Allt är en rekommendation

När Barneys New York lanserade en modelinje av Oklahoma City Thunders basketstjärna Russell Westbrook i juli förra året, visste cheferna inte exakt vem som skulle köpa dessa kläder. De behövde inte. Svaren kom snabbt från en innovation på nätet som ofta förbises: rekommendationsmotorn.

Traditionella versioner av tekniken är enkla. Berätta för Netflix dina känslor om några filmer och det föreslår mer. Läs en produktsida på Amazon och den visar dig liknande alternativ. Det här är verktygen som hjälpte till att göra dessa företag enorma. Men idag tar nya teknologier och mycket större mängder tillgänglig data rekommendationsmotorer som den Barