类在适应机器的逻辑。这种缺乏细微差别的现状让用户感到沮丧和疏离。 + +今天，我们已经达到了一个转折点。越来越多的用户转向像 ChatGPT 这样的 AI 工具——它每天接收超过十亿次查询——以便在几秒钟内找到他们想要的东西。 + +现在，搜索终于开始进化，以满足消费者不断增长的需求。 + +## 消费者期望的变化正迫使搜索发生范式转移 + +人工智能开启了与品牌互动和产品发现的新方式。购物者现在期望搜索体验更加复杂、快速和智能。以下是演变过程： + +**人们的搜索方式与传统搜索能力之间的冲突** + +让我们考虑一下一个人通常如何进行搜索。想象有人正在寻找一件参加朋友婚礼时穿的裙子。尽管根据 Dynamic Yield 的数据，50% 的问题超过三个词，但消费者通常使用 2-3 个词的查询来锁定目标。于是，这个人输入了“婚礼裙子”，但搜索引擎只显示白色裙子，未能识别出客人不应穿白色这一常识。 + +现在，想象一下购物者直接表达需求的情况：“我需要一件在佛罗里达参加朋友户外婚礼时穿的裙子。”这些额外词汇中包含的上下文和特异性可以为消费者节省大量时间——前提是搜索功能足够先进，能够理解它们。 + +消费者已经做出了调整，因为历史性的关键词搜索并非为处理复杂查询而设计，产品馈送通常标记不当，且搜索无法借鉴现实世界的知识。此类查询甚至可能引导消费者找到无关产品，因为词语背后的含义与词语本身同样重要。 + +**人工智能驱动的引导和推荐更加个性化** + +传统搜索依赖于用户输入和过滤，但无法利用有关消费者偏好的潜在价值数据，导致结果平庸。为了摆脱这种挫败感，约 70% 的人选择生成式人工智能而非传统搜索来获取引导和推荐。此外，大多数人信任这些 AI 推荐，并在没有额外研究的情况下接受它们，因为这些推荐非常精准地解决了他们的需求。对于品牌来说，为了避免失去这些宝贵的互动机会（以及对产品在生成式 AI 工具中展示方式的控制），他们必须将搜索体验从通用型进化为基于上下文和数据的定制型。 + +**消费者在购物时越来越依赖视觉信息** + +难以描述所需物品的在线购物者更倾向于使用视觉信息来弥补差距。事实上，在 Pinterest 的一项调查中，85% 的受访者表示，在网上搜索服装和家具时，视觉信息比文字更重要。传统的关键词搜索根本无法提供基于视觉分析的结果。 + +## 人工智能与个性化如何共同重新定义搜索 + +今天，人工智能驱动的算法和个性化正在将搜索提升到新的高度。 + +搜索不再是千篇一律的；它可以根据人们寻找所需产品的各种方式进行动态调整。事实上，人们发现产品有三种常见方式。让我们逐一拆解，并深入探讨这些突破性的新搜索功能如何更好地满足消费者需求。 + +1. **为浏览型消费者提供个性化导航** + 这些购物者有兴趣探索特定类别中的内容，而不是直接导航到特定产品。 + + 为了根据这种高意图的浏览行为简化搜索体验，品牌可以使用个性化技术识别导航类搜索查询（如“男鞋”），并将这些查询引导至量身定制的类别页面，而非网站默认的搜索体验。 + + 这些类别页面还可以使用复杂的深度学习算法进行排序和优化，根据每个用户的偏好展示最相关的产品，并预测他们下一步可能最感兴趣的内容。不同的算法和理货规则也可以针对不同的页面和受众，以确定实现最大参与度的最佳组合。 + +2. **为目的驱动型消费者提供人工智能助手** + + 目的驱动型消费者知道自己想要什么，并最终在寻求引导。例如，他们可能知道自己需要健身服，但尚未缩小到具体产品。 + + 个性化和人工智能现在可以帮助零售商理解口语化、基于问题的搜索查询背后的意图。当与先进的语义搜索（可以解释查询背后的含义，而不仅仅是词语）相结合时，体验会变得更好。一个典型的例子是：像 Shopping Muse 这样由生成式人工智能驱动的对话式体验。无论购物者搜索“冬季跑步夹克”还是“冷天慢跑穿什么？”，这些 AI 聊天机器人都会使用自然语言处理和深度学习模型来回答直接问题，每次都推荐最相关的产品。通过分析上下文和行为数据，聊天机器人能更好地预测消费者下一步的需求。 + + 根据我们的经验，零售商发现，与不使用此类工具的购物者相比，参与互动的购物者购买意愿更强，客单价也更高。对于那些为他人购买礼物或缺乏产品知识的消费者来说，这也是找到完美礼物的简便方法。 + +3. **为产品驱动型消费者提供先进的语义搜索和视觉分析** + 这些是高意图的购物者，他们试图直接导航到特定的商品。 diff --git a/docs/blog/refer/dynamic-yield/ai-powered-personalization-shopping-assistants-decision-fatigue.md b/docs/blog/refer/dynamic-yield/ai-powered-personalization-shopping-assistants-decision-fatigue.md new file mode 100644 index 0000000..44094f3 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/ai-powered-personalization-shopping-assistants-decision-fatigue.md @@ -0,0 +1,44 @@ +# AI-Powered Personalization: Reducing Decision Fatigue and Boosting eCommerce Sales + +## Dynamic Yield Product Manager Lior Delouya outlines the universal problem of decision fatigue, and how retailers can use AI-powered personalization tools to overcome it. + +Let’s say you’re out with friends when the question of where to go to dinner arises. A search on your phone for what’s “nearby” greets you with a buffet of options, and you spend what feels like forever deciding on the right one, only to give up and opt for a place you’ve been a million times before. This is the paradox of choice: The more choices we have, the more overwhelmed we feel. Eventually that overwhelm leads to “decision fatigue,” or settling for a subpar option because it’s easier. + +But this problem isn’t limited to restaurant selection. As eCommerce platforms rapidly expand, smaller brands are entering the fray alongside established, global retailers. Now that consumers have more to choose from than ever—and the online web experiences of these brands are largely identical—shoppers are struggling to find exactly what they want. This can negatively impact their business KPIs, especially as shoppers jump to competitors’ websites or abandon their carts. + +**JR: What are some factors that pile up and contribute to decision fatigue?** + +Lior: Even seemingly minor tasks can significantly impact the shopping experience. You may not think of the following as decisions, but they are: +* Selecting filter options to narrow down product searches +* Determining the value of product reviews +* Evaluating promotional offers +* Contemplating whether to wait until an item goes on sale +* Considering an order with multiple items to reduce shipping costs +* Finding a balance between price vs. quality +* Choosing different payment methods at checkout +* Selecting the right shipping method +* Ensuring your items have the proper dimensions via size guides + +Each decision, however small, can collectively drain the consumer’s energy, leading to mental exhaustion and dissatisfaction with the shopping process over time. + +**Why might people give up on buying when searching from one website to another?** + +The effort and time required to navigate multiple websites—and compare prices, features, and reviews across those sites—can frustrate shoppers, especially if the process doesn’t quickly lead to a gratifying decision. Eventually, those shoppers become overwhelmed and paralyzed, abandon their shopping carts, and leave sites empty-handed. + +**Typically, expanding a brand’s product catalog is in its best interest. But how can brands achieve that goal without stressing out their customers?** + +Brands should strike a balance between offering a broad selection and organizing their offerings effectively. Of course, one of the best ways to do that is through personalization, which enables retailers to deliver bespoke product recommendations that streamline the shopping experience. + +Personalized conversational experiences can play a pivotal role here. They excel in providing inspiration and recommendations, which is particularly useful for customers who don’t have a specific product in mind. They can also mitigate the negative impact of a sprawling product catalog by ensuring customers don’t have to sift through irrelevant options to find what they’re looking for. + +**How does AI help narrow down decisions for users with no prior data?** + +AI can start by making initial recommendations based on contextual data (such as geolocation or local weather conditions), basic demographic information, and even comparisons with similar user profiles. It can then adapt when it interacts with the user. + +**Some believe AI is pulling us further away from the human experience—but it may actually be the other way around. How will the interplay between humans and AI evolve in the future?** + +As advancements in deep learning—and large language models (LLMs) in particular—gain momentum, the online shopping experience will begin to resemble a brick-and-mortar store. Imagine a personal stylist who is not only well-versed in the latest trends and fits but also deeply understands your unique style preferences and needs, meticulously selecting items tailored just for you. With the power of AI, every customer will have access to an expert guide that can lead them through their purchasing journey. + +**What advice do you have for companies interested in using AI-driven shopping assistants but hesitant about whether shoppers will embrace them?** + +As with any new technology, there’s an adoption curve. Well-defined entry points to the chat experience, targeted marketing campaigns that emphasize their usefulness, and clear, straightforward tutorials can help educate shoppers. Seamless integration into the online shopping environment is essential to ensure a smooth user experience. \ No newline at end of file diff --git a/docs/blog/refer/dynamic-yield/ai-powered-personalization-shopping-assistants-decision-fatigue_cn.md b/docs/blog/refer/dynamic-yield/ai-powered-personalization-shopping-assistants-decision-fatigue_cn.md new file mode 100644 index 0000000..d585633 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/ai-powered-personalization-shopping-assistants-decision-fatigue_cn.md @@ -0,0 +1,44 @@ +# AI 驱动的个性化：减少决策疲劳并提升电子商务销售 + +## Dynamic Yield 产品经理 Lior Delouya 概述了决策疲劳这一普遍问题，以及零售商如何利用 AI 驱动的个性化工具来克服它。 + +假设你正和朋友在外，突然讨论起去哪里吃晚饭。你在手机上搜索“附近”，迎接你的是琳琅满目的选择。你花了似乎永无止境的时间来决定哪家最合适，最后却放弃了，选择了一家你已经去过无数次的地方。这就是“选择悖论”：我们的选择越多，就越感到不知所措。最终，这种不知所措会导致“决策疲劳”，或者因为更省事而选择一个次优方案。 + +但这个问题并不局限于餐厅选择。随着电子商务平台的迅速扩张，较小的品牌正与成熟的全球零售商一起加入竞争。现在消费者的选择比以往任何时候都多，而这些品牌的在线网页体验在很大程度上是大同小异的，购物者正挣扎于寻找他们真正想要的东西。这可能会对业务 KPI 产生负面影响，尤其是当购物者跳向竞争对手的网站或放弃购物车时。 + +**JR：有哪些因素累积起来导致了决策疲劳？** + +Lior：即使是看似微不足道的任务也会显著影响购物体验。你可能不认为以下这些是决策，但它们确实是： +* 选择过滤选项以缩小产品搜索范围 +* 判断产品评论的价值 +* 评估促销优惠 +* 考虑是否等待商品降价 +* 考虑包含多件商品的订单以降低运费 +* 在价格与质量之间寻找平衡 +* 在结账时选择不同的支付方式 +* 选择合适的配送方式 +* 通过尺码指南确保商品尺寸合适 + +每一个决定，无论多么微小，都会共同消耗消费者的精力，随着时间的推移导致精神疲惫和对购物过程的不满。 + +**为什么人们在不同网站之间搜索时可能会放弃购买？** + +在多个网站之间导航，并跨站点比较价格、功能和评论所需的精力和时间会让购物者感到沮丧，尤其是当这个过程不能迅速带来令人满意的决定时。最终，这些购物者会变得不知所措并陷入瘫痪，放弃购物车，空手离开网站。 + +**通常，扩大品牌的产品目录符合其最佳利益。但品牌如何在不让客户感到压力的情况下实现这一目标呢？** + +品牌应该在提供广泛选择和有效组织产品之间取得平衡。当然，实现这一目标的最佳方式之一是通过个性化，这使零售商能够提供定制化的产品推荐，从而简化购物体验。 + +个性化的对话式体验在这里可以发挥关键作用。它们擅长提供灵感和建议，这对于那些没有特定目标产品的客户特别有用。它们还可以通过确保客户不必在无关选项中筛选就能找到所需物品，从而减轻庞大产品目录带来的负面影响。 + +**AI 如何帮助没有先前数据的用户缩小决策范围？** + +AI 可以首先根据上下文数据（如地理位置或当地天气状况）、基本人口统计信息，甚至与相似用户画像的比较来做出初步推荐。然后，它可以在与用户互动时进行调整。 + +**有些人认为 AI 正让我们远离人类体验，但事实可能恰恰相反。未来人类与 AI 的互动将如何演变？** + +随着深度学习——特别是大语言模型（LLM）——的进步，在线购物体验将开始类似于实体店。想象一位私人造型师，他不仅精通最新的趋势和剪裁，还深刻理解你独特的风格偏好和需求，为你精心挑选每一件单品。借助 AI 的力量，每位客户都将拥有一位专家指南，引导他们完成购买旅程。 + +**对于那些对使用 AI 驱动的购物助手感兴趣，但犹豫购物者是否会接受的公司，你有什么建议？** + +与任何新技术一样，都有一个采用曲线。明确的聊天体验入口、强调其用途的针对性营销活动，以及清晰、直接的教程都可以帮助教育购物者。与在线购物环境的无缝集成对于确保流畅的用户体验至关重要。 diff --git a/docs/blog/refer/dynamic-yield/dynamic_yield_articles.zip b/docs/blog/refer/dynamic-yield/dynamic_yield_articles.zip new file mode 100644 index 0000000..16d302c Binary files /dev/null and b/docs/blog/refer/dynamic-yield/dynamic_yield_articles.zip differ diff --git a/docs/blog/refer/dynamic-yield/dynamic_yield_articles_cn.zip b/docs/blog/refer/dynamic-yield/dynamic_yield_articles_cn.zip new file mode 100644 index 0000000..a812f23 Binary files /dev/null and b/docs/blog/refer/dynamic-yield/dynamic_yield_articles_cn.zip differ diff --git a/docs/blog/refer/dynamic-yield/free-ab-testing-calculators.md b/docs/blog/refer/dynamic-yield/free-ab-testing-calculators.md new file mode 100644 index 0000000..0f350f7 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/free-ab-testing-calculators.md @@ -0,0 +1,35 @@ +# Free Bayesian A/B Testing Calculators + +## We’re excited to announce the official release of two free and useful tools: Our Bayesian A/B Testing Calculator and Test Duration/Sample Size Calculator. + +A while back, we explored a less restrictive and more reliable approach to A/B testing in the form of a newer, Bayesian testing method. With its simplicity, reliability, and intuitiveness, the Bayesian framework is a superior A/B testing methodology which will provide marketers a quicker and more robust statistical engine. + +Therefore, we’ve been working long and hard to make it easier for marketers and conversion rate optimizers to utilize this new approach. And for us, that’s meant taking the complex math out of the equation. + +## Bayesian A/B Testing Calculator + +Our Bayesian-powered A/B testing calculator will help you find out if your test results are statistically significant. For each variation you test, all you have to do is input the total sample size and number of conversions. Then, based on statistical significance, the statistical engine will declare a winning variation. + +Here’s a quick breakdown of the terms and metrics we run: + +* **Sample Size** – The number of users, sessions, or impressions depending on your KPI. +* **Conversion** – The number of clicks, even purchases or goal completions (e.g. purchases or video views). +* **Conversion Rate** – The number of completed actions (i.e. conversions) divided by the sample size. +* **Probability to be Best** – Each variation’s long-term probability to outperform all other live variations. +* **Expected Loss** – The percent you are expected to lose in the long term if you declare the wrong variation as a winner. +* **Posterior Simulation of Difference** – The distribution of conversion rates given the sample size collected so far. + +## Bayesian A/B Test Duration & Sample Size Calculator + +Not sure how long you will have to run your experiments in order to get statistically significant results? + +Our free online Bayesian-powered A/B test duration and sample size calculator will help you avoid false positives and increase the validity of your A/B testing. There’s no hard limit on how many variations you can test against the control. + +The calculated output provides range estimations of the time required to run the test in order to get statistically significant results, and the minimum required sample size to support that. + +Here’s a quick breakdown of the terms and metrics we run: + +* **Baseline conversion rate** – The current conversion rate for the experience you’re testing. +* **Expected uplift in conversion rate** – The X% change in conversion rate you are aiming for from your baseline rate. +* **Number of variations** – The number of variations compared in a single test. +* **Average sample size per day** – The number of visitors to be served in the experiment over the course of one day. \ No newline at end of file diff --git a/docs/blog/refer/dynamic-yield/free-ab-testing-calculators_cn.md b/docs/blog/refer/dynamic-yield/free-ab-testing-calculators_cn.md new file mode 100644 index 0000000..c1332ca --- /dev/null +++ b/docs/blog/refer/dynamic-yield/free-ab-testing-calculators_cn.md @@ -0,0 +1,35 @@ +# 免费的贝叶斯 A/B 测试计算器 + +## 我们很高兴地宣布正式发布两款免费且实用的工具：贝叶斯 A/B 测试计算器以及测试时长/样本量计算器。 + +不久前，我们探索了一种限制更少、更可靠的 A/B 测试方法，即较新的贝叶斯测试法。凭借其简单性、可靠性和直观性，贝叶斯框架是一种卓越的 A/B 测试方法论，它将为营销人员提供一个更快速、更强大的统计引擎。 + +因此，我们一直致力于让营销人员和转化率优化师更容易地利用这种新方法。对我们来说，这意味着将复杂的数学计算从等式中剔除。 + +## 贝叶斯 A/B 测试计算器 + +我们的贝叶斯驱动 A/B 测试计算器将帮助你确定测试结果是否具有统计显著性。对于你测试的每个变体，你只需输入总样本量和转化次数。然后，统计引擎将根据统计显著性宣布获胜变体。 + +以下是我们运行的术语和指标的简要说明： + +* **样本量 (Sample Size)** – 根据你的 KPI 确定的用户数、会话数或曝光数。 +* **转化 (Conversion)** – 点击次数，甚至是购买或目标完成次数（例如购买或视频观看）。 +* **转化率 (Conversion Rate)** – 完成的动作数（即转化次数）除以样本量。 +* **成为最佳的概率 (Probability to be Best)** – 每个变体长期表现优于所有其他在线变体的概率。 +* **预期损失 (Expected Loss)** – 如果你宣布了错误的变体为获胜者，长期预期会损失的百分比。 +* **差异的后验模拟 (Posterior Simulation of Difference)** – 给定目前收集到的样本量，转化率的分布情况。 + +## 贝叶斯 A/B 测试时长与样本量计算器 + +不确定需要运行实验多久才能获得统计显著的结果？ + +我们免费的在线贝叶斯驱动 A/B 测试时长和样本量计算器将帮助你避免假阳性，并提高 A/B 测试的有效性。对于你可以针对对照组测试的变体数量没有硬性限制。 + +计算出的输出提供了获得统计显著结果所需运行测试的时间范围估计，以及支持该结果所需的最小样本量。 + +以下是我们运行的术语和指标的简要说明： + +* **基准转化率 (Baseline conversion rate)** – 你正在测试的体验的当前转化率。 +* **预期转化率提升 (Expected uplift in conversion rate)** – 你目标在基准转化率基础上实现的 X% 变化。 +* **变体数量 (Number of variations)** – 在单个测试中进行比较的变体数量。 +* **每日平均样本量 (Average sample size per day)** – 实验过程中一天内服务的访客数量。 diff --git a/docs/blog/refer/dynamic-yield/gartner-magic-quadrant-personalization.md b/docs/blog/refer/dynamic-yield/gartner-magic-quadrant-personalization.md new file mode 100644 index 0000000..cb7a886 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/gartner-magic-quadrant-personalization.md @@ -0,0 +1,27 @@ +# Gartner Magic Quadrant for Personalization Engines + +Gartner Magic Quadrant for Personalization Engines refers to a specific Gartner report which evaluates competing players in the major technology market for personalization engines. + +Gartner is one of the world’s leading research and advisory companies, whose rigorous research process and proven methodologies have provided businesses with objective insights they need to make the right decisions. Every year, Gartner releases its Magic Quadrant, a report positioning technology players within a specific market. + +In its fourth consecutive market research report on Personalization Engines, the 2021 Gartner Magic Quadrant evaluated 12 solution providers based on their ability to execute as well as completeness of vision. + +### Why Personalization? + +According to Gartner: +“Personalization remains a priority for digital marketing leaders. Relevant and timely messaging is key to educating customers, minimizing friction and building purchase consideration. Use this research to assess personalization engines that will enable you to deliver measurable results.” — Gartner + +### How Does Gartner Define Personalization Engines? + +Personalization Engines are software that enables marketers to identify, deliver and measure the optimum experience for an individual customer or prospect based on their past interactions, current context and predicted intent. Personalization engines help marketers identify, select, tailor and deliver messaging such as content, offers and other interactions across customer touchpoints in support of three primary use cases: marketing, digital commerce, and service and support. — Gartner + +### What Evaluation Criteria does Gartner Use? + +By applying its standard Magic Quadrant graphical treatment and a uniform set of evaluation criteria, Gartner’s differentiated each personalization engine by: + +* **Leaders** execute well against their current vision and are well positioned for tomorrow. +* **Visionaries** understand where the market is going or have a vision for changing market rules, but do not yet execute well. +* **Niche Players** focus successfully on a small segment, or are unfocused and do not out-innovate or outperform others. +* **Challengers** execute well today or may dominate a large segment, but do not demonstrate an understanding of market direction. + +Gartner has positioned Dynamic Yield in the Leaders quadrant for the fourth consecutive year based on our ability to execute and completeness of vision in its annual Magic Quadrant for Personalization Engines. \ No newline at end of file diff --git a/docs/blog/refer/dynamic-yield/gartner-magic-quadrant-personalization_cn.md b/docs/blog/refer/dynamic-yield/gartner-magic-quadrant-personalization_cn.md new file mode 100644 index 0000000..b5eb4e9 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/gartner-magic-quadrant-personalization_cn.md @@ -0,0 +1,27 @@ +# Gartner 个性化引擎魔力象限 + +Gartner 个性化引擎魔力象限（Magic Quadrant for Personalization Engines）是指一份特定的 Gartner 报告，该报告评估了个性化引擎这一主要技术市场中的竞争参与者。 + +Gartner 是全球领先的研究和咨询公司之一，其严谨的研究过程和成熟的方法论为企业提供了做出正确决策所需的客观见解。每年，Gartner 都会发布其魔力象限报告，对特定市场内的技术参与者进行定位。 + +在连续第四份关于个性化引擎的市场研究报告中，2021 年 Gartner 魔力象限根据执行能力和愿景完整性评估了 12 家解决方案提供商。 + +### 为什么需要个性化？ + +根据 Gartner 的说法： +“个性化仍然是数字营销领导者的首要任务。相关且及时的信息传递是教育客户、减少摩擦和建立购买考量的关键。利用这项研究来评估能够让你交付可衡量结果的个性化引擎。” —— Gartner + +### Gartner 如何定义个性化引擎？ + +个性化引擎是一种软件，它使营销人员能够根据个人客户或潜在客户过去的互动、当前的上下文和预测的意图，识别、交付和衡量最佳体验。个性化引擎帮助营销人员识别、选择、定制并在客户触点上交付信息（如内容、优惠和其他互动），以支持三个主要用例：营销、数字商务以及服务与支持。 —— Gartner + +### Gartner 使用什么评估标准？ + +通过应用其标准的魔力象限图形处理方式和一套统一的评估标准，Gartner 将每种个性化引擎区分为： + +* **领导者 (Leaders)**：针对当前愿景执行良好，并为未来做好了充分准备。 +* **远见者 (Visionaries)**：了解市场走向或拥有改变市场规则的愿景，但执行力尚不足。 +* **特定领域者 (Niche Players)**：成功专注于一小部分市场，或者缺乏重点，且在创新或表现上不如他人。 +* **挑战者 (Challengers)**：当前执行良好或可能主导一个大细分市场，但尚未表现出对市场方向的理解。 + +基于执行能力和愿景完整性，Gartner 在其年度个性化引擎魔力象限中连续第四年将 Dynamic Yield 定位于“领导者”象限。 diff --git a/docs/blog/refer/dynamic-yield/integrate-generative-ai-personalization-workflow.md b/docs/blog/refer/dynamic-yield/integrate-generative-ai-personalization-workflow.md new file mode 100644 index 0000000..2a0c612 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/integrate-generative-ai-personalization-workflow.md @@ -0,0 +1,31 @@ +# 3 Tips to Integrate Generative AI into Your Personalization Workflow + +## Harry Hanson-Smith, VP of Northern Europe, shares his tips on optimizing data, mastering AI prompt training, and exploring advanced tools to boost efficiency and business impact. + +From the looks of my LinkedIn feed, I’ve begun to sense that the market is feeling a bit overwhelmed by the noise around generative AI. And after speaking with personalization teams and business leaders, it’s clear that AI is being adapted faster in cultural conversation than it is being implemented in businesses and personal processes. I’m here to cut through the noise and tell you not only that teams *can* integrate AI into their workflows today and optimize both their results and efficiency—for their individual careers and overall business impact—but that they *should* ASAP. + +Though AI has widened the possibilities of what a single person can do in terms of creation and analysis, it still relies on that one person’s expertise. For example, though a marketer can use GenAI to create hundreds of different copy options to A/B test for in a new campaign, that marketer still needs to write a prompt that communicates information regarding a brand and its audience and edit its outputs to ensure they feel natural and rooted in genuine human empathy. And though a marketer can use advanced machine learning tools to anticipate and fulfill customer needs, it can only do so with pinpoint accuracy if the data feed is error-free. + +In sum: People need to implement generative AI into their workflows for any real gains to be made. While all this prep work and QA’ing can feel too expensive and difficult for personalization teams, it’s imperative to do the work now. But luckily, there’s much that can be done to make the journey feel less daunting. Here, three key strategies that I’ve seen work for personalization practitioners, teams, and leaders. + +## **Invest in Your Data Now:** + +There are already many AI-powered recommendation tools baked into your operating system (we’ll get to them later), but to ensure maximum impact, you’ll need to collect and utilize your data effectively. AI capabilities hinge entirely on the quality and quantity of data it’s exposed to, so your team needs to make sure all data is relevant and consistent. + +It’s not an easy task, but it’s worth it. Let’s look at home24 as an example: As the company grew their personalization program, they noticed their product feed was less-than-perfect, due to a previous strategy that focused on time to market over data integrity. To maintain their competitive advantage, home24 had to completely reorganize the structure of their product feed, purging any duplicated, irrelevant, or inconsistent attributes, and adding those that are timely. While the project was an incredibly technical, time-consuming, and complicated project, it was also the only way to improve AI-powered recommendation quality and ensure the data feed’s integrity as the program scaled. + +While teams may want to delay this work, the time to tidy up the product feed is now as it will guarantee a competitive advantage. + +## **Explore AI Prompt Training:** + +Marketers can supplement their workflows with text-based AI tools like Gemini or ChatGPT, or image-based tools like Canva to create different copy and visual variations for A/B testing. I’ve heard from my network that the most common challenge teams face around AI adoption was knowing how to nail the perfect prompt—and this is easily solved with proper training. You need to be explicit to create any usable asset that aligns with your brand and goals. The context you provide for a text-based AI tool is just as important as the type of tool you’re using. As we know, AI is still a fallible technology, but continuing to experiment with writing AI prompts will give you a better sense of the level of specificity the tool requires to suit your needs. + +Marketers need practical tips for using AI, and I found this resource from Harvard University to be an excellent jumping-off point. You can provide any number of directions to the tool, like what you do or do not want to be included and how you want it to be presented. Feedback is essential, too. If you aren’t satisfied with an output, let the tool know so it can correct the mistake. And if you’re stuck on creating a prompt altogether, ask AI to help generate one for you. When given the appropriate context and direction, AI can yield incredible results. + +## **Experiment with Different AI Tools:** + +Beyond GenAI, there are advanced AI-powered tools that can plug directly into your personalization provider and improve the user experience and product recommendations. For example, in a world where customers seek highly personalized digital experiences, sophisticated generative AI-powered chatbots can create a conversational commerce experience that mimics the in-store consultative experience, using machine learning capabilities that identify and surface visually similar products. You can also improve recommendations with deep learning that processes data inputs across users to identify trends and patterns across your customer’s behavior. + +## **The Future Is Now** + +As AI continues to revolutionize how marketers can interact with consumers, there’s pressure to leverage it as much as possible to stay efficient and ahead of the game. Experimenting with what’s available will take time and patience, but once you cut through the fluff, the benefits you will see will far outweigh any growing pains, plus help you discover more innovative and elevated personalization strategies. I hope these practical examples give you a place to start in your everyday role. \ No newline at end of file diff --git a/docs/blog/refer/dynamic-yield/integrate-generative-ai-personalization-workflow_cn.md b/docs/blog/refer/dynamic-yield/integrate-generative-ai-personalization-workflow_cn.md new file mode 100644 index 0000000..dc9eff2 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/integrate-generative-ai-personalization-workflow_cn.md @@ -0,0 +1,31 @@ +# 将生成式 AI 整合到个性化工作流中的 3 个建议 + +## 北欧区副总裁 Harry Hanson-Smith 分享了他在优化数据、掌握 AI 提示词训练以及探索先进工具以提升效率和业务影响方面的建议。 + +从我的 LinkedIn 动态来看，我开始感觉到市场对生成式 AI 的喧嚣感到有些不知所措。在与个性化团队和业务领导者交流后，很明显，AI 在文化讨论中的普及速度远快于其在业务和个人流程中的实际应用。我在这里是为了拨开迷雾，告诉大家：团队不仅*可以*在今天就将 AI 整合到工作流中，并优化结果和效率（无论是对个人职业生涯还是整体业务影响），而且*应该*尽快行动。 + +虽然 AI 扩大了个人在创作和分析方面的可能性，但它仍然依赖于个人的专业知识。例如，虽然营销人员可以使用生成式 AI 为新活动创建数百个不同的文案选项进行 A/B 测试，但该营销人员仍需要编写一个能够传达品牌及其受众信息的提示词（prompt），并编辑输出结果，以确保它们感觉自然且植根于真实的人类情感。此外，虽然营销人员可以使用先进的机器学习工具来预测并满足客户需求，但只有在数据馈送（data feed）准确无误的情况下，它才能实现精准预测。 + +总之：人们需要将生成式 AI 落实到工作流中，才能获得真正的收益。虽然这些准备工作和质量保证（QA）对个性化团队来说可能显得既昂贵又困难，但现在就开始行动至关重要。幸运的是，有很多方法可以让这段旅程看起来不那么令人生畏。以下是我在个性化从业者、团队和领导者中看到的行之有效的三大关键策略。 + +## **立即投资于你的数据：** + +你的操作系统中可能已经内置了许多 AI 驱动的推荐工具（我们稍后会提到），但为了确保最大影响，你需要有效地收集和利用数据。AI 的能力完全取决于它所接触的数据质量和数量，因此你的团队需要确保所有数据都是相关且一致的。 + +这不是一项简单的任务，但非常值得。以 home24 为例：随着公司个性化项目的增长，他们发现其产品馈送并不完美，这是因为之前的策略更注重上市时间而非数据完整性。为了保持竞争优势，home24 必须彻底重组其产品馈送结构，清除任何重复、无关或不一致的属性，并添加及时的属性。虽然这是一个技术性极强、耗时且复杂的项目，但它是提高 AI 驱动推荐质量并确保项目规模化时数据完整性的唯一途径。 + +虽然团队可能想推迟这项工作，但现在就是整理产品馈送的时候，因为这将保证你的竞争优势。 + +## **探索 AI 提示词训练：** + +营销人员可以使用 Gemini 或 ChatGPT 等文本类 AI 工具，或 Canva 等图像类工具来辅助工作流，为 A/B 测试创建不同的文案和视觉版本。我从我的社交网络中了解到，团队在采用 AI 时面临的最常见挑战是不知道如何写出完美的提示词——而这可以通过适当的培训轻松解决。你需要明确表达需求，才能创建出符合品牌和目标的可用资产。你为文本类 AI 工具提供的上下文与你使用的工具类型同样重要。众所周知，AI 仍是一项会犯错的技术，但不断尝试编写 AI 提示词会让你更好地了解工具所需的具体程度，以满足你的需求。 + +营销人员需要使用 AI 的实用技巧，我发现哈佛大学的这份资源是一个极佳的起点。你可以向工具提供任何数量的指令，比如你希望包含或排除的内容，以及你希望如何呈现。反馈也至关重要。如果你对输出不满意，请告知工具，以便它纠正错误。如果你在创建提示词时遇到困难，可以请 AI 帮你生成一个。在提供适当的上下文和方向时，AI 可以产生令人惊叹的结果。 + +## **尝试不同的 AI 工具：** + +除了生成式 AI，还有一些先进的 AI 驱动工具可以直接接入你的个性化服务商，从而改善用户体验和产品推荐。例如，在客户寻求高度个性化数字体验的世界里，复杂的生成式 AI 驱动的聊天机器人可以创造一种模仿店内咨询体验的对话式商务体验，利用机器学习能力识别并展示视觉上相似的产品。你还可以通过深度学习来改进推荐，深度学习可以处理跨用户的输入数据，从而识别客户行为中的趋势和模式。 + +## **未来已来** + +随着 AI 继续革新营销人员与消费者的互动方式，利用 AI 来保持高效和领先地位的压力也随之而来。尝试现有工具需要时间和耐心，但一旦你拨开虚饰，你将看到的收益将远超任何成长的烦恼，并帮助你发现更具创新性和更高水平的个性化策略。我希望这些实用的例子能为你日常工作提供一个起点。 diff --git a/docs/blog/refer/dynamic-yield/introduction-to-ab-testing.md b/docs/blog/refer/dynamic-yield/introduction-to-ab-testing.md new file mode 100644 index 0000000..a939c96 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/introduction-to-ab-testing.md @@ -0,0 +1,62 @@ +# An introduction to A/B testing and optimization + +## A comprehensive guide to A/B testing, explaining the differences between A/B and multivariate testing, how to conduct tests in a structured and progressive way, and the thought process behind choosing the right experiment. + +**Summarize this article** + +* A/B testing is a scientific method for comparing two versions of a webpage or app to see which performs better for a specific goal, like increasing conversions or user engagement. +* It’s a powerful tool for optimizing websites, mobile apps, emails, and more, and can help solve UX issues, improve performance, and boost engagement. +* To run an A/B test, you first define a problem or user behavior you want to address. Then, you create variations of your original element and split website traffic between them. Finally, you collect and analyze data to see which variation performs best. +* Common A/B tests include testing different navigation menus, optimizing landing pages, and experimenting with promotional messages. + +A/B testing is a method of comparing two versions of a webpage or app against each other to determine which one performs better against a specific objective. It is one of the most widely used techniques for maximizing the performance of digital assets such as websites, mobile applications, SaaS products, emails, and more. + +Controlled experiments provide marketers, product managers, and engineers with the agility to iterate fast and at scale, leading to data-driven, thoroughly informed decisions about their creative ideas. With A/B tests, you can stop wondering why some things are not working, because the proof is in the pudding. It’s the perfect method to improve conversion rate, increase revenue, grow your subscribers base, and improve your customer acquisition and lead generation results. + +## What is an A/B Test? + +In a classic A/B testing procedure, we decide what we would like to test and what our objective is. Then, we create one or more variations of our original web element (a.k.a. the control group, or the baseline). Next, we split the website traffic randomly between two variations (i.e., we randomly allocate visitors according to some probability), and finally, we collect data regarding our web page performance (metrics). After some time, we look at the data, pick the variation that performed best, and cancel the one that performed poorly. + +If not done correctly, tests can fail to produce meaningful, valuable results and can even mislead. Generally speaking, running controlled experiments can help organizations with: + +1. Solving UX issues and common visitor pain points +2. Improving performance from existing traffic (higher conversions and revenue, improve customer acquisition costs) +3. Increasing overall engagement (reducing bounce rate, improving click-through rate, and more.) + +We must keep in mind that the moment we pick a variation, we are generalizing the measures we collected up to that point to the entire population of potential visitors. This is a significant leap of faith, and it must be done in a valid way. Otherwise, we are eventually bound to make a bad decision that will harm the web page in the long run. The process of gaining validity is called *hypothesis testing*, and the validity we seek is called *statistical significance*. + +**Some examples of A/B tests:** + +* Testing different sorting orders of the site’s navigation menu +* Testing and optimizing landing pages +* Testing promotional messages, like newsletter subscription overlays and banners + +## How an A/B test is born: Constructing a hypothesis + +An A/B test starts by identifying a problem that you wish to resolve, or a user behavior you want to encourage or influence. Once identified, the marketer would typically conclude a hypothesis – an educated guess that will either validate or invalidate the experiment’s results. + +**Example hypothesis**: Adding a Social Proof badge to your Product Detail Pages (PDP) will inform visitors of the product’s popularity and increase add-to-cart events by 10%. + +In this case, once the problem is identified (low add-to-cart rate, as an example) and a hypothesis is worked out (adding a social proof badge to encourage more website visitors to add items to their carts), you are ready to test it on your site. + +## The classic approach to A/B testing + +In a simple A/B test, traffic is split between two variations of content. One is considered the control and contains the original content and design. The other functions as a new version of the controlled variation. The variation may be different in many aspects. For example, we could test a variation with different headline text, call-to-action buttons, a new layout or design, and so on. + +In a classic page-level experiment, you don’t necessarily need two different URLs to run a proper test. Most A/B testing solutions will let you create variations dynamically by modifying the content, layout, or design of the page. + +However, if you have two (or more) sets of pages that you’re looking to include in a controlled test, you should probably consider using a split URL test. + +## When to use split URL tests + +Split URL testing, sometimes referred to as “multi-page” or “multi-URL” testing, is a similar method to a standard A/B test, which allows you to conduct experiments based on separate URLs of each variation. + +With this method, you can conduct tests between two existing URLs, which is especially useful when serving dynamic content. Run a split URL test when you already have two existing pages and want to test which one of them performs better. + +For example, if you’re running a campaign and you have two different versions for potential landing pages, you can run a split URL test to examine which one will perform better for that particular campaign. + +## An A/B test is not limited to just two variations + +If you want to test more than just two variations, you can run an A/B/n test. A/B/n tests allow you to measure the performance of three or more variations instead of testing only one variation against a control page. High-traffic sites can use this testing method to evaluate the performance of a much broader set of changes and maximize test time with faster results. + +However, although it is useful for any testing, from minor to dramatic changes, I recommend not making too many changes between the control and variation. Try making just a few critical and prominent changes to understand the possible causal reasons for the results of the experiment. If you are looking to test changes to multiple elements on a web page, consider running a multivariate test. \ No newline at end of file diff --git a/docs/blog/refer/dynamic-yield/introduction-to-ab-testing_cn.md b/docs/blog/refer/dynamic-yield/introduction-to-ab-testing_cn.md new file mode 100644 index 0000000..b18bb06 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/introduction-to-ab-testing_cn.md @@ -0,0 +1,62 @@ +# A/B 测试与优化入门 + +## 一份关于 A/B 测试的全面指南，解释了 A/B 测试与多变量测试的区别，如何以结构化和渐进的方式进行测试，以及选择正确实验背后的思考过程。 + +**文章摘要** + +* **A/B 测试**是一种科学方法，用于比较网页或应用程序的两个版本，以查看哪个版本在特定目标（如增加转化率或用户参与度）上表现更好。 +* 它是优化网站、移动应用、电子邮件等的强大工具，可以帮助解决用户体验（UX）问题、提高性能并增强参与度。 +* 运行 A/B 测试时，首先要定义一个你想要解决的问题或想要鼓励的用户行为。然后，创建原始元素的变体，并在它们之间分配网站流量。最后，收集并分析数据，看哪个变体表现最好。 +* 常见的 A/B 测试包括测试不同的导航菜单、优化落地页以及尝试不同的促销信息。 + +A/B 测试是一种将网页或应用程序的两个版本进行对比的方法，以确定哪一个在特定目标下表现更好。它是最大化数字资产（如网站、移动应用、SaaS 产品、电子邮件等）性能的最广泛使用的技术之一。 + +受控实验为营销人员、产品经理和工程师提供了快速且大规模迭代的灵活性，从而针对他们的创意想法做出数据驱动、信息充分的决策。通过 A/B 测试，你不再需要猜测为什么某些东西不起作用，因为事实胜于雄辩。它是提高转化率、增加收入、扩大订阅用户群以及改善客户获取和潜在客户生成结果的完美方法。 + +## 什么是 A/B 测试？ + +在经典的 A/B 测试流程中，我们首先决定要测试什么以及目标是什么。然后，我们为原始网页元素（即对照组或基准）创建一个或多个变体。接下来，我们将网站流量随机分配到两个变体之间（即根据某种概率随机分配访问者），最后收集有关网页性能的数据（指标）。一段时间后，我们查看数据，选择表现最好的变体，并取消表现较差的变体。 + +如果操作不当，测试可能无法产生有意义、有价值的结果，甚至可能产生误导。总的来说，运行受控实验可以帮助组织： + +1. **解决 UX 问题和常见的访问者痛点** +2. **提高现有流量的性能**（更高的转化率和收入，改善客户获取成本） +3. **增加整体参与度**（降低跳出率，提高点击率等） + +我们必须记住，当我们选择一个变体时，我们是在将到那时为止收集到的衡量结果推广到所有潜在访问者的整体人群中。这是一个重大的飞跃，必须以有效的方式进行。否则，我们最终注定会做出错误的决定，从长远来看会损害网页。获得有效性的过程称为**假设检验**，我们寻求的有效性称为**统计显著性**。 + +**A/B 测试的一些示例：** + +* 测试网站导航菜单的不同排序顺序 +* 测试和优化落地页 +* 测试促销信息，如新闻通讯订阅弹窗和横幅 + +## A/B 测试是如何诞生的：构建假设 + +A/B 测试始于识别一个你希望解决的问题，或者一个你想要鼓励或影响的用户行为。一旦识别出来，营销人员通常会得出一个假设——一个将验证或否定实验结果的有根据的猜测。 + +**假设示例**：在产品详情页（PDP）添加“社交证明”勋章将告知访问者该产品的受欢迎程度，并将“加入购物车”事件增加 10%。 + +在这种情况下，一旦识别出问题（例如加入购物车率低）并制定了假设（添加社交证明勋章以鼓励更多网站访问者将商品加入购物车），你就可以在网站上进行测试了。 + +## A/B 测试的经典方法 + +在简单的 A/B 测试中，流量在两个内容变体之间分配。一个被视为对照组，包含原始内容和设计。另一个作为受控变体的新版本。变体在许多方面可能有所不同。例如，我们可以测试具有不同标题文本、行动呼吁（CTA）按钮、新布局或设计等的变体。 + +在经典的页面级实验中，你并不一定需要两个不同的 URL 来运行适当的测试。大多数 A/B 测试解决方案允许你通过修改页面的内容、布局或设计来动态创建变体。 + +但是，如果你有两组（或更多组）页面想要包含在受控测试中，你可能应该考虑使用**拆分 URL 测试**。 + +## 何时使用拆分 URL 测试 + +拆分 URL 测试（有时称为“多页面”或“多 URL”测试）是一种类似于标准 A/B 测试的方法，它允许你基于每个变体的独立 URL 进行实验。 + +通过这种方法，你可以在两个现有 URL 之间进行测试，这在提供动态内容时特别有用。当你已经有两个现有页面并想测试其中哪一个表现更好时，请运行拆分 URL 测试。 + +例如，如果你正在运行一个活动，并且有两个不同版本的潜在落地页，你可以运行拆分 URL 测试来检查哪一个在该特定活动中表现更好。 + +## A/B 测试不限于两个变体 + +如果你想测试两个以上的变体，可以运行 **A/B/n 测试**。A/B/n 测试允许你衡量三个或更多变体的性能，而不是仅针对对照页面测试一个变体。高流量网站可以使用这种测试方法来评估更广泛的变化集的性能，并通过更快的反馈最大化测试时间。 + +然而，尽管它适用于从微小到剧烈变化的任何测试，我建议不要在对照组和变体之间做太多的改变。尝试仅进行几项关键且显著的更改，以了解实验结果可能的因果原因。如果你想测试网页上多个元素的更改，请考虑运行**多变量测试**。 diff --git a/docs/blog/refer/dynamic-yield/rnn-lstm-product-recommendations.md b/docs/blog/refer/dynamic-yield/rnn-lstm-product-recommendations.md new file mode 100644 index 0000000..b24101d --- /dev/null +++ b/docs/blog/refer/dynamic-yield/rnn-lstm-product-recommendations.md @@ -0,0 +1,54 @@ +# How RNNs and LSTM Drive Smarter Product Recommendations + +## Recurrent neural networks and long short-term memory are enabling marketers to make hyper-targeted predictions in real-time. + +For the past decade, personalization has delivered targeted experiences, found the best variations through testing, and recommended similar products. But it’s not without its limitations. + +For example, I recently bought a treadmill from a certain eCommerce behemoth. I don’t need two treadmills (obviously), and yet, my personalized product recommendations are reliably all treadmills—which will probably be the case until I realize I also need new running shoes. + +It’s 2024. Can’t we account for situations like this? + +To get some answers, I talked to Udi Zisquit, a Senior Product Manager at Dynamic Yield with 10+ years of experience in building, managing, and deploying some of the world’s leading software solutions in customer experience and personalization. Here’s what he had to say: + +**Ernie: Why is understanding the relationship between products and user behavior so important right now?** + +Udi: The way I see it, there are three major contributing factors: + +*1. Rapid technological advancement* +To state the obvious, we’re living through unprecedented advancements and explosive growth in AI. New capabilities that seemed like science fiction just a couple of years ago are being dropped on us almost daily. From generative AI and LLMs to advancements in robotics, autonomous vehicles, computer vision, mixed reality headsets, and more. + +*2. Empathy as the new currency* +A byproduct of the rise of AI is the blurring lines between the natural and artificial, which is cultivating an expectation for human-like interactions from any other form of “sentient” beings, artificial or not. In our context, consumers expect all digital interfaces they interact with— websites, apps, digital assistants, outdoor kiosks—to see them, understand them, grasp their life journey, and account for their feelings and needs. + +*3. Data overload* +For the last decade, businesses have been encouraged to aggregate as much data as possible. They assume that if you invest enough in collecting and organizing your data, you’ll solve your problems and grow your business. However, this isn’t the case. Because businesses can’t easily sort, analyze, and act on such vast data, they’re losing billions in potential revenue. Collecting data isn’t enough. They need the technology to transform it into real engagement with their customers. + +**How is it helping marketers better understand their audiences?** + +Well, predictive personalization used to look like this: +* Collect the data +* Analyze it +* Set up conversion funnels +* Identify patterns and characteristics of cohorts +* Segment using primarily contextual or transaction-based data points +* Set up programmatic targeted experiences +* Track and analyze results +* Repeat + +The problem is that sequencing is very difficult, long-term dependencies are impossible to track, and all optimization efforts are short-term and myopic. + +But Recurrent Neural Networks (RNNs) now let us understand intricate, nuanced user journeys for the first time in history. It’s like a powerful, outsourced “brain” that can zoom out and analyze the hundreds of millions of user behaviors, predict their next step, and let us take action for all of them simultaneously. + +Unlike regular feedforward neural networks where data points are given at the same time, a Recurrent Neural Network specializes in sequential data on a timeline. An RNN can train on every action, every turn, every hesitation, and every decision, then accurately place them in order and understand which patterns and sequences lead to certain outcomes. + +There are also LSTM (Long Short-Term Memory) layers that carry important information through recurrent learning over long periods, maintaining context/memory over extended and often fragmented data sequences. + +**So how do you set these models up for the best results? What are the best practices for marketers to follow?** + +Well first off, they’re only as good as the data they train on, so I’d recommend every merchant to make sure their products are tagged correctly and their eventing logic is sound. Marketers should make sure their product feed design follows best practices (e.g., is rich with meaningful tagging and that every SKU is tagged correctly with all relevant categories and attributes). + +Beyond that, I would recommend focusing on 4-6 attributes that are the most meaningful and reflective of your customer’s preferences and behavior, and make sure that the attributes offer a value for every one of your products. + +**Looking ahead, where does all this go from here?** + +The options are limitless. While Dynamic Yield’s new AffinityML focuses on predicting user affinity based on product attributes, these models can predict any aspect of the user journey. I believe down the road, interactive commerce experiences will transform into fully human-like conversational experiences that mimic offline engagement with real sentient beings in the store. They’ll combine speech, vocal interactions, empathy, emotional understanding, humor, and profound product knowledge that only computers can hold. \ No newline at end of file diff --git a/docs/blog/refer/dynamic-yield/rnn-lstm-product-recommendations_cn.md b/docs/blog/refer/dynamic-yield/rnn-lstm-product-recommendations_cn.md new file mode 100644 index 0000000..692a506 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/rnn-lstm-product-recommendations_cn.md @@ -0,0 +1,54 @@ +# RNN 和 LSTM 如何驱动更智能的产品推荐 + +## 循环神经网络（RNN）和长短期记忆网络（LSTM）正使营销人员能够实时进行高度针对性的预测。 + +在过去的十年里，个性化提供了定向体验，通过测试找到了最佳变体，并推荐了相似产品。但它并非没有局限性。 + +例如，我最近从某电商巨头那里买了一台跑步机。我显然不需要两台跑步机，然而，我的个性化产品推荐里全是跑步机——这种情况可能会一直持续到我意识到我也需要一双新的跑步鞋。 + +现在是 2024 年。难道我们不能考虑到这类情况吗？ + +为了寻找答案，我采访了 Dynamic Yield 的高级产品经理 Udi Zisquit。他在构建、管理和部署全球领先的客户体验和个性化软件解决方案方面拥有超过 10 年的经验。以下是他的观点： + +**Ernie：为什么理解产品与用户行为之间的关系在当下如此重要？** + +Udi：在我看来，有三个主要的促成因素： + +*1. 技术的飞速进步* +显而易见，我们正经历着人工智能前所未有的进步和爆发式增长。几年前还像是科幻小说的功能，现在几乎每天都在推出。从生成式 AI 和大语言模型（LLM）到机器人技术、自动驾驶汽车、计算机视觉、混合现实头显等方面的进步。 + +*2. 共情成为新货币* +AI 崛起的副产品是自然与人工之间的界限变得模糊，这培养了人们对任何形式的“有感知”实体（无论是否人工）产生类人互动的期望。在我们的语境下，消费者期望他们与之互动的所有数字界面——网站、应用、数字助手、户外自助终端——都能看到他们、理解他们、掌握他们的生活轨迹，并考虑到他们的感受和需求。 + +*3. 数据过载* +在过去的十年里，企业被鼓励尽可能多地汇总数据。他们假设只要在收集和组织数据上投入足够多，就能解决问题并发展业务。然而，事实并非如此。由于企业无法轻松地对如此庞大的数据进行排序、分析和采取行动，他们正损失数十亿美元的潜在收入。仅仅收集数据是不够的。他们需要技术将其转化为与客户的真实互动。 + +**它是如何帮助营销人员更好地了解受众的？** + +以前，预测性个性化通常是这样的： +* 收集数据 +* 分析数据 +* 设置转化漏斗 +* 识别客群的模式和特征 +* 主要使用上下文或基于交易的数据点进行细分 +* 设置程序化的定向体验 +* 跟踪并分析结果 +* 重复 + +问题在于，排序非常困难，长期依赖关系无法跟踪，所有的优化努力都是短期且近视的。 + +但循环神经网络（RNN）现在让我们历史上第一次能够理解复杂、细微的用户旅程。它就像一个强大的、外包的“大脑”，可以放大并分析数亿个用户行为，预测他们的下一步，并让我们同时对所有行为采取行动。 + +与数据点同时给出的普通前馈神经网络不同，循环神经网络专注于时间轴上的序列数据。RNN 可以对每一个动作、每一次转折、每一次犹豫和每一个决定进行训练，然后准确地将它们排序，并理解哪些模式和序列会导致特定的结果。 + +还有 LSTM（长短期记忆）层，它们通过跨长时间的循环学习携带重要信息，在扩展且通常碎片化的数据序列中保持上下文/记忆。 + +**那么，如何设置这些模型以获得最佳效果？营销人员应该遵循哪些最佳实践？** + +首先，模型的效果取决于它们训练的数据，所以我建议每位商家确保他们的产品标签正确且事件逻辑健全。营销人员应确保其产品馈送设计遵循最佳实践（例如，富含意义深厚的标签，并且每个 SKU 都正确标记了所有相关的类别和属性）。 + +除此之外，我建议专注于 4-6 个对客户偏好和行为最具意义和反映性的属性，并确保这些属性为你的每一件产品都提供价值。 + +**展望未来，这一切将走向何方？** + +选择是无限的。虽然 Dynamic Yield 新推出的 AffinityML 专注于根据产品属性预测用户偏好，但这些模型可以预测用户旅程的任何方面。我相信在未来，交互式商业体验将转变为完全类人的对话式体验，模仿店内与真实有感知的人员的互动。它们将结合语音、声音互动、共情、情感理解、幽默以及只有计算机才能掌握的深厚产品知识。 diff --git a/docs/blog/refer/dynamic-yield/traffic-allocation.md b/docs/blog/refer/dynamic-yield/traffic-allocation.md new file mode 100644 index 0000000..8cd03d5 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/traffic-allocation.md @@ -0,0 +1,56 @@ +# Choosing the right traffic allocation in A/B testing + +## Learn how to choose the right traffic allocation method for your A/B tests and avoid common pitfalls, ensuring impactful, valid results. + +**Summarize this article** + +* Choosing the right traffic allocation method is crucial for A/B testing success. +* Manual allocation offers precise control and is ideal for long-term tests requiring statistical significance before implementation. +* Automatic allocation prioritizes data exploitation and conversion optimization, making it suitable for short-term tests. +* A/B testing should leverage both methods strategically, depending on the specific test goals and timeline. + +A vital tool for marketers, A/B testing allows businesses to make impactful, data-driven decisions regarding the customer experience. Whenever you set up an A/B/n test with multiple variations, it’s important to determine how you want the traffic to be distributed between the variations. The behavior of each traffic allocation option is as follows: + +## Manual traffic allocation (The classic A/B testing approach) + +In a nutshell, with manual allocation, traffic is split evenly between variations until a single winner is declared. De-facto a standard A/B/n test, the assumption is that once results are significant, the test administrator will assign solely the best variation to all visitors. + +For example, if you launch a test with four variations, you may decide that all variations should have equal exposure, 25% of traffic each. Alternatively, you can favor certain variations over the other and go for any other combination of allocation rates that amount to 100%, such as 50/20/20/10. + +Manual Allocation tests are by definition tests between variations (and control group, if relevant), in which ultimately one variation will be declared the winner with high confidence levels. + +## Automatic allocation (Multi-Armed Bandit) + +With automatic allocation (also called dynamic allocation or multi-armed bandit method), the highest-performing variation is gradually served to a larger percentage of visitors as more data is collected. Over time, the system dynamically routes traffic to the best performing variation based on available data. This means, even if variation A is the best performer today, a month from now, a different variation may potentially outperform it. + +## How to choose the right traffic allocation for your A/B tests? + +Each of the traffic allocation methods is optimized for distinct use-cases. Ask yourself which of the following assertions better describes the use case at hand: + +**1)** I am looking for the best variation so I can present it to all users in the long run. In this case, choose manual allocation. +Use case example: Layout and UX changes. + +**2)** I am looking to make the most out of several variations during the limited time the test will run. In this case, choose automatic allocation. +Use case example: Promotions on the hero banner. + +Manual allocation should be used when statistically significant results are required for making the decision to carry out a stark permanent change to the website, and time is not of the essence. Manual allocation tests can run for as long as required collecting data that will result in highly conclusive statistically significant results. + +The downside of such tests is that while you are waiting for significant results – which may take time – there is no exploitation of the data collected. Visitors will still be exposed to the poor-performing variations in the mix. In cases where promotion variations are updated frequently, there may not even be enough time to reach significant results, and therefore, any optimization opportunity is lost. + +If you are managing campaigns in which the variations have a short shelf life, or if they change and are updated frequently, then multi-armed bandit is the optimal way to go. Automatic allocation has a much higher exploit rate of readily available data and is much more aggressive when driving traffic allocation decisions. Automatic Allocation knows to weigh in on new variations, variations that perform differently, different time periods, and more. + +## Timeliness isn’t best in all matters + +A/B testing and optimization should be viewed through the lens of time – you either have it, or you don’t. To explain a little further, when looking to test the impact of a long-term change, such as a new page layout, or for the purpose of this post, an email capture message, one wouldn’t want to prematurely make a big or strategic decision without the data to support it. Doing so could have major repercussions on KPIs and the overall customer experience. + +Given that, a test would need to accumulate enough data about the variation so the team could confidently declare a winner, a process that can take, at minimum, two weeks. In this case, should a business have the luxury of waiting for statistically significant results, an A/B test is ideal. + +But what if the lifespan of a variation is short and there’s isn’t time to wait for a winner? In a scenario where a hero banner is changing on a weekly basis, for example, during a sales event, the main objective is to increase a particular KPI by engaging users with the better performing variation. + +Sending traffic to a losing variation, therefore, actually reduces CTR, conversions, or whatever other primary metric is being used to measure the test’s success. This is exactly why automated allocation is well suited for shorter-term decisions, seeing as the variation driving the highest results is served more frequently, allowing teams to optimize conversions at a much quicker rate. + +We can think of dynamic allocation in terms of Explore vs. Exploit, which addresses how much is “wasted” on learning and the opportunity to capitalize on what has already been learned. Because 10% of traffic in dynamic allocation is always served to a random variation and 90% to the winner, the 10/90 rate of Explore and Exploit allows for traffic to be directed to the leading variation while the algorithm continues to learn about “losing” variations, allowing them to bounce back. + +## Balancing data and conversions + +In the end, the two traffic allocation methods available provide businesses with the flexibility to gain the intelligence needed for sound, long-term decision-making as well as the power to optimize on the fly. Not a question of one or the other, manual and dynamic allocation should both be used for testing, and hopefully, this article helped to clarify when exactly to do so. \ No newline at end of file diff --git a/docs/blog/refer/dynamic-yield/traffic-allocation_cn.md b/docs/blog/refer/dynamic-yield/traffic-allocation_cn.md new file mode 100644 index 0000000..37b4c9b --- /dev/null +++ b/docs/blog/refer/dynamic-yield/traffic-allocation_cn.md @@ -0,0 +1,56 @@ +# 在 A/B 测试中选择正确的流量分配 + +## 了解如何为你的 A/B 测试选择合适的流量分配方法，避免常见陷阱，确保获得有影响力且有效的结果。 + +**文章摘要** + +* 选择正确的流量分配方法对于 A/B 测试的成功至关重要。 +* **手动分配**提供精确控制，非常适合在实施前需要统计显著性的长期测试。 +* **自动分配**优先考虑数据利用和转化优化，适用于短期测试。 +* A/B 测试应根据具体的测试目标和时间表，战略性地利用这两种方法。 + +A/B 测试是营销人员的重要工具，它允许企业针对客户体验做出有影响力的、数据驱动的决策。每当你设置具有多个变体的 A/B/n 测试时，确定你希望流量在变体之间如何分布非常重要。每种流量分配选项的行为如下： + +## 手动流量分配（经典的 A/B 测试方法） + +简而言之，在手动分配中，流量在变体之间平均分配，直到宣布单一获胜者。作为事实上的标准 A/B/n 测试，其假设是：一旦结果达到显著水平，测试管理员将仅向所有访问者分配最佳变体。 + +例如，如果你启动一个包含四个变体的测试，你可能决定所有变体应具有相等的曝光率，每个变体占 25% 的流量。或者，你可以偏向某些变体，采用任何总计为 100% 的分配比例组合，例如 50/20/20/10。 + +手动分配测试从定义上讲是变体（以及对照组，如果相关）之间的测试，最终将以高置信度宣布一个变体为获胜者。 + +## 自动分配（多臂老虎机算法） + +通过自动分配（也称为动态分配或多臂老虎机方法），随着收集到更多数据，表现最好的变体将逐渐提供给更大比例的访问者。随着时间的推移，系统会根据可用数据动态地将流量路由到表现最佳的变体。这意味着，即使变体 A 今天表现最好，一个月后，另一个变体也可能超越它。 + +## 如何为你的 A/B 测试选择正确的流量分配？ + +每种流量分配方法都针对不同的用例进行了优化。问问自己以下哪种断言更能描述当前的用例： + +**1) 我正在寻找最佳变体，以便长期向所有用户展示。** 在这种情况下，选择**手动分配**。 +用例示例：布局和用户体验（UX）更改。 + +**2) 我希望在测试运行的有限时间内充分利用多个变体。** 在这种情况下，选择**自动分配**。 +用例示例：主横幅（hero banner）上的促销活动。 + +当需要统计显著的结果来决定是否对网站进行重大的永久性更改，且时间不是关键因素时，应使用手动分配。手动分配测试可以根据需要运行足够长的时间来收集数据，从而产生高度确定的统计显著结果。 + +此类测试的缺点是，当你等待显著结果时（这可能需要时间），收集到的数据没有得到充分利用。访问者仍会接触到组合中表现较差的变体。在促销变体更新频繁的情况下，甚至可能没有足够的时间达到显著结果，因此任何优化机会都会丧失。 + +如果你管理的活动变体生命周期较短，或者它们经常更改和更新，那么多臂老虎机（自动分配）是最佳选择。自动分配对现有数据的利用率更高，在推动流量分配决策时更为激进。自动分配懂得权衡新变体、表现不同的变体、不同时间段等因素。 + +## 及时性并非在所有事情上都是最好的 + +应通过时间的视角来看待 A/B 测试和优化——你要么有时间，要么没有。进一步解释，当寻求测试长期变化的影响时（例如新的页面布局，或者就本文而言，电子邮件捕获消息），人们不希望在没有数据支持的情况下过早做出重大或战略性决策。这样做可能会对 KPI 和整体客户体验产生重大影响。 + +鉴于此，测试需要积累足够的变体数据，以便团队能够自信地宣布获胜者，这个过程至少需要两周时间。在这种情况下，如果企业有奢侈的时间等待统计显著的结果，A/B 测试是理想的选择。 + +但如果变体的寿命很短，没有时间等待获胜者呢？例如，在促销活动期间，主横幅每周都在变化，主要目标是通过让用户接触表现更好的变体来提高特定的 KPI。 + +因此，将流量发送到失败的变体实际上会降低点击率（CTR）、转化率或任何用于衡量测试成功的其他主要指标。这正是自动分配非常适合短期决策的原因，因为带来最高结果的变体被更频繁地展示，从而允许团队以更快的速度优化转化。 + +我们可以从“探索与利用”（Explore vs. Exploit）的角度来思考动态分配，这涉及到在学习上“浪费”了多少，以及利用已学知识的机会。因为在动态分配中，10% 的流量始终提供给随机变体，90% 提供给获胜者，这种 10/90 的探索与利用比例允许流量导向领先变体，同时算法继续学习“失败”的变体，给它们反弹的机会。 + +## 平衡数据与转化 + +最后，这两种可用的流量分配方法为企业提供了灵活性，既能获得稳健、长期决策所需的智能，又能获得即时优化的能力。这不是二选一的问题，手动分配和动态分配都应在测试中使用，希望本文能帮助你明确何时使用哪种方法。 diff --git a/docs/blog/refer/dynamic-yield/user-identification-for-personalization.md b/docs/blog/refer/dynamic-yield/user-identification-for-personalization.md new file mode 100644 index 0000000..f17775c --- /dev/null +++ b/docs/blog/refer/dynamic-yield/user-identification-for-personalization.md @@ -0,0 +1,39 @@ +# From Fragmentation to Connection: Mastering User Identification for Personalization + +## Discover practical strategies to improve user identification and drive loyalty in an omni-channel world. + +**Summarize this article** + +* User Identification: Crucial for providing a seamless and personalized experience across multiple channels, forming the cornerstone of a successful omni-channel strategy. +* Omni-Channel Opportunity: Brands should view omni-channel interactions as a positive sign of brand awareness and loyalty, using each touchpoint to strengthen connections and learn user preferences. +* Benefits of User Identification: Enables consistency across channels, data-driven personalization, enhanced customer experience, and efficient marketing strategies. +* Boosting User Identification: Implement omnichannel events, use targeted campaigns to increase subscriptions and logins, and identify users via external email campaigns with custom codes. + +## **The Importance of User Identification for Personalization in an Omni-Channel Environment** + +In today’s hyper-connected world, customers interact with brands across multiple channels, from mobile apps and websites to physical stores and social media. To provide a seamless and personalized experience, it is crucial for businesses to identify users accurately and consistently across all these touchpoints. This process, known as user identification, forms the cornerstone of a successful omni-channel strategy. + +## **Embracing Omni-Channel as a Positive Opportunity** + +Rather than fearing fragmented data and inconsistent user experiences, brands should view omni-channel interactions as a positive sign of brand awareness and loyalty. The more a user engages with your brand on different channels, the more connected and invested they are. Each touchpoint offers an opportunity to strengthen this connection and learn more about the user’s preferences. + +By focusing on building robust user identification throughout the customer journey and across multiple channels, businesses can turn the perceived challenge of fragmentation into an asset. Developing seamless identification strategies not only enhances personalization but also nurtures long-term relationships with loyal customers. + +## **Why User Identification Matters for Personalization** + +Personalization has become a key factor in customer satisfaction and loyalty. When users feel that their preferences are acknowledged and catered to, they are more likely to engage with the brand and make purchases. User identification enables: + +1. **Consistency Across Channels:** When a user moves from a mobile app to a website or visits a physical store, their preferences and data are preserved. +2. **Data-Driven Personalization:** Businesses can leverage data collected from different interactions to predict user needs and offer timely recommendations. +3. **Enhanced Customer Experience:** Personalization fosters a sense of connection, making customers feel valued and understood. +4. **Efficient Marketing Strategies:** By understanding user journeys, businesses can target promotions and content more effectively. + +## **How can you Boost User Identification?** + +1. **Implement! Make sure Omnichannel Events are implemented throughout the user journey.** These events trigger identification when a user: Signs up to Account, Logs in to Account, Subscribes to a newsletter or identifies themselves during checkout +2. **Increase Subscriptions & Logins with Targeted Campaigns** – Using the Dynamic Yield Empathic Personalization framework, you can personalize your strategy based on the needs of your users in their customer journey. + * Curious Users – Use exit-intent pop-ups to offer a gentle introduction: “Unlock early access to exclusive collections!” + * Interested Users – Encourage deeper engagement with a “Save your favorites” prompt when adding to the wish list to capture intent and strengthen the relationship. + * Focused Users – Facilitate a seamless checkout and build trust with the prompt: “Create an account for express checkout & order tracking.” + * Satisfied Users – Encourage repeated logins and loyalty with post-purchase sign-up benefits: “Track orders & unlock VIP perks.” +3. **Identify Users via External Email Campaigns** Create a *Custom Code* campaign to identify users arriving from external email campaigns via CUID (eg hashed email, custom CUID. When users click links in your ESP-sent emails, a parameter captures their CUID, enabling identification. \ No newline at end of file diff --git a/docs/blog/refer/dynamic-yield/user-identification-for-personalization_cn.md b/docs/blog/refer/dynamic-yield/user-identification-for-personalization_cn.md new file mode 100644 index 0000000..449133a --- /dev/null +++ b/docs/blog/refer/dynamic-yield/user-identification-for-personalization_cn.md @@ -0,0 +1,39 @@ +# 从碎片化到连接：掌握个性化用户识别 + +## 探索在全渠道世界中改善用户识别并提升忠诚度的实用策略。 + +**文章摘要** + +* **用户识别**：对于在多个渠道提供无缝且个性化的体验至关重要，是成功全渠道策略的基石。 +* **全渠道机遇**：品牌应将全渠道互动视为品牌知名度和忠诚度的积极信号，利用每个触点加强联系并了解用户偏好。 +* **用户识别的好处**：实现跨渠道的一致性、数据驱动的个性化、增强的客户体验以及高效的营销策略。 +* **提升用户识别的方法**：实施全渠道事件，利用针对性活动增加订阅和登录，并通过带有自定义代码的外部电子邮件活动识别用户。 + +## **全渠道环境下个性化用户识别的重要性** + +在当今高度互联的世界中，客户通过多种渠道与品牌互动，从移动应用和网站到实体店和社交媒体。为了提供无缝且个性化的体验，企业必须在所有这些触点上准确且一致地识别用户。这一过程被称为用户识别，是成功全渠道策略的基石。 + +## **将全渠道视为积极的机遇** + +品牌不应害怕碎片化的数据和不一致的用户体验，而应将全渠道互动视为品牌知名度和忠诚度的积极信号。用户在不同渠道上与品牌互动的次数越多，他们的联系就越紧密，投入也越多。每个触点都提供了一个加强这种联系并深入了解用户偏好的机会。 + +通过在整个客户旅程和多个渠道中建立强大的用户识别，企业可以将感知到的碎片化挑战转化为资产。开发无缝的识别策略不仅能增强个性化，还能培养与忠诚客户的长期关系。 + +## **为什么用户识别对个性化至关重要** + +个性化已成为客户满意度和忠诚度的关键因素。当用户感到自己的偏好被认可和满足时，他们更有可能与品牌互动并进行购买。用户识别能够实现： + +1. **跨渠道一致性**：当用户从移动应用切换到网站或访问实体店时，他们的偏好和数据得以保留。 +2. **数据驱动的个性化**：企业可以利用从不同互动中收集的数据来预测用户需求并提供及时的推荐。 +3. **增强的客户体验**：个性化培养了一种连接感，让客户感到被重视和被理解。 +4. **高效的营销策略**：通过了解用户旅程，企业可以更有效地定位促销活动和内容。 + +## **如何提升用户识别？** + +1. **实施全渠道事件！确保在整个用户旅程中部署全渠道事件。** 当用户执行以下操作时，这些事件会触发识别：注册账户、登录账户、订阅新闻通讯或在结账时识别身份。 +2. **通过针对性活动增加订阅和登录** – 利用 Dynamic Yield 的“共情个性化”（Empathic Personalization）框架，你可以根据用户在客户旅程中的需求来个性化你的策略。 + * **好奇型用户** – 使用退出意图弹窗提供温和的引导：“解锁独家系列的早期访问权限！” + * **感兴趣型用户** – 在用户将商品加入愿望清单时，通过“保存你的收藏”提示鼓励更深层的互动，以捕捉意图并加强关系。 + * **专注型用户** – 通过提示“创建账户以实现快速结账和订单跟踪”，促进无缝结账并建立信任。 + * **满意型用户** – 通过售后注册福利鼓励重复登录和忠诚度：“跟踪订单并解锁 VIP 特权。” +3. **通过外部电子邮件活动识别用户** – 创建一个“自定义代码”活动，通过 CUID（例如哈希处理的电子邮件、自定义 CUID）识别来自外部电子邮件活动的用户。当用户点击你通过 ESP 发送的电子邮件中的链接时，参数会捕获他们的 CUID，从而实现识别。 diff --git a/docs/blog/refer/dynamic-yield/website-navigation-examples.md b/docs/blog/refer/dynamic-yield/website-navigation-examples.md new file mode 100644 index 0000000..b762735 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/website-navigation-examples.md @@ -0,0 +1,48 @@ +# eCommerce navigation optimization best practices and examples + +## High-impact eCommerce navigation optimization ideas to improve product discovery + +To craft engaging digital experiences, marketers can test different variations of site design elements and seek inspiration from brands that are effectively optimizing the site navigation experience. + +While online shopping, brands should aim to facilitate the most straightforward discovery experience possible. In many regards, the eCommerce experience mimics that of brick-and-mortar shops. Users can browse through available inventory, typically accessing items they’ve purchased before with ease and comparing similar products before finalizing a decision. However, digital shops have a challenging task at hand. Unable to fully replicate the in-store shopping experience where consumers often take their time to interact with dozens of products, online shopping tends to be very transactional. To remedy this reality, brands must personalize the shopping experience to maintain user engagement. From the imagery, button colors, and homepage banners to email subject lines and the cart page design, every decision can dramatically affect how long a shopper remains on-site and whether or not they will complete a purchase. + +And it’s not just what you offer and how you present products on your site that’s important; how you organize your site can make-or-break your business. Not only will a well-designed site ease the overall shopping experience, but when done right, it will also increase your primary metrics. Below, learn more about navigation optimization, the elements of all eCommerce sites should take into consideration and test, and examples of brands that have designed exceptional navigation experiences. + +## What is navigation optimization? + +Navigation optimization refers to the process of improving how visitors and search engines find and access information within a given website. This includes the site’s taxonomy, how pages are structured, and how menus are labeled on both desktop and mobile. The design of all of these components can have a tremendous impact on the overall end-user experience, increasing or decreasing metrics like search ranking, bounce rate, pageviews, time on site, return visitors, conversions, and more. So to give you a leg up, let’s take a closer look at the details marketers should pay attention to. + +## Breaking down the various components and examples of site navigation + +### Primary navigation + +How you present your header is the backbone of your eCommerce navigation strategy. The two most common formats are menus fixed either horizontally or vertically, exposing a handful of key product categories. Web designers have long debated which presentation is most optimal, but the truth is, it varies from site to site. What works well in one context doesn’t always work equally as well in another. And this is true when looking at design by the channel as well – mobile and web navigation experiences typically vary. Let’s assess the variables at play that will likely impact which approach you take: + +1. **Page space:** On desktop devices, a horizontal navigation menu conserves more page space than a vertical one, narrowing the content area available on both your homepage and across site pages. However, on mobile, where space is limited, vertical navigation via a hamburger menu allows you to hide and expose menu items quickly. +2. **Menu item priority:** Typically, the leftmost and top menu items carry the most weight, as these positions are seen as primary areas visually. Additionally, because most users read from left to right, there’s a stronger case for a horizontal navigation experience on desktop sites, where more site real estate is available (the same cannot be said for mobile experiences, where most devices are optimized for vertically-formatted pages). +3. **Scanning:** Many users find the experiences of quickly scanning pages vertically the more natural experience, making a case for vertical navigation menus. + +### Categories + +Navigation structure and labeling should be clear and concise across all pages, and part of this includes deciding how to display product categories. If your product inventory is vast, a navigation menu bar consolidated by category type is integral. 34% of mobile eCommerce sites do not offer “thematic” product browsing, making it difficult for users to find what they are looking for. Therefore, brands should aim to display a few, top-level categories rather than overwhelm shoppers. + +There are exceptions to this advice, of course. For example, if you only sell hats, it’s probably best to categorize your menu bar by hat type rather than merely listing one option. If you know users tend to primarily shop within a specific product category during a season (i.e., boots in the winter), restructure your menu to prioritize this section above other categories. + +And it doesn’t stop with how you present your parent categories. Identifying how to showcase sub-categories within your navigation menu is also an essential part of the navigation experience. There are two primary ways brands typically go about this design: + +1. **Tiered menus:** List parent categories and only expose sub-categories upon hover or click +2. **Mega menus:** Lays out all parent and subcategories upon initial menu dropdown + +Tiered navigation allows a user to make one, simple choice within a given moment by limiting the list of categories and options to choose from. A mega-menu releases an overwhelming sea of possibilities, which risks a user experiencing choice paralysis. While there may seem to be an obvious choice here, we encourage every organization to test both experiences and iterations of each, running experiments to determine which variation works best both for the average visitor, as well as for different audiences. Doing so will instill a sense of confidence in the ultimate decision you make. + +The order in which you present menu items is also a way to optimize your site navigation. While you may have a default order you present to the average visitor or new user, using affinity data, you can tailor the order of menu items to personalize the experience on a more individual basis based on a user’s preferences. Not only will it expedite the discovery process, but it can also drive conversions more efficiently. + +### Additional elements to take into consideration + +Aside from nailing down your main navigation layout, eCommerce teams have plenty of other decisions to make. These include: + +##### Sticky navigation +These are fixed menus that help users navigate through pages on a site page. To simplify and facilitate a positive online shopping experience, navigation menus, product filters, and sorting menus should always be visible to users and appear while they browse and scroll through a webpage. + +##### Design style +The design of your menu options can also play a significant role in the navigation experience. From the button colors and look of the primary navigation menu to the fonts used and size of the sorting menu, design decisions can impact how easily users can navigate a site. Testing different looks, colors, sizes, and styles will inform which variations work best for your brand. \ No newline at end of file diff --git a/docs/blog/refer/dynamic-yield/website-navigation-examples_cn.md b/docs/blog/refer/dynamic-yield/website-navigation-examples_cn.md new file mode 100644 index 0000000..23dd283 --- /dev/null +++ b/docs/blog/refer/dynamic-yield/website-navigation-examples_cn.md @@ -0,0 +1,48 @@ +# 电子商务导航优化最佳实践与案例 + +## 具有高影响力的电子商务导航优化思路，旨在改善产品发现体验。 + +为了打造引人入胜的数字体验，营销人员可以测试网站设计元素的不同变体，并从那些有效优化网站导航体验的品牌中寻求灵感。 + +在在线购物过程中，品牌应致力于提供尽可能直接的发现体验。在许多方面，电子商务体验模仿了实体店的体验。用户可以浏览现有库存，通常能轻松访问以前购买过的商品，并在做出最终决定前比较类似产品。然而，数字商店面临着一项具有挑战性的任务。由于无法完全复制消费者通常花时间与数十种产品互动的店内购物体验，在线购物往往非常具有交易性。为了弥补这一现实，品牌必须个性化购物体验以维持用户参与度。从图像、按钮颜色、首页横幅到电子邮件主题行和购物车页面设计，每一个决定都可能极大地影响购物者在网站上的停留时间以及他们是否会完成购买。 + +不仅你提供什么以及如何在网站上展示产品很重要，你如何组织网站也可能决定业务的成败。设计良好的网站不仅能简化整体购物体验，如果做得好，还能提高你的主要指标。下面，我们将深入了解导航优化、所有电子商务网站应考虑并测试的元素，以及设计了卓越导航体验的品牌案例。 + +## 什么是导航优化？ + +导航优化是指改进访问者和搜索引擎在给定网站内查找和访问信息的过程。这包括网站的分类法、页面结构以及在桌面和移动端菜单的标签方式。所有这些组件的设计都会对最终用户体验产生巨大影响，从而增加或减少搜索排名、跳出率、页面浏览量、在站时间、回访者、转化率等指标。为了助你一臂之力，让我们仔细看看营销人员应关注的细节。 + +## 拆解网站导航的各种组件及示例 + +### 主导航 + +你如何呈现页眉是电子商务导航策略的支柱。两种最常见的格式是水平或垂直固定的菜单，展示几个关键的产品类别。网页设计师长期以来一直在争论哪种呈现方式最优化，但事实是，这因网站而异。在一种语境下运行良好的设计在另一种语境下并不总是同样有效。在按渠道查看设计时也是如此——移动端和网页端的导航体验通常有所不同。让我们评估一下可能影响你采取哪种方法的变量： + +1. **页面空间**：在桌面设备上，水平导航菜单比垂直菜单更节省页面空间，后者会缩小首页和各站内页面的可用内容区域。然而，在空间有限的移动端，通过汉堡菜单进行的垂直导航允许你快速隐藏和展示菜单项。 +2. **菜单项优先级**：通常，最左侧和最顶部的菜单项权重最大，因为这些位置在视觉上被视为主要区域。此外，由于大多数用户从左到右阅读，在桌面网站上更有理由采用水平导航体验，因为那里有更多的网站空间（移动端体验则不然，大多数设备针对垂直格式的页面进行了优化）。 +3. **扫描**：许多用户发现快速垂直扫描页面的体验更自然，这为垂直导航菜单提供了依据。 + +### 类别 + +导航结构和标签在所有页面上都应清晰简洁，其中一部分包括决定如何显示产品类别。如果你的产品库存庞大，按类别类型整合的导航菜单栏是必不可少的。34% 的移动电子商务网站不提供“主题化”的产品浏览，这使得用户很难找到他们想要的东西。因此，品牌应致力于显示少数几个顶级类别，而不是让购物者感到不知所措。 + +当然，这条建议也有例外。例如，如果你只卖帽子，最好按帽子类型对菜单栏进行分类，而不是仅列出一个选项。如果你知道用户在某个季节主要在特定产品类别中购物（例如冬季的靴子），请重组菜单以优先将该部分置于其他类别之上。 + +这不仅限于你如何展示父类别。确定如何在导航菜单中展示子类别也是导航体验的重要组成部分。品牌通常有两种主要的设计方式： + +1. **分级菜单**：列出父类别，仅在悬停或点击时显示子类别。 +2. **巨型菜单（Mega menus）**：在初始菜单下拉时展示所有父类别和子类别。 + +分级导航通过限制可供选择的类别和选项列表，允许用户在特定时刻做出一个简单的选择。而巨型菜单则释放出压倒性的可能性，这可能会让用户产生选择瘫痪。虽然这里似乎有一个显而易见的选择，但我们鼓励每个组织测试这两种体验及其迭代版本，通过实验确定哪种变体对普通访问者以及不同受众效果最好。这样做会让你对最终做出的决定充满信心。 + +呈现菜单项的顺序也是优化网站导航的一种方式。虽然你可能为普通访问者或新用户提供默认顺序，但利用偏好数据（affinity data），你可以根据用户的偏好定制菜单项顺序，从而在更个人的基础上实现个性化体验。这不仅会加快发现过程，还能更有效地推动转化。 + +### 其他需要考虑的元素 + +除了确定主导航布局外，电子商务团队还有许多其他决定要做。这些包括： + +##### 固定导航（Sticky navigation） +这些是固定的菜单，帮助用户在网站页面中导航。为了简化并促进积极的在线购物体验，导航菜单、产品过滤器和排序菜单应始终对用户可见，并在他们浏览和滚动网页时出现。 + +##### 设计风格 +菜单选项的设计在导航体验中也起着重要作用。从按钮颜色、主导航菜单的外观到使用的字体和排序菜单的大小，设计决策都会影响用户导航网站的难易程度。测试不同的外观、颜色、大小和风格将告诉你哪些变体最适合你的品牌。 diff --git a/docs/blog/refer/shopify应用生态.md b/docs/blog/refer/shopify应用生态.md new file mode 100644 index 0000000..ae2541b --- /dev/null +++ b/docs/blog/refer/shopify应用生态.md @@ -0,0 +1,87 @@ + + +## Shopify应用市场重要应用分类表 + +| 应用类别 | 代表应用 | 主要功能说明 | 价格区间（月费） | +|---------|---------|-------------|----------------| +| **营销与转化** | **Klaviyo** | 电子邮件和短信营销自动化，基于客户数据精准细分，可视化Flow构建器，支持A/B测试和深度分析 | 基于联系人数量定价 | +| | **Attentive** | 高送达率SMS/MMS营销，实时行为触发消息，与Klaviyo协同工作，专注移动端高转化率触达 | 搜索结果未提供具体定价 | +| | **Bulk Discount Code Bot** | 自动生成一次性唯一折扣码，防止泄露滥用，可批量导入邮件营销工具发送个性化折扣 | $0-99 | +| | **Quiz Kit** | 创建品牌定制化购物测验，收集客户偏好数据并提供个性化产品推荐，提升转化率 | $0-249 | +| | **Dynamic Yield** | AI驱动的个性化推荐引擎，动态内容展示和A/B测试，全渠道个性化体验 | 搜索结果未提供具体信息 | +| **客户评价与UGC** | **Okendo** | 收集和展示图文/视频评价，自动化评价请求，Google Shopping集成，社交分享功能 | 免费计划可用，$19/月起 | +| | **Judge.me** | 客户评价管理，照片和视频评论，SEO优化 | 免费/付费 | +| | **Loox** | 视觉化评价展示，专门用于建立信任和提升转化 | 免费/付费 | +| | **Foursixty Shoppable Social UGC** | 创建可购物的用户生成内容画廊，将社交媒体内容转化为销售工具 | $50/月，21天免费试用 | +| **客户服务与支持** | **Zendesk** | 在工单内直接查看Shopify订单详情，支持退款/取消等操作，多店铺统一管理，实时聊天集成 | Zendesk基础服务付费，Shopify集成功能免费 | +| | **Gorgias** | 多渠道客服支持，自动化规则，客户细分，专为电商设计 | 付费 | +| **物流与履行** | **ShipStation** | 多承运商集成（UPS/FedEx等），批量打印标签，订单跟踪，议价运费折扣 | 付费 | +| | **EasyRoutes** | 本地配送路线规划，司机派遣，客户跟踪页面和通知，适合最后一公里配送 | $0-45 | +| | **Narvar Return and Exchange** | 智能退货路由（节省高达$19/单），无箱退货，QR码支持，实时退货跟踪 | 定制报价 | +| **会员与忠诚度** | **Rise.ai** | 礼品卡、商店积分、返现、推荐奖励，会员等级，全渠道整合 | $19.99-$599.99/月 | +| | **Bold Subscriptions** | 订阅管理，定期订单，可定制计划 | 付费 | +| **商店设计与页面构建** | **PageFly** | 拖拽式页面构建器，自定义Landing Page、产品页等，无需代码 | 免费/付费 | +| | **VF Image Resizer+** | AI图像自动裁剪、调整大小、加水印、SEO优化，批量处理 | $0-38.99 | +| | **Warnify Pro Warnings** | 结账前可自定义弹窗，用于库存预警、配送延迟等通知，支持地域定向 | $0-9.95 | +| **SEO与流量** | **SEOAnt** | AI驱动的SEO推荐，关键词分析，技术SEO优化 | 付费 | +| **商店数据管理** | **Matrixify** | 批量导入/导出/更新Shopify数据（产品、客户、订单），支持Excel/CSV，平台迁移利器 | $0-200 | +| | **Locksmith** | 精细的内容访问控制，可按客户标签、邮箱、地理位置、购买历史等条件锁定页面/产品 | $9-199 | +| **销售与订阅** | **Crowdfunder** | 众筹活动管理，预购、限量版发售，适合新品发布和非营利筹款 | $24/月 | +| | **ReConvert** | 购买后优化，追加销售和交叉销售，感谢页定制，提升客单价 | 付费 | +| **代发货与按需打印** | **Shopify Collective** | 导入顶级品牌产品，实时同步库存和定价，供应商直接发货，自动结算（推荐美国商家） | 搜索结果未提供具体定价 | +| | **Printful** | 按需打印自动处理，集成设计工具，自动打印和配送 | 免费安装，按订单收费 | +| **直播购物** | **Stage TEN** | 将直播购物直接嵌入商店，实时互动、答疑和销售，特别适合产品发布 | 免费安装，可能产生额外费用 | +| **多币种与本地化** | **Auto Currency Switcher** | 根据客户位置自动切换货币，支持手动选择，使用实时汇率每日更新两次 | 搜索结果未提供具体定价 | +| | **Geolocation** | 根据浏览器偏好和位置推荐语言和货币，以横幅或弹窗形式展示（需使用Shopify Payments） | 免费 | + +### 重要补充说明： + +1. **应用类别交叉性**：许多应用属于多个类别，如**VF Image Resizer+**同时属于"商店设计"和"营销转化"，因其图像优化直接影响SEO和用户体验。 + +2. **生态协同效应**：核心应用常组合使用形成完整解决方案，例如： + - **Klaviyo** + **Attentive** = 全渠道营销自动化 + - **Okendo** + **Rise.ai** + **Klaviyo** = 评价收集 → 忠诚度激励 → 自动化营销闭环 + +3. **Built for Shopify认证**：部分高质量应用会获得此徽章，表明其在性能、设计和集成方面超越Shopify严格质量标准。 + +4. **定价模式**：74.9%的Shopify应用采用订阅制收费，价格随商店规模（订单量、联系人数量等）递增。建议从免费计划开始测试效果后再升级。 + +5. **自定义应用**：对于特殊需求，商家可开发**自定义应用**（Private/Custom Apps），这些不列在应用商店中，但可通过API深度集成ERP、WMS等系统。 + + +参考： +[shopify app store](https://apps.shopify.com/?locale=zh-CN) +[Shopify应用商店里的11款优质应用](https://www.shopify.com/zh/blog/9-top-apps-in-the-shopify-app-store) + + + +## 代表性应用： +以SKIMS为例，以下应用共同构成了SKIMS等DTC品牌的核心技术栈，实现了从社交证明、客户留存、售后服务到精准营销和个性化体验的完整闭环。 + +| 应用名称 | 主要功能 | 核心特点 | 适用场景 | 定价信息 | +|---------|---------|---------|---------|---------| +| **Okendo** | 顾客评价与评分、UGC内容管理 | • 收集和展示产品评价、照片/视频评价
• 自动化邮件/SMS评价请求
• Google Shopping和Rich Snippets集成
• 可定制评价展示 widget | 需要建立社交证明、提升转化率的品牌 | 免费计划可用，付费计划从$19/月起 | +| **Rise.ai** | 会员奖励计划、礼品卡、商店积分 | • 数字和实体礼品卡管理
• 商店积分、返现、推荐奖励
• 支持会员等级、B2B礼品
• 线上线下全渠道整合 | 需要建立忠诚度计划、提升客户留存的品牌 | Starter: $19.99/月
Small Business: $59.99/月
Pro: $199.99/月
Premium: $599.99/月 | +| **Narvar Return and Exchange** | 退货与换货管理 | • 智能多目的地退货路由（可节省高达$19/单）
• Return Concierge Plus无箱无标签退货
• 移动端APP支持QR码退货
• 实时退货跟踪和自动退款处理 | 需要优化退货体验、降低退货成本的中大型品牌 | 未公开，通常为定制报价 | +| **Klaviyo** | 邮件和短信营销自动化 | • 基于客户数据的精准细分和个性化
• 与Shopify深度集成，自动同步客户、订单、产品数据
• 可视化Flow自动化构建器
• 支持A/B测试和详细分析 | 需要进行精准营销、提升客户生命周期价值的品牌 | 基于联系人数量定价，免费试用可用 | +| **Attentive** | 短信及多媒体消息营销 | • 高送达率的SMS/MMS营销
• 实时行为触发消息
• 与Klaviyo协同工作，增强营销效果
• 合规的短信订阅管理 | 侧重移动端用户互动、需要高转化率短信渠道的品牌 | 搜索结果未提供具体定价 | +| **Zendesk** | 客户服务与支持工单管理 | • 在Zendesk内直接查看Shopify订单详情
• 支持直接在工单中处理退款和取消订单
• 多店铺数据统一管理
• 实时聊天和AI聊天机器人集成 | 需要提升客服效率、管理多品牌支持团队的企业 | Zendesk基础服务付费，Shopify集成功能免费 | +| **Dynamic Yield** | 个性化内容与推荐引擎 | • AI驱动的个性化产品推荐
• 动态内容展示和A/B测试
• 全渠道个性化体验（网站、邮件、移动端）
• 与Shopify数据整合实现实时个性化 | 需要大规模个性化、提升用户体验和转化率的品牌 | 搜索结果未提供具体信息 | + +**补充说明：** + +1. **Okendo**不仅提供基础评价功能，还能与Klaviyo、Attentive等营销工具集成，在忠诚度计划中发送个性化通知。 + +2. **Narvar**的退货管理支持智能路由，可直接退回供应商，并支持非实体商品（课程、服务等）的退换，这对于像SKIMS这样的品牌至关重要。 + +3. **Klaviyo**和**Attentive**通常协同使用：Klaviyo负责整体邮件和短信自动化，而Attentive专注于高触达率的SMS/MMS营销，两者结合可实现最佳的客户触达效果。 + +4. **Zendesk**的Shopify集成显著减少了客服在系统间切换的时间，支持直接在工单中处理90%的常见售后请求。 + +5. **Dynamic Yield**虽然搜索结果未提供详细信息，但它是麦当劳、宜家等品牌使用的知名个性化平台，在Shopify生态中主要用于产品推荐和内容个性化。 + +这些应用共同构成了SKIMS等DTC品牌的核心技术栈，实现了从社交证明、客户留存、售后服务到精准营销和个性化体验的完整闭环。 + + +参考： +[2026年时尚电商网站精选：10个值得学习的独立站案例](https://www.shopify.com/zh/blog/best-online-fashion-sites#1) \ No newline at end of file diff --git a/docs/blog/refer/店匠官方插件-SEO-搜索-推荐/img_seo_analysis.md b/docs/blog/refer/店匠官方插件-SEO-搜索-推荐/img_seo_analysis.md new file mode 100644 index 0000000..71a32c3 --- /dev/null +++ b/docs/blog/refer/店匠官方插件-SEO-搜索-推荐/img_seo_analysis.md @@ -0,0 +1,34 @@ +# IMG SEO 插件分析 + +## 1. 解决的具体问题 +- **图片搜索排名低**：通过优化 Alt 标签，让商品图片在 Google 图片搜索中获得更高排名。 +- **运营效率低下**：手动为大量商品图片设置 Alt 标签非常耗时，该工具提供批量处理能力。 +- **网站可访问性（Accessibility）**：为视障人士或图片加载失败时提供文字描述，符合 Web 标准。 +- **SEO 规范缺失**：商家不知道如何编写符合 SEO 最佳实践的 Alt 文本，工具提供内置推荐配置。 + +## 2. 技术方案/功能点 +- **智能 Alt 标签模板**：支持基于产品标题、集合名称等变量自动生成优化描述。 +- **三大场景覆盖**：一键覆盖商品图、专辑封面、博客配图。 +- **批量处理引擎**：支持全站图片的一键批量优化。 +- **内置最佳实践**：提供一键采用的推荐配置，确保符合搜索引擎规范。 +- **无障碍支持**：生成的 Alt 文本提升了页面的无障碍访问体验。 + +## 3. 市场需求 +- 视觉驱动型电商：如服装、家居等行业，图片搜索是重要的流量来源。 +- 自动化运维：减少重复性劳动，确保新上传的图片自动符合 SEO 要求。 +- 合规性需求：提升网站的无障碍访问水平。 + +## 4. 详细用法与案例 +### 用法步骤： +1. **安装**：在应用商店安装“图片 SEO”插件。 +2. **选择场景**：选择要优化的场景（商品、专辑或博客）。 +3. **设置模板**：使用变量（如 `{product_title}`）或推荐配置设置 Alt 规则。 +4. **执行批量优化**：点击一键优化，系统将自动处理存量图片。 + +### 使用案例： +**案例：家居装饰独立站的图片流量获取** +- **背景**：某家居站拥有大量精美的产品实拍图，但由于没有 Alt 标签，这些图片无法在 Google 图片搜索中被搜到。 +- **配置方案**： + - **模板设置**：`{product_title} - Modern Home Decor | {shop_name}`。 + - **操作**：对全站 500 个商品的 3000 张图片执行了一键批量优化。 +- **效果**：一个月后，来自 Google Images 的自然流量增长了 45%，且部分长尾关键词（如“modern minimalist vase”）的图片搜索结果排到了前三名。 diff --git a/docs/blog/refer/店匠官方插件-SEO-搜索-推荐/seo_optimizer_analysis.md b/docs/blog/refer/店匠官方插件-SEO-搜索-推荐/seo_optimizer_analysis.md new file mode 100644 index 0000000..b3b9a07 --- /dev/null +++ b/docs/blog/refer/店匠官方插件-SEO-搜索-推荐/seo_optimizer_analysis.md @@ -0,0 +1,38 @@ +# SEO Optimizer 插件分析 + +## 1. 解决的具体问题 +- **SEO 诊断与评估**：帮助商家识别店铺中存在的 SEO 缺陷。 +- **全站 Meta 标签覆盖**：解决手动为成百上千个商品、专辑、博客设置 Meta 标签的低效问题。 +- **图片搜索流量缺失**：通过自动/批量设置图片 Alt 标签，提升图片在 Google Images 的排名。 +- **死链影响权重**：修复 404 无效链接，通过重定向保留页面权重。 +- **搜索引擎收录慢**：自动生成并提交 Sitemap，加速 Google 索引。 +- **高级 SEO 控制**：提供 Robots.txt 管理，满足个性化爬取需求。 + +## 2. 技术方案/功能点 +- **自动化 Meta 标签**：支持首页、商品、专辑、博客等页面的批量 Meta 设置，支持变量引用。 +- **图片 SEO 规则引擎**：基于自定义规则（如商品名+关键词）自动为新图片生成 Alt 文本。 +- **URL 重定向工具**：支持路径级和完整 URL 级的 301/302 重定向设置。 +- **Sitemap 自动更新**：每日凌晨自动更新站点地图，并提供与 Google Search Console 的集成接口。 +- **JSON-LD 结构化数据**：自动添加 Google Snippets（面包屑、商品信息、网站链接），提升搜索结果展示效果。 +- **Robots.txt 编辑器**：支持预览、编辑和一键屏蔽爬虫功能。 + +## 3. 市场需求 +- 规模化运营需求：商品量大的商家需要自动化工具。 +- 技术进阶需求：需要 Robots.txt 和结构化数据等高级 SEO 手段。 +- 流量监控需求：集成数据看板，直观查看自然流量转化。 + +## 4. 详细用法与案例 +### 用法步骤： +1. **Meta 标签设置**：在插件后台点击“Meta标签”，切换不同页面类型，输入模板并保存。 +2. **图片 Alt 设置**：在“图片SEO”模块设置生成规则，开启自动应用。 +3. **死链修复**：在“无效链接”模块输入旧路径和新目标 URL。 +4. **Sitemap 提交**：复制自动生成的 Sitemap 地址，前往 Google Search Console 提交。 + +### 使用案例： +**案例：大型 3C 电子产品站的自动化 SEO 维护** +- **背景**：某站有 2000+ SKU，手动设置 SEO 极其耗时，且经常有下架商品导致死链。 +- **配置方案**： + - **Meta 模版**：商品页 Meta 标题设为 `{product_title} - Buy Online at {shop_name}`。 + - **图片 Alt**：规则设为 `{product_title} - {shop_name} Electronics`。 + - **死链处理**：将所有已下架的旧款手机页面重定向到对应的最新款分类页。 +- **效果**：全站 SEO 覆盖率从 10% 提升到 100%，图片搜索带来的流量增长了 30%，且避免了因死链导致的 Google 惩罚。 diff --git a/docs/blog/refer/店匠官方插件-SEO-搜索-推荐/smart_search_analysis.md b/docs/blog/refer/店匠官方插件-SEO-搜索-推荐/smart_search_analysis.md new file mode 100644 index 0000000..4b30a4a --- /dev/null +++ b/docs/blog/refer/店匠官方插件-SEO-搜索-推荐/smart_search_analysis.md @@ -0,0 +1,41 @@ +# 智能商品搜索插件分析 + +## 1. 解决的具体问题 +- **搜索效率低下**：帮助顾客快速定位目标商品。 +- **搜索结果不精准**：通过自定义排序规则和筛选条件优化结果。 +- **缺乏引导**：通过搜索热词和历史记录引导用户搜索。 +- **转化率提升**：智能关联推荐与搜索词相关的商品，增加曝光和转化。 + +## 2. 技术方案/功能点 +- **多维度筛选器配置**： + - **自动拉取数据**：厂商、价格、库存。 + - **手动配置/选择**：款式（Size/Color等）、标签、元字段（外形、尺寸、体积、重量、单行文本）。 +- **自定义排序条件**： + - 默认首位：Recommend（推荐）。 + - 可选维度：最新上架、价格高低、销量高低、加购最多、浏览最多、名称 A-Z/Z-A。 +- **搜索热词与引导**： + - 手动设置特定搜索热词。 + - 自动推荐高频搜索词。 + - 展示用户历史搜索记录。 +- **主题深度集成**：仅支持 Nova2023 系列（Night, Sweet, Morning, Bamboo, Moon）3.3.0 版本以上。 + +## 4. 详细用法与案例 +### 用法步骤： +1. **安装**：通过应用商店或主题装修页面快捷安装。 +2. **配置筛选器**：点击“添加筛选维度”，选择类型（如标签或元字段），并设置标题。 +3. **配置排序**：在插件后台调整排序维度的顺序。 +4. **应用**：开启“应用到店铺”开关。 + +### 使用案例： +**案例：时尚服装独立站优化搜索体验** +- **背景**：某服装站商品繁多，用户搜索“连衣裙”后结果太多，难以抉择。 +- **配置方案**： + - **筛选器**：添加“款式”筛选（尺码、颜色）、“价格”区间筛选、“标签”筛选（如“2024夏季新品”）。 + - **排序**：将“销量高低”和“加购最多”排在靠前位置，帮助用户参考他人购买偏好。 + - **热词**：设置“法式复古”、“显瘦”为热词，引导用户点击。 +- **效果**：用户通过筛选快速找到符合自己尺码和预算的连衣裙，提升了搜索到下单的转化率。 + +## 3. 市场需求 +- 提升站内搜索体验，减少用户流失。 +- 商家希望通过搜索数据引导用户购买特定商品（通过热词）。 +- 自动化推荐减少人工配置成本。 diff --git a/docs/blog/refer/店匠官方插件-SEO-搜索-推荐/website_seo_analysis.md b/docs/blog/refer/店匠官方插件-SEO-搜索-推荐/website_seo_analysis.md new file mode 100644 index 0000000..ec24fce --- /dev/null +++ b/docs/blog/refer/店匠官方插件-SEO-搜索-推荐/website_seo_analysis.md @@ -0,0 +1,33 @@ +# Website SEO 插件分析 + +## 1. 解决的具体问题 +- **搜索排名靠后**：通过优化 TDK（Title, Description, Keywords）提升在 Google 等搜索引擎的排名。 +- **自然流量匮乏**：通过 SEO 吸引精准客户，减少对付费广告的依赖。 +- **SEO 门槛高**：为新手商家提供简化的设置流程，快速上手 SEO 基础配置。 + +## 2. 技术方案/功能点 +- **主页 TDK 管理**： + - **SEO 标题**：自定义主页在搜索结果中显示的标题。 + - **SEO 描述**：添加店铺整体描述和关键词，增强相关性。 + - **SEO 关键词**：添加多个核心关键字，扩大搜索覆盖面。 +- **索引优化**：通过规范化的元标签设置，增强搜索引擎的爬取和索引效率。 + +## 3. 市场需求 +- 商家需要低成本获取流量的手段。 +- 品牌化建设需求，确保搜索品牌名时能展示正确的描述。 +- 自动化/引导式 SEO 配置，降低技术理解成本。 + +## 4. 详细用法与案例 +### 用法步骤： +1. **安装**：在应用商店搜索“网站SEO”并安装。 +2. **配置主页 SEO**：进入插件，填写“主页SEO标题”、“主页SEO描述”和“SEO关键词”。 +3. **保存**：点击保存，等待搜索引擎抓取更新。 + +### 使用案例： +**案例：新兴宠物用品独立站的品牌曝光优化** +- **背景**：一家新开的宠物用品店“Pawsome Friends”，搜索品牌名时结果杂乱，且没有吸引人的描述。 +- **配置方案**： + - **标题**：Pawsome Friends | Premium Pet Supplies & Eco-friendly Toys + - **描述**：Shop at Pawsome Friends for high-quality, eco-friendly pet toys and organic treats. Free shipping on orders over $50. Your pet's happiness is our priority. + - **关键词**：pet supplies, eco-friendly dog toys, organic cat treats, Pawsome Friends. +- **效果**：两周后，Google 搜索结果显示了整洁的品牌标题和描述，点击率（CTR）明显提升，品牌专业度得到认可。 diff --git a/docs/blog/refer/店匠官方插件-SEO-搜索-推荐/店匠（Shoplazza）插件功能分析报告：搜索与推荐方向的市场需求与技术方案提炼.md b/docs/blog/refer/店匠官方插件-SEO-搜索-推荐/店匠（Shoplazza）插件功能分析报告：搜索与推荐方向的市场需求与技术方案提炼.md new file mode 100644 index 0000000..3d443c5 --- /dev/null +++ b/docs/blog/refer/店匠官方插件-SEO-搜索-推荐/店匠（Shoplazza）插件功能分析报告：搜索与推荐方向的市场需求与技术方案提炼.md @@ -0,0 +1,121 @@ +# 店匠（Shoplazza）插件功能分析报告：搜索与推荐方向的市场需求与技术方案提炼 + +**作者：** Manus AI +**日期：** 2025年12月30日 + +## 引言 + +本报告旨在通过对店匠（Shoplazza）生态中四款核心插件——**智能商品搜索**、**网站 SEO**、**SEO 优化工具**和**图片 SEO**——的功能、技术方案及市场反馈进行深入分析，为贵公司的电商独立站 SaaS 系统在**搜索**和**推荐**领域提供市场需求收集和技术方向的参考。通过研究这些成熟工具，我们可以提炼出商家在站内搜索体验、站外搜索引擎优化（SEO）方面的核心痛点和解决方案。 + +## 插件功能概览与核心价值 + +这四款插件分别从站内搜索体验和站外自然流量获取两个维度，解决了电商商家在运营中的关键问题。下表总结了每个工具的核心价值和目标。 + +| 插件名称 | 核心解决问题 | 技术方案核心 | 市场需求定位 | +| :--- | :--- | :--- | :--- | +| **智能商品搜索** | 站内搜索效率低下、结果不精准 | 多维度筛选器、自定义排序规则、搜索热词引导 | 提升站内转化率、优化用户体验 | +| **网站 SEO** | 网站主页 SEO 基础配置缺失 | 主页 TDK（标题、描述、关键词）管理 | 品牌曝光、低成本自然流量获取 | +| **SEO 优化工具** | 全站 SEO 维护复杂、效率低下 | 批量 Meta 标签、Sitemap 自动化、URL 重定向、结构化数据 | 规模化运营、高级 SEO 控制、死链修复 | +| **图片 SEO** | 图片搜索流量缺失、Alt 标签配置耗时 | 智能 Alt 标签模板、批量优化引擎 | 视觉电商流量获取、无障碍访问合规 | + +## 详细分析与技术方案提炼 + +### 1. 智能商品搜索插件 + +#### 解决的具体问题与市场需求 + +该插件的核心价值在于解决电商平台**站内搜索**的效率和精准度问题 [1]。在商品数量庞大的独立站中，用户往往难以快速找到目标商品，导致跳出率升高。商家迫切需要工具来**优化搜索结果的排序和筛选**，并通过**搜索热词**等方式引导用户，最终目标是提升搜索到购买的转化率。 + +#### 技术方案与 SaaS 系统方向 + +该插件的技术方案体现了对搜索结果的精细化控制： + +* **多维度筛选器配置**：技术上需要支持从商品数据中**自动拉取**（如价格、库存）和**手动配置**（如款式、标签、元字段）两种类型的筛选维度。这要求 SaaS 系统具备灵活的**商品属性元数据管理**能力。 +* **自定义排序引擎**：除了默认的推荐排序，还允许商家根据**业务需求**（如销量、加购数、上新时间）自定义排序权重。这表明 SaaS 系统应提供一个**可配置的搜索结果排序算法接口**，允许商家通过后台配置影响搜索结果的展示逻辑。 +* **搜索引导机制**：通过**搜索热词**和**历史记录**实现用户搜索意图的捕捉和引导。这要求系统具备**搜索日志分析**能力，能够识别高频搜索词并将其作为推荐热词。 + +#### 使用案例：时尚服装独立站优化搜索体验 + +某服装站通过配置**款式**（尺码、颜色）和**价格**筛选器，并将**销量高低**和**加购最多**设置为靠前排序规则，显著提升了用户在搜索“连衣裙”后找到目标商品的效率，从而提高了转化率。 + +### 2. 网站 SEO 插件 + +#### 解决的具体问题与市场需求 + +网站 SEO 插件专注于解决**网站主页**的 SEO 基础配置问题 [2]。对于新手商家而言，如何设置**标题（Title）**、**描述（Description）**和**关键词（Keywords）**是进入 SEO 领域的第一步。市场需求集中在**简化操作**、**快速上手**，以低成本方式获取搜索引擎的**品牌曝光**和**自然流量**。 + +#### 技术方案与 SaaS 系统方向 + +其技术方案相对基础，但至关重要： + +* **TDK 集中管理**：提供一个统一的界面来设置网站主页的元标签。 +* **搜索引擎预览**：在后台提供 Google 搜索结果的**实时预览**功能，帮助商家优化文案以提高点击率（CTR）。 + +对于 SaaS 系统而言，这是**基础功能**，应内置于核心建站模块中，确保每个新站点都能轻松完成基础 SEO 配置。 + +#### 使用案例：新兴宠物用品独立站的品牌曝光优化 + +一家新开的宠物用品店通过设置清晰的品牌标题和吸引人的描述（如包含“Premium Pet Supplies”和“Free shipping”），在 Google 搜索结果中展示了专业的品牌形象，有效提升了点击率。 + +### 3. SEO 优化工具插件 + +#### 解决的具体问题与市场需求 + +SEO 优化工具是针对**规模化运营**和**高级 SEO 维护**的解决方案 [3]。它解决了商家在商品数量增加后，手动维护全站 SEO 标签、处理死链、提交网站地图等一系列复杂且耗时的任务。市场需求是**自动化**、**高级控制**和**合规性**。 + +#### 技术方案与 SaaS 系统方向 + +该插件的技术方案涉及多个高级 SEO 模块： + +* **批量 Meta 标签与规则引擎**：通过**变量引用**（如 `{product_title}`）实现全站商品、专辑、博客等页面的 Meta 标签**自动化生成**。这要求 SaaS 系统提供强大的**模板引擎**和**数据变量接口**。 +* **URL 重定向管理**：提供路径级和完整 URL 级的 **301/302 重定向**功能，用于修复死链和保留页面权重。这是维护网站健康度的关键技术。 +* **Sitemap 自动化与集成**：**实时或定时**生成并更新网站地图，并提供与 **Google Search Console** 的**集成接口**，实现一键提交。 +* **结构化数据（JSON-LD）**：自动生成并嵌入 **Google Snippets**（如面包屑、商品信息），以增强搜索结果的丰富度和可信度。 +* **Robots.txt 编辑器**：提供对爬虫访问权限的**高级控制**，满足个性化 SEO 需求。 + +对于 SaaS 系统，这表明**自动化 SEO 规则引擎**和**外部工具集成**（如 Google Search Console）是提升产品专业度的重要方向。 + +#### 使用案例：大型 3C 电子产品站的自动化 SEO 维护 + +一个拥有数千 SKU 的电子产品站，通过设置 Meta 标签模板和 Alt 标签规则，实现了全站 SEO 的自动化覆盖。同时，利用重定向功能将所有旧款下架商品页面导向最新款分类页，成功避免了因死链导致的 SEO 惩罚。 + +### 4. 图片 SEO 插件 + +#### 解决的具体问题与市场需求 + +图片 SEO 插件专注于解决**图片搜索流量**的获取问题 [4]。对于以视觉为驱动的电商（如服装、家居），图片是重要的流量入口。该插件通过**批量、智能地设置图片 Alt 标签**，解决了手动操作的低效性，并提升了网站的**无障碍访问**水平。 + +#### 技术方案与 SaaS 系统方向 + +该插件的技术方案是 SEO 规则引擎在图片领域的应用： + +* **智能 Alt 标签模板**：与 SEO 优化工具类似，使用**变量**（如产品标题、集合名称）来构造符合 SEO 规范的 Alt 文本。 +* **批量处理能力**：核心技术在于能够**高效地遍历**全站图片资源，并**批量写入** Alt 属性，同时支持对新上传图片的**自动应用**。 +* **场景覆盖**：支持商品图、专辑封面、博客配图等**多场景**的 Alt 标签优化。 + +对于 SaaS 系统，这强调了**媒体资源管理**模块中应内置**智能 Alt 文本生成**功能，可以考虑集成 AI 能力，根据图片内容自动生成描述性 Alt 文本，进一步提升自动化水平。 + +## 总结与对 SaaS 系统的方向建议 + +通过对上述插件的分析，我们可以为贵公司的电商独立站 SaaS 系统在**搜索**和**推荐**方向提炼出以下关键市场需求和技术方向： + +| 领域 | 市场需求提炼 | 技术方案方向 | +| :--- | :--- | :--- | +| **站内搜索** | **精准度与引导**：用户需要快速找到目标商品，商家需要引导用户购买特定商品。 | **可配置的搜索排序引擎**：允许商家自定义权重（销量、价格、新品等）。
**智能搜索引导**：基于搜索日志的**热词推荐**和**联想词**功能。 | +| **站外 SEO** | **自动化与规模化**：商品数量多，需要自动化工具进行全站 SEO 维护。 | **全站 SEO 规则模板引擎**：支持变量引用，批量生成 Meta 标签和 Alt 文本。
**网站健康度工具**：内置 **URL 重定向**、**Sitemap 自动化**、**Robots.txt 管理**等高级功能。 | +| **推荐** | **关联性与转化**：在搜索结果页和商品详情页提供相关推荐，以提升转化。 | **智能关联推荐**：基于搜索词、浏览历史、商品属性的**实时推荐算法**。 | + +**核心建议：** + +1. **构建统一的规则引擎**：将 SEO 优化工具和图片 SEO 中的**模板/变量**技术方案整合，形成一个统一的**“元数据自动化规则引擎”**，用于批量管理 TDK、Alt 标签等，大幅提升商家运营效率。 +2. **深化站内搜索能力**：将“智能商品搜索”的功能作为核心竞争力，提供**多维度筛选**和**自定义排序**的灵活配置，并利用搜索数据进行**智能推荐**，将搜索功能从简单的匹配升级为**转化工具**。 + +## 参考文献 + +[1] 智能商品搜索 | 店匠应用商店: +[2] Website SEO | 店匠应用商店: +[3] SEO优化工具 | 店匠应用商店: +[4] 图片 SEO | 店匠应用商店: +[5] 智能商品搜索｜配置筛选项 – Shoplazza 帮助中心: +[6] 设置网站SEO – Shoplazza 帮助中心: +[7] SEO优化工具使用说明 – Shoplazza 帮助中心: diff --git a/docs/blog/refer/搜索相关指标-看板.md b/docs/blog/refer/搜索相关指标-看板.md new file mode 100644 index 0000000..932ee8a --- /dev/null +++ b/docs/blog/refer/搜索相关指标-看板.md @@ -0,0 +1,42 @@ + +### 搜索数据看板指标体系 + +| 指标类别 | 核心关注点 | 关键指标举例 | +| :--- | :--- | :--- | +| **1. 搜索基础规模** | 用户活跃度、请求量、结果覆盖广度 | 搜索PV/UV，曝光PV/UV/**IV** | +| **2. 转化效率漏斗** | 从曝光到下单的全链路转化效能 | CTR, CVR, 访购率 | +| **3. 用户价值指标** | 搜索对用户和业务的深层贡献 | 人均搜索/成交，搜索GMV占比 | +| **4. Query深度分析** | 搜索词层面的质量、需求与问题诊断 | Top Query，无结果率，搜索访购率 | + +以下是各部分的详细说明。 + +#### 1. 搜索基础规模 +这部分指标用于监控搜索功能的整体使用情况和流量基础，已按你要求补全IV维度。 +- **流量规模**：搜索PV（次数）、搜索UV（用户数）、人均搜索次数。 +- **曝光广度**：**曝光PV、曝光UV、曝光IV（独立曝光商品数）**、平均曝光条数及分位数（P90, P95, P99）。 +- **点击交互**：**点击PV、点击UV、点击IV（独立被点击商品数）**。 + +#### 2. 转化效率漏斗 +这是评估搜索效果的核心链路，聚焦于用户行为的转化。 +- **曝光→点击**：点击率（CTR），包括请求级和用户级（UCTR）。 +- **点击→转化**：转化率（CVR），可细分为加购转化和下单转化。 +- **整体转化**：搜索访购率（有行为的搜索次数/总搜索次数），衡量搜索直接带来转化的效率。 + +#### 3. 用户价值与业务贡献 +这部分指标衡量搜索带来的深层用户价值和直接业务效果。 +- **用户活跃与粘性**：搜索渗透率（搜索UV / 大盘DAU）、搜索留存率。 +- **人均贡献**：人均点击次数、人均加购次数、人均下单次数。 +- **商业贡献**：搜索带来的GMV（成交总额）及其在大盘中的占比、搜索客单价。 + +#### 4. Query（搜索词）深度分析 +这是优化搜索质量的关键，用Query分析替代了传统的点击位置指标。 +- **Query健康度**：**无结果率**、**无结果Top Query**、**无点击Top Query**。 +- **需求挖掘**：**高频Top Query**、**高点击Top Query**、**高转化Top Query**。同时可监控**搜索飙升词**和**搜索新词**，以洞察趋势。 +- **Query效率**：不同Query的**访购率**（UV_CXR）和**转化率**（QV_CVR），识别高效能Query。 + +#### 5. suggestion效率 +suggestion点击发起的搜索PV占总搜索PV的比例 + + +## 页面维度维度（投放/SEO关注）： +搜索排名、跳出率 、页面 浏览量、网站停留时间、回头客、 转化率 \ No newline at end of file diff --git a/docs/blog/refer/独立站人群分类方法大全：破解数据孤岛的精准营销体系.md b/docs/blog/refer/独立站人群分类方法大全：破解数据孤岛的精准营销体系.md new file mode 100644 index 0000000..e69de29 --- /dev/null +++ b/docs/blog/refer/独立站人群分类方法大全：破解数据孤岛的精准营销体系.md diff --git a/docs/blog/seo_optimizer_analysis.md b/docs/blog/seo_optimizer_analysis.md deleted file mode 100644 index b3b9a07..0000000 --- a/docs/blog/seo_optimizer_analysis.md +++ /dev/null @@ -1,38 +0,0 @@ -# SEO Optimizer 插件分析 - -## 1. 解决的具体问题 -- **SEO 诊断与评估**：帮助商家识别店铺中存在的 SEO 缺陷。 -- **全站 Meta 标签覆盖**：解决手动为成百上千个商品、专辑、博客设置 Meta 标签的低效问题。 -- **图片搜索流量缺失**：通过自动/批量设置图片 Alt 标签，提升图片在 Google Images 的排名。 -- **死链影响权重**：修复 404 无效链接，通过重定向保留页面权重。 -- **搜索引擎收录慢**：自动生成并提交 Sitemap，加速 Google 索引。 -- **高级 SEO 控制**：提供 Robots.txt 管理，满足个性化爬取需求。 - -## 2. 技术方案/功能点 -- **自动化 Meta 标签**：支持首页、商品、专辑、博客等页面的批量 Meta 设置，支持变量引用。 -- **图片 SEO 规则引擎**：基于自定义规则（如商品名+关键词）自动为新图片生成 Alt 文本。 -- **URL 重定向工具**：支持路径级和完整 URL 级的 301/302 重定向设置。 -- **Sitemap 自动更新**：每日凌晨自动更新站点地图，并提供与 Google Search Console 的集成接口。 -- **JSON-LD 结构化数据**：自动添加 Google Snippets（面包屑、商品信息、网站链接），提升搜索结果展示效果。 -- **Robots.txt 编辑器**：支持预览、编辑和一键屏蔽爬虫功能。 - -## 3. 市场需求 -- 规模化运营需求：商品量大的商家需要自动化工具。 -- 技术进阶需求：需要 Robots.txt 和结构化数据等高级 SEO 手段。 -- 流量监控需求：集成数据看板，直观查看自然流量转化。 - -## 4. 详细用法与案例 -### 用法步骤： -1. **Meta 标签设置**：在插件后台点击“Meta标签”，切换不同页面类型，输入模板并保存。 -2. **图片 Alt 设置**：在“图片SEO”模块设置生成规则，开启自动应用。 -3. **死链修复**：在“无效链接”模块输入旧路径和新目标 URL。 -4. **Sitemap 提交**：复制自动生成的 Sitemap 地址，前往 Google Search Console 提交。 - -### 使用案例： -**案例：大型 3C 电子产品站的自动化 SEO 维护** -- **背景**：某站有 2000+ SKU，手动设置 SEO 极其耗时，且经常有下架商品导致死链。 -- **配置方案**： - - **Meta 模版**：商品页 Meta 标题设为 `{product_title} - Buy Online at {shop_name}`。 - - **图片 Alt**：规则设为 `{product_title} - {shop_name} Electronics`。 - - **死链处理**：将所有已下架的旧款手机页面重定向到对应的最新款分类页。 -- **效果**：全站 SEO 覆盖率从 10% 提升到 100%，图片搜索带来的流量增长了 30%，且避免了因死链导致的 Google 惩罚。 diff --git a/docs/blog/smart_search_analysis.md b/docs/blog/smart_search_analysis.md deleted file mode 100644 index 4b30a4a..0000000 --- a/docs/blog/smart_search_analysis.md +++ /dev/null @@ -1,41 +0,0 @@ -# 智能商品搜索插件分析 - -## 1. 解决的具体问题 -- **搜索效率低下**：帮助顾客快速定位目标商品。 -- **搜索结果不精准**：通过自定义排序规则和筛选条件优化结果。 -- **缺乏引导**：通过搜索热词和历史记录引导用户搜索。 -- **转化率提升**：智能关联推荐与搜索词相关的商品，增加曝光和转化。 - -## 2. 技术方案/功能点 -- **多维度筛选器配置**： - - **自动拉取数据**：厂商、价格、库存。 - - **手动配置/选择**：款式（Size/Color等）、标签、元字段（外形、尺寸、体积、重量、单行文本）。 -- **自定义排序条件**： - - 默认首位：Recommend（推荐）。 - - 可选维度：最新上架、价格高低、销量高低、加购最多、浏览最多、名称 A-Z/Z-A。 -- **搜索热词与引导**： - - 手动设置特定搜索热词。 - - 自动推荐高频搜索词。 - - 展示用户历史搜索记录。 -- **主题深度集成**：仅支持 Nova2023 系列（Night, Sweet, Morning, Bamboo, Moon）3.3.0 版本以上。 - -## 4. 详细用法与案例 -### 用法步骤： -1. **安装**：通过应用商店或主题装修页面快捷安装。 -2. **配置筛选器**：点击“添加筛选维度”，选择类型（如标签或元字段），并设置标题。 -3. **配置排序**：在插件后台调整排序维度的顺序。 -4. **应用**：开启“应用到店铺”开关。 - -### 使用案例： -**案例：时尚服装独立站优化搜索体验** -- **背景**：某服装站商品繁多，用户搜索“连衣裙”后结果太多，难以抉择。 -- **配置方案**： - - **筛选器**：添加“款式”筛选（尺码、颜色）、“价格”区间筛选、“标签”筛选（如“2024夏季新品”）。 - - **排序**：将“销量高低”和“加购最多”排在靠前位置，帮助用户参考他人购买偏好。 - - **热词**：设置“法式复古”、“显瘦”为热词，引导用户点击。 -- **效果**：用户通过筛选快速找到符合自己尺码和预算的连衣裙，提升了搜索到下单的转化率。 - -## 3. 市场需求 -- 提升站内搜索体验，减少用户流失。 -- 商家希望通过搜索数据引导用户购买特定商品（通过热词）。 -- 自动化推荐减少人工配置成本。 diff --git a/docs/blog/website_seo_analysis.md b/docs/blog/website_seo_analysis.md deleted file mode 100644 index ec24fce..0000000 --- a/docs/blog/website_seo_analysis.md +++ /dev/null @@ -1,33 +0,0 @@ -# Website SEO 插件分析 - -## 1. 解决的具体问题 -- **搜索排名靠后**：通过优化 TDK（Title, Description, Keywords）提升在 Google 等搜索引擎的排名。 -- **自然流量匮乏**：通过 SEO 吸引精准客户，减少对付费广告的依赖。 -- **SEO 门槛高**：为新手商家提供简化的设置流程，快速上手 SEO 基础配置。 - -## 2. 技术方案/功能点 -- **主页 TDK 管理**： - - **SEO 标题**：自定义主页在搜索结果中显示的标题。 - - **SEO 描述**：添加店铺整体描述和关键词，增强相关性。 - - **SEO 关键词**：添加多个核心关键字，扩大搜索覆盖面。 -- **索引优化**：通过规范化的元标签设置，增强搜索引擎的爬取和索引效率。 - -## 3. 市场需求 -- 商家需要低成本获取流量的手段。 -- 品牌化建设需求，确保搜索品牌名时能展示正确的描述。 -- 自动化/引导式 SEO 配置，降低技术理解成本。 - -## 4. 详细用法与案例 -### 用法步骤： -1. **安装**：在应用商店搜索“网站SEO”并安装。 -2. **配置主页 SEO**：进入插件，填写“主页SEO标题”、“主页SEO描述”和“SEO关键词”。 -3. **保存**：点击保存，等待搜索引擎抓取更新。 - -### 使用案例： -**案例：新兴宠物用品独立站的品牌曝光优化** -- **背景**：一家新开的宠物用品店“Pawsome Friends”，搜索品牌名时结果杂乱，且没有吸引人的描述。 -- **配置方案**： - - **标题**：Pawsome Friends | Premium Pet Supplies & Eco-friendly Toys - - **描述**：Shop at Pawsome Friends for high-quality, eco-friendly pet toys and organic treats. Free shipping on orders over $50. Your pet's happiness is our priority. - - **关键词**：pet supplies, eco-friendly dog toys, organic cat treats, Pawsome Friends. -- **效果**：两周后，Google 搜索结果显示了整洁的品牌标题和描述，点击率（CTR）明显提升，品牌专业度得到认可。 diff --git a/docs/blog/个性化.md b/docs/blog/个性化.md new file mode 100644 index 0000000..0cadcbb --- /dev/null +++ b/docs/blog/个性化.md @@ -0,0 +1,9 @@ + +| 数据类型 | 采集方式 | 应用场景 | 示例 | +| ---------- | ----------------- | ---------- | -------------------------------------- | +| **流量来源** | UTM参数、referrer解析 | 欢迎页差异化展示 | Instagram用户看到"网红同款"，Facebook用户看到"好友购买" | +| **页面行为** | 前端埋点、SDK | 实时意图判断 | 商品页停留>30秒→触发"库存紧张"提示 | +| **交易数据** | 订单API、Webhook | RFM分群、复购预测 | 近30天购买3次+客单价>\$100→标记"高价值用户" | +| **用户属性** | 注册表单、CRM导入 | 精准分群 | 年龄>35岁+女性→推荐抗衰老护肤品 | +| **设备/环境** | User-Agent、IP地理定位 | 体验适配 | iOS用户→App下载引导，安卓用户→Google Pay支付 | +| **邮箱/手机号** | 登录、订阅（需授权） | 跨渠道唤醒 | 弃购后2小时发邮件，展示"最近浏览"抽屉 | diff --git a/docs/blog/宣传.md b/docs/blog/宣传.md new file mode 100644 index 0000000..e69de29 --- /dev/null +++ b/docs/blog/宣传.md diff --git a/docs/blog/店匠（Shoplazza）插件功能分析报告：搜索与推荐方向的市场需求与技术方案提炼.md b/docs/blog/店匠（Shoplazza）插件功能分析报告：搜索与推荐方向的市场需求与技术方案提炼.md deleted file mode 100644 index 3d443c5..0000000 --- a/docs/blog/店匠（Shoplazza）插件功能分析报告：搜索与推荐方向的市场需求与技术方案提炼.md +++ /dev/null @@ -1,121 +0,0 @@ -# 店匠（Shoplazza）插件功能分析报告：搜索与推荐方向的市场需求与技术方案提炼 - -**作者：** Manus AI -**日期：** 2025年12月30日 - -## 引言 - -本报告旨在通过对店匠（Shoplazza）生态中四款核心插件——**智能商品搜索**、**网站 SEO**、**SEO 优化工具**和**图片 SEO**——的功能、技术方案及市场反馈进行深入分析，为贵公司的电商独立站 SaaS 系统在**搜索**和**推荐**领域提供市场需求收集和技术方向的参考。通过研究这些成熟工具，我们可以提炼出商家在站内搜索体验、站外搜索引擎优化（SEO）方面的核心痛点和解决方案。 - -## 插件功能概览与核心价值 - -这四款插件分别从站内搜索体验和站外自然流量获取两个维度，解决了电商商家在运营中的关键问题。下表总结了每个工具的核心价值和目标。 - -| 插件名称 | 核心解决问题 | 技术方案核心 | 市场需求定位 | -| :--- | :--- | :--- | :--- | -| **智能商品搜索** | 站内搜索效率低下、结果不精准 | 多维度筛选器、自定义排序规则、搜索热词引导 | 提升站内转化率、优化用户体验 | -| **网站 SEO** | 网站主页 SEO 基础配置缺失 | 主页 TDK（标题、描述、关键词）管理 | 品牌曝光、低成本自然流量获取 | -| **SEO 优化工具** | 全站 SEO 维护复杂、效率低下 | 批量 Meta 标签、Sitemap 自动化、URL 重定向、结构化数据 | 规模化运营、高级 SEO 控制、死链修复 | -| **图片 SEO** | 图片搜索流量缺失、Alt 标签配置耗时 | 智能 Alt 标签模板、批量优化引擎 | 视觉电商流量获取、无障碍访问合规 | - -## 详细分析与技术方案提炼 - -### 1. 智能商品搜索插件 - -#### 解决的具体问题与市场需求 - -该插件的核心价值在于解决电商平台**站内搜索**的效率和精准度问题 [1]。在商品数量庞大的独立站中，用户往往难以快速找到目标商品，导致跳出率升高。商家迫切需要工具来**优化搜索结果的排序和筛选**，并通过**搜索热词**等方式引导用户，最终目标是提升搜索到购买的转化率。 - -#### 技术方案与 SaaS 系统方向 - -该插件的技术方案体现了对搜索结果的精细化控制： - -* **多维度筛选器配置**：技术上需要支持从商品数据中**自动拉取**（如价格、库存）和**手动配置**（如款式、标签、元字段）两种类型的筛选维度。这要求 SaaS 系统具备灵活的**商品属性元数据管理**能力。 -* **自定义排序引擎**：除了默认的推荐排序，还允许商家根据**业务需求**（如销量、加购数、上新时间）自定义排序权重。这表明 SaaS 系统应提供一个**可配置的搜索结果排序算法接口**，允许商家通过后台配置影响搜索结果的展示逻辑。 -* **搜索引导机制**：通过**搜索热词**和**历史记录**实现用户搜索意图的捕捉和引导。这要求系统具备**搜索日志分析**能力，能够识别高频搜索词并将其作为推荐热词。 - -#### 使用案例：时尚服装独立站优化搜索体验 - -某服装站通过配置**款式**（尺码、颜色）和**价格**筛选器，并将**销量高低**和**加购最多**设置为靠前排序规则，显著提升了用户在搜索“连衣裙”后找到目标商品的效率，从而提高了转化率。 - -### 2. 网站 SEO 插件 - -#### 解决的具体问题与市场需求 - -网站 SEO 插件专注于解决**网站主页**的 SEO 基础配置问题 [2]。对于新手商家而言，如何设置**标题（Title）**、**描述（Description）**和**关键词（Keywords）**是进入 SEO 领域的第一步。市场需求集中在**简化操作**、**快速上手**，以低成本方式获取搜索引擎的**品牌曝光**和**自然流量**。 - -#### 技术方案与 SaaS 系统方向 - -其技术方案相对基础，但至关重要： - -* **TDK 集中管理**：提供一个统一的界面来设置网站主页的元标签。 -* **搜索引擎预览**：在后台提供 Google 搜索结果的**实时预览**功能，帮助商家优化文案以提高点击率（CTR）。 - -对于 SaaS 系统而言，这是**基础功能**，应内置于核心建站模块中，确保每个新站点都能轻松完成基础 SEO 配置。 - -#### 使用案例：新兴宠物用品独立站的品牌曝光优化 - -一家新开的宠物用品店通过设置清晰的品牌标题和吸引人的描述（如包含“Premium Pet Supplies”和“Free shipping”），在 Google 搜索结果中展示了专业的品牌形象，有效提升了点击率。 - -### 3. SEO 优化工具插件 - -#### 解决的具体问题与市场需求 - -SEO 优化工具是针对**规模化运营**和**高级 SEO 维护**的解决方案 [3]。它解决了商家在商品数量增加后，手动维护全站 SEO 标签、处理死链、提交网站地图等一系列复杂且耗时的任务。市场需求是**自动化**、**高级控制**和**合规性**。 - -#### 技术方案与 SaaS 系统方向 - -该插件的技术方案涉及多个高级 SEO 模块： - -* **批量 Meta 标签与规则引擎**：通过**变量引用**（如 `{product_title}`）实现全站商品、专辑、博客等页面的 Meta 标签**自动化生成**。这要求 SaaS 系统提供强大的**模板引擎**和**数据变量接口**。 -* **URL 重定向管理**：提供路径级和完整 URL 级的 **301/302 重定向**功能，用于修复死链和保留页面权重。这是维护网站健康度的关键技术。 -* **Sitemap 自动化与集成**：**实时或定时**生成并更新网站地图，并提供与 **Google Search Console** 的**集成接口**，实现一键提交。 -* **结构化数据（JSON-LD）**：自动生成并嵌入 **Google Snippets**（如面包屑、商品信息），以增强搜索结果的丰富度和可信度。 -* **Robots.txt 编辑器**：提供对爬虫访问权限的**高级控制**，满足个性化 SEO 需求。 - -对于 SaaS 系统，这表明**自动化 SEO 规则引擎**和**外部工具集成**（如 Google Search Console）是提升产品专业度的重要方向。 - -#### 使用案例：大型 3C 电子产品站的自动化 SEO 维护 - -一个拥有数千 SKU 的电子产品站，通过设置 Meta 标签模板和 Alt 标签规则，实现了全站 SEO 的自动化覆盖。同时，利用重定向功能将所有旧款下架商品页面导向最新款分类页，成功避免了因死链导致的 SEO 惩罚。 - -### 4. 图片 SEO 插件 - -#### 解决的具体问题与市场需求 - -图片 SEO 插件专注于解决**图片搜索流量**的获取问题 [4]。对于以视觉为驱动的电商（如服装、家居），图片是重要的流量入口。该插件通过**批量、智能地设置图片 Alt 标签**，解决了手动操作的低效性，并提升了网站的**无障碍访问**水平。 - -#### 技术方案与 SaaS 系统方向 - -该插件的技术方案是 SEO 规则引擎在图片领域的应用： - -* **智能 Alt 标签模板**：与 SEO 优化工具类似，使用**变量**（如产品标题、集合名称）来构造符合 SEO 规范的 Alt 文本。 -* **批量处理能力**：核心技术在于能够**高效地遍历**全站图片资源，并**批量写入** Alt 属性，同时支持对新上传图片的**自动应用**。 -* **场景覆盖**：支持商品图、专辑封面、博客配图等**多场景**的 Alt 标签优化。 - -对于 SaaS 系统，这强调了**媒体资源管理**模块中应内置**智能 Alt 文本生成**功能，可以考虑集成 AI 能力，根据图片内容自动生成描述性 Alt 文本，进一步提升自动化水平。 - -## 总结与对 SaaS 系统的方向建议 - -通过对上述插件的分析，我们可以为贵公司的电商独立站 SaaS 系统在**搜索**和**推荐**方向提炼出以下关键市场需求和技术方向： - -| 领域 | 市场需求提炼 | 技术方案方向 | -| :--- | :--- | :--- | -| **站内搜索** | **精准度与引导**：用户需要快速找到目标商品，商家需要引导用户购买特定商品。 | **可配置的搜索排序引擎**：允许商家自定义权重（销量、价格、新品等）。
**智能搜索引导**：基于搜索日志的**热词推荐**和**联想词**功能。 | -| **站外 SEO** | **自动化与规模化**：商品数量多，需要自动化工具进行全站 SEO 维护。 | **全站 SEO 规则模板引擎**：支持变量引用，批量生成 Meta 标签和 Alt 文本。
**网站健康度工具**：内置 **URL 重定向**、**Sitemap 自动化**、**Robots.txt 管理**等高级功能。 | -| **推荐** | **关联性与转化**：在搜索结果页和商品详情页提供相关推荐，以提升转化。 | **智能关联推荐**：基于搜索词、浏览历史、商品属性的**实时推荐算法**。 | - -**核心建议：** - -1. **构建统一的规则引擎**：将 SEO 优化工具和图片 SEO 中的**模板/变量**技术方案整合，形成一个统一的**“元数据自动化规则引擎”**，用于批量管理 TDK、Alt 标签等，大幅提升商家运营效率。 -2. **深化站内搜索能力**：将“智能商品搜索”的功能作为核心竞争力，提供**多维度筛选**和**自定义排序**的灵活配置，并利用搜索数据进行**智能推荐**，将搜索功能从简单的匹配升级为**转化工具**。 - -## 参考文献 - -[1] 智能商品搜索 | 店匠应用商店: -[2] Website SEO | 店匠应用商店: -[3] SEO优化工具 | 店匠应用商店: -[4] 图片 SEO | 店匠应用商店: -[5] 智能商品搜索｜配置筛选项 – Shoplazza 帮助中心: -[6] 设置网站SEO – Shoplazza 帮助中心: -[7] SEO优化工具使用说明 – Shoplazza 帮助中心: diff --git a/docs/blog/智能引导1.md b/docs/blog/智能引导1.md new file mode 100644 index 0000000..93107d9 --- /dev/null +++ b/docs/blog/智能引导1.md @@ -0,0 +1,67 @@ +提升产品发现效率：独立站电商导航与搜索优化全案 + +在跨境电商竞争日益激烈的今天，尤其对于服装、3C等拥有数万乃至十万级SKU的独立站而言，高效的产品发现路径已成为决定用户去留与转化的关键。许多独立站在初期面临搜索数据稀疏、用户查询无结果或结果不匹配的困境，导致用户迅速流失。本文将围绕导航体系优化、智能分面搜索、多目标排序三大核心，结合行业最佳实践与前沿技术思路，提供一套提升产品发现效率的系统性解决方案。 + +一、 结构化导航：构建清晰的产品寻径基础 + +清晰的导航是用户高效探索网站的基石，尤其对于新访客。 + +1. 主导航与面包屑导航： + ◦ 主导航：应简洁明了，反映核心品类结构（如“女装 > 上装 > 卫衣”），并可通过A/B测试，将“热销品类”或“趋势品牌”前置，直接引导流量。 + + ◦ 面包屑导航：不仅告知用户当前位置，更作为重要的辅助导航路径，允许用户快速返回上级类目，降低跳出率，同时对SEO友好。 + +2. 搜索引导与冷启动优化：针对初期搜索数据少的问题，需主动引导用户，降低其输入成本与决策摩擦。 + ◦ 智能搜索框：集成SaaS级服务，提供输入联想、拼写纠错、相关搜索推荐和底纹词。例如，用户输入“runing sho”，系统可纠正为“running shoes”并提供“for men”、“women's trail”等联想。 + + ◦ 冷启动策略：初期结合行业通用热词与本站商品元数据生成提示。同时，在搜索结果页或无结果页，展示“热销品类”、“热门品牌”及“趋势商品”，有效承接模糊或长尾搜索意图，利用长尾词高转化的特性提升机会。 + +二、 智能分面搜索： + +分面搜索（引导式导航）是管理海量SKU、实现精准筛选的核心武器。其设计需超越基础属性，融入场景与趋势。 + +1. 行业基础分面+特色Feature构建： + ◦ 通用维度：价格、品牌、颜色、尺码、评分等是标配，需进行热度排序与视觉优化（如颜色色块）。 + + ◦ 行业专属维度： + + ▪ 服装：材质、季节、特定风格（如“streetwear”、“modest fashion”）。 + + ▪ 3C：兼容型号、接口类型、认证标准（如FCC/CE）。 + + ◦ 商品特色Feature：例如，针对紧身裤，可构建“Seamless”、“Pockets”、“Sweat Wicking”等特色筛选标签，直击消费者细分需求。 + +2. 动态与智能分面： + ◦ 上下文感知：根据搜索词动态调整展示的分面。例如，搜索“wedding dress”时，自动高亮“场合（Occasion）”、“裙长”分面；搜索“phone case”时，则首要展示“手机型号兼容性”。 + +三、 多目标智能排序：平衡用户体验与商业目标 + +当基础检索和分面筛选完成后，排序决定了商品的最终呈现顺序。简单的“按销量”或“相关性”排序已无法满足精细化运营需求。 + +1. 挑战：需在用户意图相关性与商家业务目标间取得平衡，后者包括提升GMV、利润率、清理库存、促进新品冷启动等。 + +2. 技术方案：精排模型： + ◦ 多目标排序模型：采用如LambdaMART或DeepFM等机器学习模型。模型输入特征应全面： + + ▪ 商品特征：价格、历史点击率、转化率、利润率、库存深度、新品标签。 + + ▪ 用户特征：历史购买力、品牌偏好、所处复购周期。 + + ▪ 上下文特征：搜索词、设备类型、用户地理位置、实时热点。 + + ◦ 实时与闭环优化： + + ▪ 利用实时计算引擎（如Flink）处理用户点击、加购、购买行为流，动态更新商品热度分数。 + + ▪ 建立人工运营接口，允许运营人员在特定场景下置顶关键商品或调整业务目标权重。 + + ▪ 实现在线学习，模型可每隔较短周期（如15分钟）根据最新产生的转化数据自动微调，快速响应市场变化。 + +四、 整合策略与预期效果 + +将上述方案系统化整合，可构建一个自适应、可运营、有深度的产品发现引擎： +1. 前端体验整合：搜索框、分面导航、排序选项在界面上无缝衔接，交互流畅。 +2. 后端数据打通：商品元数据、用户行为流、外部趋势数据、业务目标参数统一汇入排序模型，形成决策闭环。 +3. 运营赋能：为运营提供热点监控、标签管理、权重干预等工具，让人机协同发挥最大效能。 + +预期效果：通过实施本方案，独立站有望显著提升产品发现效率，降低用户寻找心仪商品的认知负荷与操作步骤，从而直接推动搜索转化率、客单价和用户留存率的增长，尤其在SKU海量的服装、3C等品类中，效果将更为突出。这不仅优化了用户体验，更使搜索引擎成为驱动业务增长的智能核心。 \ No newline at end of file diff --git a/docs/blog/智能引导2.md b/docs/blog/智能引导2.md new file mode 100644 index 0000000..e69de29 --- /dev/null +++ b/docs/blog/智能引导2.md diff --git a/docs/blog/智能引导3.md b/docs/blog/智能引导3.md new file mode 100644 index 0000000..081628d --- /dev/null +++ b/docs/blog/智能引导3.md @@ -0,0 +1,57 @@ +智能导航与动态排序：构建下一代电商产品发现引擎 + +在SKU数量动辄数万甚至十万量级的跨境电商独立站中，用户能否快速、精准地找到心仪商品，直接决定了转化的成败。传统的、基于关键词匹配的搜索模式已显疲态，它无法理解用户搜索“dress for wedding”时不想看到白色连衣裙的潜台词，更难以应对数据稀缺的“冷启动”困境。本文将围绕导航体系、智能分面、多目标排序三大核心，结合AI与个性化技术，构建一个不仅能“筛选”更能“理解”、不仅能“召回”更能“精排”的下一代产品发现引擎。 + +一、 导航与引导：从被动检索到主动引导 + +高效的导航体系是用户探索的基石，而在数据稀缺的初期，主动引导比被动检索更为关键。 + +1. 分层导航与场景化路径： + ◦ 主导航：需清晰反映核心品类，并可利用A/B测试，为不同用户群体动态调整优先级。例如，为新用户突出“热门品类”和“趋势品牌”，为回访用户则可根据其浏览历史，在导航中优先展示其偏好的类别或品牌。 + + ◦ 智能引导：针对初期搜索数据少、用户查询易无果的痛点，必须降低用户的输入与决策成本。集成智能搜索框，提供输入联想、拼写纠错、相关搜索推荐，能有效承接模糊意图。更重要的是，当搜索无结果或结果不佳时，应主动展示由社交监听（如TikTok热门标签）和搜索趋势API（如Google Trends）生成的“趋势商品”或“热门搜索”，将一次失败的搜索转化为新的发现之旅。 + +2. 理解意图，而非匹配关键词：传统的搜索要求用户用“机器的语言”思考。下一代搜索应能理解自然语言与复杂意图。例如，当用户输入“What should I wear jogging in cold weather?”时，通过语义搜索与AI对话引擎，系统能理解其“冬季跑步夹克”的本质需求，并直接推荐相关产品，实现从“搜索工具”到“购物助手”的范式转变。 + +二、 智能分面搜索：从通用筛选到情境化发现 + +分面搜索是管理海量SKU的利器，但它的价值远不止于基础的“颜色、尺寸”筛选。 + +1. 动态与情境化分面： + ◦ 行业深度分面：超越通用属性，构建服装的“材质”、“风格”（如“Streetwear”）、3C的“型号兼容性”等专业维度，满足深度筛选需求。 + + ◦ 基于搜索词的情境感知：这是智能化的关键。搜索“手机壳”时，自动高亮“手机型号”分面；搜索“连衣裙”时，则突出“场合”、“裙长”分面。这要求系统能基于商品元数据与搜索上下文，动态生成最相关的筛选维度。 + + ◦ 特色趋势Feature：利用从社交媒体和趋势平台抓取的爆款标签（如“Seamless”、“Bum Scrunch”），构建独特的商品特征分面，将外部市场热点直接转化为站内的发现路径，快速响应潮流。 + +2. 融入视觉与AI分析：当文字难以描述时，视觉成为关键。视觉搜索允许用户以上传图片的方式寻找相似商品，AI通过分析图片中的颜色、款式、图案等属性，直接对接商品库。同时，视觉分析工具能自动识别商品图中的属性（如条纹、圆领），即使商品未打上相应标签，也能在相关筛选中出现，极大提升了数据利用效率和发现准确性。 + +三、 多目标智能排序：平衡用户体验与商业价值 + +当海量商品被召回后，排序决定了哪些商品最终赢得曝光。简单的规则排序已无法满足精细运营的需求。 + +1. 从“相关性排序”到“目标驱动精排”：搜索结果排序需在满足用户相关性的前提下，巧妙平衡多项业务目标：提升GMV、保证利润率、促进新品冷启动、加速库存周转等。这需要一个能够综合权衡的智能系统。 + +2. 技术实现：多目标排序模型与实时学习： + ◦ 模型驱动：采用如LambdaMART或DeepFM等多目标学习模型。模型输入应综合商品特征（价格、转化率、库存、利润）、用户特征（购买力、品牌偏好）、上下文特征（搜索词、实时热点）以及业务目标权重。 + + ◦ 实时优化与人工干预：利用实时计算引擎（如Flink）处理用户行为流，动态更新商品热度。同时，必须为运营提供干预接口，在促销季置顶活动商品、为清库存品适当提权，实现人机协同的精细化运营。 + + ◦ 解决“冷启动”：对于新品或低流量商品，模型需通过内容相似性、趋势标签匹配等方式进行探索性曝光，并利用早期互动数据快速学习，打破“马太效应”。 + +四、 系统整合：构建以用户为中心的发现闭环 + +上述模块并非孤立，而需无缝协同，构建一个持续进化的发现系统。 + +1. 数据与识别是基石：所有个性化的前提是准确识别用户。通过激励登录、跨渠道ID匹配（如哈希邮箱）等方式，将匿名浏览行为与已知用户画像关联，构建统一的用户视图，这是实现后续所有个性化导航、排序的基础。 + +2. 闭环优化与持续实验： + ◦ A/B测试文化：任何导航布局、分面设计、排序策略的改动，都应通过严谨的A/B测试来验证。对于寻求长期体验优化的（如主导航改版），采用手动分配流量以获取统计显著性结论；对于短期促销性测试（如横幅文案），可采用自动分配（多臂老虎机），在测试期间动态优化转化效果。 + + ◦ 贝叶斯评估：采用更直观、可靠的贝叶斯统计方法评估测试结果，关注“成为最佳的概率”和“预期损失”，以便更快、更稳健地做出决策。 + +3. 最终目标：减少决策疲劳，提升商业效能：优化的终极目的，是减少用户在寻找商品过程中每一步的认知负荷和挫败感。通过智能引导、情境化筛选、个性化排序，将“无尽的选择”转化为“贴心的推荐”，从而显著提升搜索转化率、客单价与用户忠诚度。 + +结论 + +对于SKU海量的独立站而言，构建一套由智能引导、动态分面、多目标排序三大支柱支撑的产品发现引擎，已从“竞争优势”演变为“生存必需品”。这套系统深度集成AI与个性化技术，不仅能理解用户意图、预见市场趋势，更能动态平衡用户体验与商业目标，最终将搜索从简单的查询工具，转化为驱动增长与盈利的核心智能中枢。 \ No newline at end of file diff --git a/docs/blog/智能推荐1.md b/docs/blog/智能推荐1.md new file mode 100644 index 0000000..259ccab --- /dev/null +++ b/docs/blog/智能推荐1.md @@ -0,0 +1,71 @@ +为独立站而生：破局“数据稀缺”的新一代智能推荐引擎 + +在电商平台林立的今天，独立站凭借独特的品牌调性与用户关系脱颖而出。然而，与坐拥海量数据的大平台相比，独立站也面临与生俱来的挑战：商品数量有限、用户群体垂直、行为数据稀疏。传统的推荐技术往往在此“巧妇难为无米之炊”，要么效果不佳，要么陷入“重复推荐”的怪圈。 + +这正是我们重新思考与构建推荐技术的起点。我们专为独立站的独特基因设计了一套智能推荐SaaS系统，其核心使命是：在数据稀缺的起点，通过更先进的算法与自动化策略，高效挖掘每一份数据的价值，实现“小数据驱动大增长”。 + +一、 直面核心挑战：为“数据稀缺”而设计的算法矩阵 + +我们深知，独立站的推荐引擎不能简单复制大平台的模式。因此，系统从底层算法上就针对核心痛点进行了创新性设计。 + +1. 商品冷启动：用“强化学习”快速“试品” + 对于日更上新的时尚、家居等独立站，新品无任何行为数据是最大痛点。我们摒弃了漫长的数据等待期，采用强化学习框架 来模拟“试品”过程： + ◦ 小流量智能探索：新品自动进入一个受保护的“探索流量池”（如5%），在“猜你喜欢”等场景进行试探性曝光。 + + ◦ 实时反馈与快速决策：系统毫秒级捕捉用户对新品的点击、停留、加购等微弱信号。利用元学习 从历史新品成功经验中获得的先验知识，能在24-48小时内判断其爆款潜力，并自动为有潜力的新品扩大曝光，辅助您快速决策备货与广告投放。 + +2. 用户冷启动：从“第一眼”就懂他 + 独立站新访客比例极高，我们通过多维度即时洞察，在用户首次访问的“黄金30秒”内建立认知： + ◦ 会话级实时画像：无需历史记录，系统实时分析用户当次浏览的序列（看A后看B），通过会话嵌入技术动态生成临时兴趣向量，推荐随之即时演变。 + + ◦ 上下文精准匹配：深度解析流量来源（如来自某篇小红书笔记）、广告素材、地理位置、设备信息。点击“法式慵懒风”广告的用户，与点击“极简办公穿搭”的用户，在首页看到的将是截然不同的世界。 + + ◦ “Look-alike”人群泛化：即使你是全新用户，系统也能通过有限的上下文信息，在现有用户库中快速找到与你最相似的一群人，将他们验证过的喜好作为你的推荐起点，大幅提升首屏转化率。 + +二、 系统核心：自动化、多目标与实时演进 + +为解决独立站团队常面临的技术资源有限问题，我们的系统致力于实现最大程度的自动化与智能化。 + +1. A/B测试与自动优化：告别猜测，拥抱“自动驾驶” + ◦ 智能流量分配（多臂老虎机算法）：不同于传统A/B测试的固定流量分割，系统采用Bandit算法，可每30分钟动态评估各推荐策略（或运营规则）的表现。它将更多流量实时导向效果更好的变体，在测试期间就实现收益最大化，尤其适合闪购、短期促销等场景，杜绝流量浪费。 + + ◦ 算法vs人工的终极PK：运营团队配置的“人工加权规则”（如强推新品）可与“纯算法推荐”进行自动化、长期的对比实验。一切用数据说话，清晰衡量人工策略的增量价值。 + + ◦ 贝叶斯统计引擎：实验分析采用贝叶斯框架，无需等待漫长的固定周期。您可以随时查看“当前变体A优于B的概率已达95%”的直观结论，并安全地提前做出决策，实现快速迭代。 + +2. 多目标优化：平衡商业与体验 + 系统不仅追求点击率，更理解独立站的综合商业目标。推荐引擎在排序时，同步考虑： + ◦ 转化率：促成直接购买。 + + ◦ 客单价：通过搭配推荐、互补推荐提升订单价值。 + + ◦ 毛利率：在规则中融入利润权重，实现健康增长。 + + ◦ 用户体验：通过多样性打散算法，避免同质化推荐，保持用户探索的新鲜感。 + +3. 大模型增强的内容理解 + 利用大语言模型（LLM）的强大语义理解能力，深度解析商品标题、描述、属性，甚至从商品图中提取风格元素。这不仅能更精准地计算内容相似度，还可在冷启动阶段，将新品与全网趋势、风格概念关联，弥补行为数据的不足，提升推荐的丰富性和准确性。 + +三、 全链路场景覆盖与精细化运营干预 + +智能推荐并非一个孤立的模块，而是融入用户旅程的每一环，并与运营深度协同。 + +• 全场景无缝融合：从首页“猜你喜欢”、商品详情页“搭配与关联”、到购物车“加购推荐”、乃至订单完成后的“复购与关怀”，推荐引擎根据场景上下文动态调整策略，形成转化闭环。 + +• 赋能运营的规则引擎：我们提供强大的可视化规则配置面板，运营人员无需代码即可轻松实现： + + ◦ 推爆款：为新品设置初期加权。 + + ◦ 清库存：为滞销品设置特殊展示规则。 + + ◦ 分地域策略：针对欧美与东南亚市场，根据单价、风格偏好展示不同商品。 + + ◦ 人工展位：保留部分关键推荐位，用于手动放置特定活动商品，实现算法与人工经验的完美结合。 + +结语：从数据稀缺到增长引擎 + +对独立站而言，每一个用户、每一次点击都无比珍贵。传统的、反应迟钝的推荐技术已成为体验短板与增长瓶颈。 + +我们打造的这套系统，其精髓在于以算法智能弥补数据规模不足，以自动化运营解放人力，以实时演进应对快速变化的市场。它让独立站能以“小”博“大”，将有限的、垂直的数据，转化为极致的、个性化的购物体验，最终构建起真正以用户为中心的核心竞争力。 + +在独立站的下半场，增长将不再源于流量红利的野蛮追逐，而源于对存量用户价值的深度挖掘与唤醒。这正是智能推荐引擎所能赋予您的、确定性的增长力量。 \ No newline at end of file diff --git a/docs/blog/智能推荐2.md b/docs/blog/智能推荐2.md new file mode 100644 index 0000000..462c3b1 --- /dev/null +++ b/docs/blog/智能推荐2.md @@ -0,0 +1,50 @@ +# **告别数据焦虑：专为独立站打造的智能推荐增长引擎** + +在电商巨头的阴影下，独立站商家常被一个核心问题困扰：**数据贫瘠**。商品SKU有限、用户群体垂直、互动行为稀疏——这看似是精准推荐的“先天劣势”。传统为海量数据设计的推荐模型，在此常常“水土不服”，陷入“巧妇难为无米之炊”的困境。 + +然而，劣势的另一面是机遇。数据的稀缺性，恰恰要求算法必须**更精巧、更敏锐、更高效地利用每一比特信息**。这正是我们为独立站量身定制的智能推荐系统的出发点：**不追求大而全，而致力于在小而美的数据土壤上，实现增长效率的最大化。** + +### **一、 在数据贫瘠中“精耕细作”：新一代推荐算法的破局之道** + +面对独立站的数据现实，我们摒弃了“大力出奇迹”的蛮力模型，转向更智能、更具适应性的技术路径。 + +1. **强化学习驱动的“试品”与冷启动** + 对于每日上新的服饰、配饰等商品，传统的协同过滤完全失效。我们引入**强化学习框架**，将新品投放视为一个持续探索与利用的过程。 + * **小流量智能试探**：系统自动为新品分配极小部分（如5%）的推荐流量，如同派出“侦察兵”。 + * **实时反馈与快速决策**：基于用户实时的点击、停留、加购等毫秒级反馈，强化学习模型在**48小时内**就能判断商品的“爆款潜力”，并动态调整曝光权重，决定是大力推广还是及时止损。这完美解决了商家对新品补货和广告投放的决策焦虑。 + +2. **大模型增强的内容理解与趋势关联** + 当行为数据不足时，我们深入挖掘商品自身内容的价值。利用先进的**大语言模型（GPT类）与视觉模型**： + * 深度解析商品标题、描述、属性标签，甚至理解图片中的风格、元素和场景。 + * 将商品与行业趋势、社交媒体热点进行语义关联，实现“这款连衣裙具有‘老钱风’特质，近期在TikTok热度上升”级别的理解。这极大地丰富了冷启动商品的推荐依据，让推荐不再盲目。 + +3. **多目标优化：平衡短期转化与长期价值** + 独立站不仅要“卖出一单”，更要“留住一人”。我们的系统支持**点击率、转化率、客单价、GMV乃至用户长期留存**的多目标联合优化。 + * 算法不再是单纯地推最可能点击的商品，而是会智能平衡：**何时该推高利润新品来拉升客单价？何时该推关联配件来提高单次价值？何时该推经典款来巩固品牌忠诚度？** 这一切都由系统自动权衡，实现商业价值的全局最优。 + +### **二、 “小步快跑”的自动化实验与优化引擎** + +对于独立站，每一次流量都极其宝贵，容不得漫长的A/B测试和猜测。我们的系统内置了面向小数据场景的**自动化实验与优化框架**。 + +1. **贝叶斯Bandit算法：拒绝流量浪费** + 我们核心采用**贝叶斯多臂老虎机（Multi-armed Bandit）算法**，彻底革新传统A/B测试。 + * **动态流量分配**：系统不再将流量固定分配给不同推荐策略。相反，它会**每30分钟甚至更短周期**实时评估各策略（如“算法推荐A” vs “人工策展B” vs “热销榜单C”）的表现。 + * **边实验边赚钱**：Bandit算法会自动将更多流量导向当前表现最佳的策略，同时保留一小部分用于探索潜力选项。这意味着**从实验开始的第一分钟起，你的大部分流量就在产生最大化收益**，同时仍在科学地寻找更优解。 + +2. **全自动的模型进化管道** + * **自动化特征工程**：系统自动处理用户行为序列、商品属性、上下文信息等原始数据，生成有效的模型特征，无需数据团队手动介入。 + * **增量学习与持续优化**：模型并非训练一次就固定不变。它会像活体一样，持续吸收最新的用户交互数据和A/B测试结果，进行**增量学习**，让推荐策略随着你的业务一起进化，越用越智能。 + +### **三、 打破“数据孤岛”，构建统一用户视图** + +独立站的数据往往散落在站内浏览、加购、支付等各个环节。我们的系统致力于充当**中央数据智能层**，实现多源数据融合： +* **整合实时行为流**（浏览、搜索、点击）、**交易数据**（订单、RFM）、**用户属性**及**业务规则**（库存、利润目标）。 +* 即使是一个新会话的用户，系统也能通过其**实时行为序列**和**Look-alike技术**，瞬间匹配相似人群偏好，实现高质量的“瞬间个性化”，将首访转化率提升到极致。 + +### **结语：从工具到增长伙伴** + +对于独立站而言，优秀的推荐系统不再仅仅是一个“功能插件”，而是驱动增长的**核心引擎**和**战略伙伴**。它理解你在数据上的局限，并用更高级的算法和更自动化的流程来弥补和超越这种局限。 + +我们的目标，是让您无需组建庞大的数据团队，也能拥有媲美大平台的智能推荐能力——**让有限的商品遇见最对的人，让稀疏的数据产生丰厚的回报。** + +**立即开启智能增长，让您的独立站拥有数据时代的“超级大脑”。** \ No newline at end of file diff --git a/docs/blog/智能推荐3.md b/docs/blog/智能推荐3.md new file mode 100644 index 0000000..487074d --- /dev/null +++ b/docs/blog/智能推荐3.md @@ -0,0 +1,99 @@ +不止于搜索：揭秘驱动独立站增长的智能推荐技术 + +在电商独立站的世界里，搜索框曾是连接用户与商品的唯一桥梁。然而，传统的、被动的关键字匹配已难以满足数字时代消费者的期待。他们渴望的是一种能理解其意图、预判其喜好，并像贴心顾问一样主动提供建议的购物体验。 + +这正是智能推荐技术的价值所在。它不仅是搜索的延伸，更是电商从“人找货”迈向“货找人”的核心引擎。本文将深入解析，一套先进的SaaS系统如何通过多维度智能推荐，为独立站商家激活流量、提升转化，并构建长期用户忠诚。 + +一、 从被动到主动：智能推荐的核心技术演化 + +智能推荐系统的核心，在于模拟并超越线下购物中优秀导购的洞察力。其技术演进经历了几个关键阶段，并最终融合为今日的混合智能体系。 + +1. 协同过滤：从“群体智慧”中发现偏好 + 这是推荐系统的经典算法，分为基于用户和基于物品两种。简单来说，其逻辑是“和你相似的人喜欢的，你可能也喜欢”或“你喜欢了A，可能也会喜欢与A相似的B”。它善于挖掘长尾兴趣，是电商推荐的基石。我们的系统通过高效的实时计算，能在海量用户行为中快速发现这些模式。 + +2. Look-alike人群扩散：从“种子用户”引爆增长 + 当您想精准触达某一高价值人群（如已购买某奢侈品的用户）时，Look-alike技术大显身手。它通过分析“种子用户”的深层特征（行为、属性），在全站用户中寻找特征相似的人群并进行扩散。这极大提升了广告投放、活动推送的精准度与ROI，是实现精准营销的利器。 + +3. 强化学习：拥有“进化”能力的智能引擎 + 如果说协同过滤是基于历史经验的“老专家”，那么强化学习就是能在交互中持续学习的“超级大脑”。我们的系统应用强化学习，将每一次推荐视为与用户环境的一次交互。系统根据用户的点击、购买、停留等实时反馈（奖励信号）不断调整推荐策略。这使得推荐能够： + ◦ 动态适应：实时响应用户当前会话中的兴趣漂移。 + + ◦ 长期优化：不仅追求单次点击，更考虑用户长期价值（如复购、生命周期价值）。 + + ◦ 智能探索：主动推荐一些“不确定但可能有惊喜”的商品，打破信息茧房，发现新的增长点。 + +二、 实战场景：全链路智能推荐布局 + +技术最终服务于场景。我们的系统将上述技术深度集成，在用户购物旅程的每一个关键节点提供“润物细无声”的个性化体验。 + +• 首页“猜你喜欢”：基于用户历史行为、实时点击及相似用户偏好，动态生成个性化商品流，提升首屏点击率与停留时长。 + +• 商品详情页“关联推荐”：提供“看了又看”、“买了也买”、“搭配推荐”等多种场景，有效提升客单价。 + +• 加购与购物车页：基于已加购商品，推荐互补品、替代品或优惠组合，降低购物车放弃率，推动结算。 + +• 购后与订单页：在订单确认、列表及详情页，推荐保养品、配件或复购周期商品，开启新一轮复购旅程。 + +三、 破解行业难题：冷启动与精细化运营 + +先进的推荐系统，必须能解决电商运营中的实际痛点。 + +• 物品冷启动：让新品不再“沉默” + + 对于日更频繁的时尚独立站，新品无历史数据是最大挑战。我们融合多种方案： + ◦ 内容理解：利用NLP分析商品标题、属性，结合CV视觉模型分析主图，寻找与热销品的相似度，赋予初始推荐权重。 + + ◦ 小流量试探：为新商品分配小部分流量（如5%）注入推荐池，快速收集初始点击/转化数据。 + + ◦ 元学习与主动学习：系统从历史海量新品冷启动中学习经验，并对反馈良好的新品在48小时内自动扩大曝光，快速识别爆款潜力，助力运营补货与广告决策。 + +• 用户冷启动：给新客“一见如故”的体验 + + 面对占流量大半、行为空白的新访客，我们通过有限信号快速建立认知： + ◦ 上下文画像：实时解析UTM来源、地理位置、设备、广告素材等，瞬间匹配用户可能偏好（如点击“极简风”广告的用户，优先推荐北欧设计商品）。 + + ◦ 会话级意图理解：在单次浏览会话中，实时分析用户点击序列，生成临时Embedding，即时捕捉其当下兴趣。 + + ◦ 人群泛化与热门兜底：通过轻量级Look-alike模型关联相似老客群体，并结合近期全站热销榜，确保推荐即时相关性。 + +• 商品运营干预：算法与商业目标的平衡 + + 为赋能运营，系统提供灵活的调控工具： + ◦ 规则引擎：支持“如果商品为新品且来自A供应商，则权重提升20%”等可视化规则配置，轻松实现推新品、清库存、强打爆款、分地域策略。 + + ◦ 人工展位：保留一定比例的推荐位，由运营手动置入特定商品，用于活动营销或重点品扶持。 + + ◦ A/B测试框架：所有运营策略均可设置为实验组，与纯算法推荐进行对照测试，用数据驱动决策。 + +四、 体验优化：从个性化到人性化 + +真正的智能推荐，不止于“精准”，更在于“舒适”。 + +• 多维度个性化数据驱动： + + 我们的系统整合全维度数据，构建360°用户视图，包括：流量来源（区分社交媒体偏好）、实时页面行为（判断购买意图强度）、历史交易数据（RFM分群与复购预测）、用户属性（人口统计学精准分群）、设备与环境（适配不同终端体验），并支持跨渠道（如邮件、短信）的个性化唤醒。 + +• 多样性打散：告别推荐疲劳 + + 为避免“满屏同类商品”的糟糕体验，系统集成高级打散策略： + ◦ MMR算法：在相关性与多样性间取得最优平衡。 + + ◦ 多级控制：可对品类、品牌、价格带设置比例或频次控制（如近20个推荐中同一品牌不超过3个）。 + + ◦ 探索机制：采用ε-greedy等策略，主动分配部分流量探索用户潜在新兴趣，持续优化长期体验。 + +五、 科学验证：数据驱动的持续进化 + +一切优化与决策，都建立在科学度量的基础上。我们提供完整的数据分析系统与A/B测试框架。 + +• 数据分析看板：实时监控推荐模块的核心指标，如点击率、转化率、人均商品曝光数、加购贡献度等，深度归因推荐价值。 + +• 完备的A/B测试：支持从流量分配（手动/自动）、多变量测试到贝叶斯统计的完整实验能力。无论是测试新的推荐算法、不同的展示样式，还是运营干预策略，都能快速获得统计显著的结论，确保每一次迭代都驱动业务正向增长。 + +结语：构建以“人”为中心的购物体验 + +未来的电商竞争，本质是体验的竞争。一套集成了协同过滤的广度、Look-alike的精度、强化学习的进化能力，并能系统性解决冷启动、支持精细化运营、保证体验多样性的智能推荐系统，已成为独立站构建核心竞争力的关键。 + +它不再只是一个工具，而是深度理解用户、连接商品、并持续自我优化的增长中枢。当您的独立站能够为每位访客提供“专属商店”般的体验时，更高的转化、更深的忠诚与持续的增长，便是水到渠成的结果。 + +想让您的独立站拥有理解用户的“超级大脑”？我们的智能推荐SaaS系统，已为众多品牌带来可衡量的增长。 \ No newline at end of file diff --git a/docs/blog/智能推荐4.md b/docs/blog/智能推荐4.md new file mode 100644 index 0000000..5d476c0 --- /dev/null +++ b/docs/blog/智能推荐4.md @@ -0,0 +1,56 @@ +好的，这是一篇基于您提供的详细提纲和参考资料，为您电商独立站SAAS系统官网撰写的关于个性化推荐技术的专业文章。 + +--- + +### **从“人找货”到“货找人”：智能推荐如何驱动独立站销售增长** + +在信息过载的时代，传统的“搜索框”模式正面临挑战。正如行业洞察所示，**超过50%的查询意图复杂，而消费者期待的是如同拥有私人购物顾问般的体验**。他们不再满足于被动筛选，而是渴望被理解、被引导，从而高效地发现心仪商品。 + +这正是**智能推荐系统**的价值所在。它标志着电商体验从“人找货”到“货找人”的范式升级，通过人工智能算法，将海量商品与每位访客的独特需求实时匹配，化流量为销量，提升客户终身价值。 + +#### **智能推荐的核心引擎：不止于协同过滤** + +一套成熟的推荐系统，其智能源于多层算法的融合应用： + +1. **Look-alike人群扩散**：针对新访客或行为数据稀疏的用户，系统能够识别其与高价值老用户的相似性，将已验证成功的商品推荐策略快速“扩散”应用，实现高质量的用户冷启动。 +2. **协同过滤的深度应用**：基于“物以类聚，人以群分”的核心思想，我们不仅应用经典的协同过滤，更通过实时行为追踪与深度学习模型，动态捕捉用户兴趣与商品关联的细微变化，确保推荐结果的时效性和精准度。 +3. **强化学习的动态优化**：推荐并非一成不变。我们引入强化学习框架，将推荐过程视为系统与用户环境的持续交互。每一次点击、加购或购买都成为反馈信号，驱动算法实时调整策略，在**动态推荐和实时排序**中实现长期收益的最大化。 + +#### **面向独立站真实场景的解决方案** + +我们的推荐技术并非空中楼阁，而是深度适配独立站运营的每一个关键场景与痛点。 + +**📱 全场景覆盖，无处不在的推荐** +从首页的“猜你喜欢”、商品详情页的“搭配推荐”与“看了又看”，到购物车页的“凑单推荐”、支付成功后的“复购与配件推荐”，我们的系统确保在用户决策旅程的每个环节，都能提供恰到好处的建议，有效提升客单价与转化率。 + +**🚀 破解运营核心难题：冷启动与商品运营** + +* **新品冷启动（试品）**：对于每日上新的服装等品类，我们采用“**内容相似度分析 + 小流量试探**”组合拳。系统自动分析新品标题、图片与属性，为其匹配相似热销品。同时，通过元学习（Meta-Learning）借鉴历史新品数据，并分配小部分流量进行A/B测试，在48小时内快速收集反馈，判断爆款潜力，助力您精准决策补货与广告投入。 +* **精细化商品运营干预**：我们深知运营需要掌控力。系统提供强大的**规则引擎**，支持“若为滞销品则加权”、“若为新品期则提权”等灵活配置。同时，保留部分“人工展位”，方便运营手动打造爆款专辑或紧急清库存，并可通过A/B测试对比策略效果，实现人机协同的智慧运营。 +* **高比例用户冷启动**：面对占比60-70%的新访客，我们运用**基于会话的实时意图识别**与 **Look-alike人群泛化**技术。即使无历史数据，也能通过其来源（如点击某网红素材）、实时浏览序列，瞬间勾勒临时画像，推荐符合其潜在兴趣的商品，并辅以热门榜单兜底，大幅提升首访转化率。 + +**🎯 深度个性化与体验优化** + +我们的个性化推荐基于多维数据融合： +* **行为数据**：实时页面浏览、停留时长、搜索关键词。 +* **交易数据**：订单历史、客单价、RFM分群。 +* **上下文数据**：流量来源、地理位置、设备类型、广告素材信息。 +例如，来自Instagram的用户可能看到“网红同款”，而高价值复购用户则会收到VIP专属推荐，实现“千人千面”的精准触达。 + +**✨ 避免审美疲劳：智能多样性打散** +为防止连续推荐同类商品导致的用户疲劳，系统集成 **MMR（最大边缘相关）算法**，在相关性与多样性间取得最佳平衡。同时，通过**品类/品牌槽位控制**和 **ε-greedy探索机制**，自动确保推荐结果的丰富性，保持用户探索的新鲜感，降低跳出率。 + +#### **以数据与实验驱动持续增长** + +智能推荐的价值需要被科学衡量与持续优化。因此，我们提供： + +* **完善的数据分析系统**：直观呈现推荐模块的曝光、点击、转化贡献及人均价值等核心指标，让每一次推荐的效果都清晰可见。 +* **专业的A/B测试框架**：您可以轻松测试不同的推荐算法策略、展示样式或运营规则。无论是验证一个新模型的效果，还是对比“算法推荐”与“人工策展”的收益，都能基于严谨的统计结果做出数据驱动的决策，实现增长的飞轮效应。 + +#### **结语：让AI成为您24小时在线的金牌导购** + +电商的竞争已从流量争夺转向体验与效率的竞争。一个理解用户、懂得商品、并能自适应优化的智能推荐系统，正是独立站构建核心竞争力的关键。 + +我们的目标，是让您无需纠结于复杂的技术实现，却能享受到最前沿的AI推荐红利——**更快的转化、更高的客单价、更忠诚的客户，以及更高效的运营**。 + +**立即体验，让您的商品找到对的人。** \ No newline at end of file diff --git a/docs/blog/智能推荐5.md b/docs/blog/智能推荐5.md new file mode 100644 index 0000000..487074d --- /dev/null +++ b/docs/blog/智能推荐5.md @@ -0,0 +1,99 @@ +不止于搜索：揭秘驱动独立站增长的智能推荐技术 + +在电商独立站的世界里，搜索框曾是连接用户与商品的唯一桥梁。然而，传统的、被动的关键字匹配已难以满足数字时代消费者的期待。他们渴望的是一种能理解其意图、预判其喜好，并像贴心顾问一样主动提供建议的购物体验。 + +这正是智能推荐技术的价值所在。它不仅是搜索的延伸，更是电商从“人找货”迈向“货找人”的核心引擎。本文将深入解析，一套先进的SaaS系统如何通过多维度智能推荐，为独立站商家激活流量、提升转化，并构建长期用户忠诚。 + +一、 从被动到主动：智能推荐的核心技术演化 + +智能推荐系统的核心，在于模拟并超越线下购物中优秀导购的洞察力。其技术演进经历了几个关键阶段，并最终融合为今日的混合智能体系。 + +1. 协同过滤：从“群体智慧”中发现偏好 + 这是推荐系统的经典算法，分为基于用户和基于物品两种。简单来说，其逻辑是“和你相似的人喜欢的，你可能也喜欢”或“你喜欢了A，可能也会喜欢与A相似的B”。它善于挖掘长尾兴趣，是电商推荐的基石。我们的系统通过高效的实时计算，能在海量用户行为中快速发现这些模式。 + +2. Look-alike人群扩散：从“种子用户”引爆增长 + 当您想精准触达某一高价值人群（如已购买某奢侈品的用户）时，Look-alike技术大显身手。它通过分析“种子用户”的深层特征（行为、属性），在全站用户中寻找特征相似的人群并进行扩散。这极大提升了广告投放、活动推送的精准度与ROI，是实现精准营销的利器。 + +3. 强化学习：拥有“进化”能力的智能引擎 + 如果说协同过滤是基于历史经验的“老专家”，那么强化学习就是能在交互中持续学习的“超级大脑”。我们的系统应用强化学习，将每一次推荐视为与用户环境的一次交互。系统根据用户的点击、购买、停留等实时反馈（奖励信号）不断调整推荐策略。这使得推荐能够： + ◦ 动态适应：实时响应用户当前会话中的兴趣漂移。 + + ◦ 长期优化：不仅追求单次点击，更考虑用户长期价值（如复购、生命周期价值）。 + + ◦ 智能探索：主动推荐一些“不确定但可能有惊喜”的商品，打破信息茧房，发现新的增长点。 + +二、 实战场景：全链路智能推荐布局 + +技术最终服务于场景。我们的系统将上述技术深度集成，在用户购物旅程的每一个关键节点提供“润物细无声”的个性化体验。 + +• 首页“猜你喜欢”：基于用户历史行为、实时点击及相似用户偏好，动态生成个性化商品流，提升首屏点击率与停留时长。 + +• 商品详情页“关联推荐”：提供“看了又看”、“买了也买”、“搭配推荐”等多种场景，有效提升客单价。 + +• 加购与购物车页：基于已加购商品，推荐互补品、替代品或优惠组合，降低购物车放弃率，推动结算。 + +• 购后与订单页：在订单确认、列表及详情页，推荐保养品、配件或复购周期商品，开启新一轮复购旅程。 + +三、 破解行业难题：冷启动与精细化运营 + +先进的推荐系统，必须能解决电商运营中的实际痛点。 + +• 物品冷启动：让新品不再“沉默” + + 对于日更频繁的时尚独立站，新品无历史数据是最大挑战。我们融合多种方案： + ◦ 内容理解：利用NLP分析商品标题、属性，结合CV视觉模型分析主图，寻找与热销品的相似度，赋予初始推荐权重。 + + ◦ 小流量试探：为新商品分配小部分流量（如5%）注入推荐池，快速收集初始点击/转化数据。 + + ◦ 元学习与主动学习：系统从历史海量新品冷启动中学习经验，并对反馈良好的新品在48小时内自动扩大曝光，快速识别爆款潜力，助力运营补货与广告决策。 + +• 用户冷启动：给新客“一见如故”的体验 + + 面对占流量大半、行为空白的新访客，我们通过有限信号快速建立认知： + ◦ 上下文画像：实时解析UTM来源、地理位置、设备、广告素材等，瞬间匹配用户可能偏好（如点击“极简风”广告的用户，优先推荐北欧设计商品）。 + + ◦ 会话级意图理解：在单次浏览会话中，实时分析用户点击序列，生成临时Embedding，即时捕捉其当下兴趣。 + + ◦ 人群泛化与热门兜底：通过轻量级Look-alike模型关联相似老客群体，并结合近期全站热销榜，确保推荐即时相关性。 + +• 商品运营干预：算法与商业目标的平衡 + + 为赋能运营，系统提供灵活的调控工具： + ◦ 规则引擎：支持“如果商品为新品且来自A供应商，则权重提升20%”等可视化规则配置，轻松实现推新品、清库存、强打爆款、分地域策略。 + + ◦ 人工展位：保留一定比例的推荐位，由运营手动置入特定商品，用于活动营销或重点品扶持。 + + ◦ A/B测试框架：所有运营策略均可设置为实验组，与纯算法推荐进行对照测试，用数据驱动决策。 + +四、 体验优化：从个性化到人性化 + +真正的智能推荐，不止于“精准”，更在于“舒适”。 + +• 多维度个性化数据驱动： + + 我们的系统整合全维度数据，构建360°用户视图，包括：流量来源（区分社交媒体偏好）、实时页面行为（判断购买意图强度）、历史交易数据（RFM分群与复购预测）、用户属性（人口统计学精准分群）、设备与环境（适配不同终端体验），并支持跨渠道（如邮件、短信）的个性化唤醒。 + +• 多样性打散：告别推荐疲劳 + + 为避免“满屏同类商品”的糟糕体验，系统集成高级打散策略： + ◦ MMR算法：在相关性与多样性间取得最优平衡。 + + ◦ 多级控制：可对品类、品牌、价格带设置比例或频次控制（如近20个推荐中同一品牌不超过3个）。 + + ◦ 探索机制：采用ε-greedy等策略，主动分配部分流量探索用户潜在新兴趣，持续优化长期体验。 + +五、 科学验证：数据驱动的持续进化 + +一切优化与决策，都建立在科学度量的基础上。我们提供完整的数据分析系统与A/B测试框架。 + +• 数据分析看板：实时监控推荐模块的核心指标，如点击率、转化率、人均商品曝光数、加购贡献度等，深度归因推荐价值。 + +• 完备的A/B测试：支持从流量分配（手动/自动）、多变量测试到贝叶斯统计的完整实验能力。无论是测试新的推荐算法、不同的展示样式，还是运营干预策略，都能快速获得统计显著的结论，确保每一次迭代都驱动业务正向增长。 + +结语：构建以“人”为中心的购物体验 + +未来的电商竞争，本质是体验的竞争。一套集成了协同过滤的广度、Look-alike的精度、强化学习的进化能力，并能系统性解决冷启动、支持精细化运营、保证体验多样性的智能推荐系统，已成为独立站构建核心竞争力的关键。 + +它不再只是一个工具，而是深度理解用户、连接商品、并持续自我优化的增长中枢。当您的独立站能够为每位访客提供“专属商店”般的体验时，更高的转化、更深的忠诚与持续的增长，便是水到渠成的结果。 + +想让您的独立站拥有理解用户的“超级大脑”？我们的智能推荐SaaS系统，已为众多品牌带来可衡量的增长。 \ No newline at end of file diff --git a/docs/blog/语义搜索.md b/docs/blog/语义搜索.md new file mode 100644 index 0000000..825f6b6 --- /dev/null +++ b/docs/blog/语义搜索.md @@ -0,0 +1,84 @@ +# 打破搜索边界：用语义搜索技术重塑电商独立站的全球购物体验 + +## 当传统搜索遭遇全球化困境 + +在今天的电商独立站上，搜索框是购物旅程的起点，也是决定转化成败的关键门户。数据显示，使用搜索功能的消费者比非搜索者的消费额高出2.6倍，而在B2B场景中，高达92%的购买行为始于搜索。然而，当独立站走向全球市场，传统的关键词搜索技术却暴露出其根本性局限。 + +### 传统搜索的三大失效场景 + +**1. 跨语言鸿沟下的搜索脱节** +欧美消费者搜索“sneakers”，英国客户输入“trainers”，澳大利亚人则可能查找“joggers”——这三种查询指向同一类商品，但传统系统却视为完全不同的需求。更复杂的是小语种市场的词形变化：德语中的“Schuhe”（鞋子复数）和“Schuh”（鞋子单数）可能让搜索结果归零，即使您的库存中确有此类商品。 + +**2. 自然语言意图的理解盲区** +现代消费者越来越习惯使用完整句子描述需求：“comfortable shoes for walking all day”（适合全天步行的舒适鞋子）、“eco-friendly gift for new mom”（给新手妈妈的环保礼物）。当用户搜索“warm winter jacket”时，他们实际寻找的可能是“羽绒服”，但系统却因缺乏精确关键词匹配，返回混杂的“冬季保暖夹克”和“加厚外套”，相关度大幅降低。 + +**3. 混合语言与碎片化查询的挑战** +在东南亚市场，消费者经常使用混合语言搜索：“卫衣 hoodie 男款”、“连衣裙 kasual”。这种语言混合模式完全超出了传统关键词搜索的处理能力，导致大量潜在客户无法找到目标商品。 + +### 运营团队的隐形成本黑洞 + +为解决上述问题，独立站运营团队陷入恶性循环： +- **人工维护同义词库**：每周新增50+词条，仍跟不上全球市场变化 +- **跨市场规则配置**：每个目标国家都需要独立的查询改写规则集 +- **测试矩阵爆炸**：不同地区的最优策略差异巨大，A/B测试工作量呈指数级增长 + +这些手动工作不仅耗时耗力，而且效果有限，难以规模化应对全球市场的复杂性。 + +## 语义搜索：从关键词匹配到意图理解的技术革命 + +### 两阶段语义架构：智能且自适应的搜索解决方案 + +面对出海独立站“数据分散、需求多变”的现实挑战，我们摒弃了传统“一刀切”的配置模式，采用创新的两阶段语义架构，让搜索系统越用越聪明。 + +**阶段一：语义召回——从大海捞针到精准圈定** + +针对独立站SKU规模差异大（从几百到百万级）且类目分布不均的特点，我们设计了多维度召回策略： + +1. **多向量场融合技术** + 每个商品不再仅有单一描述，而是生成“标题向量”、“描述向量”、“视觉向量”和“属性向量”的融合表征。当用户搜索“红色连衣裙”时，系统会综合计算颜色、品类、款式、面料等多个维度的语义匹配度，避免因单一字段信息不全导致的召回偏差。 + +2. **语义分面智能引导** + 搜索“sports shoes”时，系统自动识别并强化关键购买决策维度：“运动类型（跑步/篮球）”、“适用场地（户外/室内）”、“减震技术”等，使结果更聚焦于用户真实意图。 + +3. **跨语言自适应能力** + 采用先进的跨语言对齐模型，基于英语训练的系统无需重新训练即可理解泰语、越南语、西班牙语等查询，实测跨语言召回率提升40%，真正实现“一次训练，全球适用”。 + +**阶段二：语义重排——让业务目标融入排序决策** + +召回只是第一步，排序决定最终转化。我们的重排模型如同经验丰富的全球买手，综合考虑多维度因素： + +- **用户意图强度识别**：区分“决策型查询”（如具体产品型号）和“浏览型查询”（如“夏日穿搭灵感”），前者优先展示高转化商品，后者侧重多样性和探索性 +- **多目标商业平衡**：动态调整GMV贡献、利润率、库存周转率、新品权重等参数，实现商业价值最大化 +- **文化适配性过滤**：在中东市场搜索“swimwear”时，自动优先展示保守款式；欧美市场则正常展示，所有规则均由当地运营团队审核，避免算法偏见 + +### LLM增强的商品深度理解 + +在离线处理阶段，我们利用大语言模型对商品进行前所未有的深度分析： + +- **属性智能补全**：从商品描述中自动提取“场景标签”（如“海滩度假”、“商务通勤”）、“人群标签”（如“中年男士”、“青少年学生”） +- **核心卖点提炼**：生成商品的关键价值点标签，即使商品标题中未出现“透气”一词，当用户搜索时也能被准确召回 +- **竞品关联发现**：识别可替代商品关系，在搜索结果页智能展示“平替选项”和“升级选择”，提升交叉销售机会 + +## 专为出海独立站设计的特殊能力 + +### 1. 动态同义词生成：告别人工维护 +系统自动从全球用户的搜索日志中学习语义关联：发现“runners”和“sneakers”的点击和购买模式高度重合后，自动建立同义关系并调整权重。这一过程每周自动迭代，紧跟全球市场趋势变化。 + +### 2. 零结果智能降级：转化每一个潜在需求 +当搜索“哈利波特联名围巾”无精确匹配结果时，系统不会简单返回空白页面，而是自动降级展示“电影周边围巾”、“学院风围巾”和“主题印花围巾”，并清晰提示“已为您推荐相关品类”。这一策略已帮助客户将零结果率从行业平均的12%降至2%以下。 + +### 3. 混合查询精准解析：拥抱语言多样性 +针对东南亚、拉美等市场的混合语言查询，系统不再依赖简单的词典翻译，而是理解语言混合背后的完整意图。搜索“裙 kasual wanita”能够准确理解这是“女士休闲裙”的需求，即使查询中包含本地语言词汇。 + +## 实测效果：数据驱动的价值证明 + +采用语义搜索技术的独立站客户已观察到显著改善： + +- **搜索转化率提升**：平均提升35%，长尾查询提升尤为明显 +- **零结果率下降**：从行业平均12%降至2%以下 +- **运营效率飞跃**：同义词维护工作量减少80%，可专注于更高价值的优化 +- **跨语言覆盖扩展**：支持语言从5种扩展到30+种，无需为每种语言单独训练模型 +- **新品曝光加速**：新上架商品在首周获得搜索曝光的概率提升3倍 + +--- + diff --git a/docs/blog/语义搜索2.md b/docs/blog/语义搜索2.md new file mode 100644 index 0000000..a9efb1a --- /dev/null +++ b/docs/blog/语义搜索2.md @@ -0,0 +1,52 @@ +# 重新定义电商搜索：语义搜索如何成为独立站增长的新引擎 + +在电子商务的世界中，搜索框早已不仅仅是一个工具，它是用户意图的入口，是产品发现的门户。然而，传统的、基于关键词匹配的搜索方式，正日益与数字时代消费者的期望脱节。用户输入“婚礼穿的裙子”，结果却满是白色礼服——这种令人沮丧的相关性错配，正是传统搜索无法理解语义和上下文所导致的。 + +今天，我们正站在一个转折点。随着AI、个性化以及**基于语义和意图的搜索**相结合，搜索有机会重新夺回其作为令人兴奋的产品发现门户的地位，为独立站提供前所未有的竞争优势。 + +## 为什么传统搜索不够用了？ + +回顾搜索引擎的早期，用户需要将自己的想法“翻译”成机器能理解的关键词。这个过程本质上是人类在迁就机器的逻辑。传统的电商搜索同样如此：它机械地匹配产品标题、标签中的关键词，却完全忽视了词语背后的**真实意图、场景和语义关联**。 + +- **它不理解“婚礼穿的裙子”意味着“宾客礼服”。** +- **它无法处理“适合佛罗里达户外婚礼的裙子”这样富含场景信息的口语化查询。** +- **当用户用“运动夹克”和“冬天跑步穿什么”描述同一需求时，它视其为完全不同的请求。** + +这种缺乏细微差别的能力，直接导致了低相关性的结果、令人沮丧的购物体验，以及宝贵的客户流失。 + +## 语义搜索：理解意图，而非仅仅词语 + +语义搜索技术的核心，是让机器像人一样“理解”语言。它通过自然语言处理（NLP）和深度学习模型，分析查询的**真正含义、上下文和用户潜在目标**。 + +对于电商独立站而言，这意味着： +1. **精准理解用户意图**：无论用户输入的是简短关键词还是长句描述，系统都能抓住核心需求。 +2. **关联概念，超越字面**：搜索“苹果”，能根据上下文区分是水果、手机还是品牌；搜索“小白鞋”，能识别出用户寻找的是“白色运动鞋”、“白色板鞋”等多种相关款式。 +3. **整合个性化上下文**：结合用户的浏览历史、位置、季节等数据，让搜索结果“为你而生”。 + +## 赋能三类关键购物行为 + +先进的语义搜索技术，能够精准服务三种定义产品发现的消费者行为，将浏览过程转化为愉悦的发现之旅。 + +### 1. 为“浏览型”用户提供智能导航 +有些用户带着模糊的兴趣而来，比如想看看“男士鞋类”。传统的搜索可能直接跳转到混杂的搜索结果页。而集成了语义与个性化技术的系统，能识别这类**高意图浏览查询**，并将其引导至一个经过**深度个性化排序的分类页面**。页面上的产品顺序根据用户偏好动态调整，预测他们可能感兴趣的下一个商品，将浏览转化为深度探索。 + +### 2. 为“目的驱动型”用户打造AI购物助手 +这类用户知道自己要解决什么问题（如“健身房穿什么”），但需要具体指导。**语义搜索结合生成式AI对话体验**，可以成为他们的私人顾问。无论是搜索“冬季跑步夹克”还是直接提问“冷天跑步该穿什么？”，AI助手都能理解意图，通过对话澄清需求，并推荐最相关的产品。这不仅能提升购物车价值，更是为他人购物或缺乏专业知识的用户提供了无缝的解决方案。 + +### 3. 为“产品驱动型”用户实现精准直达与视觉发现 +这类用户目标明确，如搜索“高帮篮球鞋”。语义搜索能结合其历史偏好（喜欢的颜色、品牌），从海量商品中**精准筛选并优先展示**最符合其个人品味的选项。 +更进一步，结合**视觉分析技术**，即使商品未被标记为“条纹裤”，AI也能“看见”图片中的条纹并将其纳入相关结果。用户甚至可以直接上传在街拍或社交媒体上看到的商品图片，系统便能即时从目录中找到同款或相似款式，实现“所见即所得”的发现体验。 + +## 为您的独立站引入下一代智能搜索 + +我们的SAAS系统正是为赋能电商独立站而设计，将上述先进的语义搜索、个性化推荐与视觉分析能力，整合为一套开箱即用、易于部署的解决方案。 + +通过我们的系统，您的独立站将能： +- **提升转化率与客单价**：超相关的搜索结果和推荐，直接推动购买决策。 +- **降低跳出率，延长停留时间**：愉悦的发现体验让用户流连忘返。 +- **简化运营**：AI自动化的商品标签与属性识别，减少手动上架与优化的工作量。 +- **获得竞争优势**：为您的用户提供堪比顶级电商平台的购物体验。 + +**搜索的未来是智能的、语义化的、高度个性化的。** 它不再是一个被动的工具，而是一个主动理解、引导并激发用户需求的增长引擎。 + +是时候，让您的独立站搜索体验，配得上您精心挑选的商品了。 -- libgit2 0.21.2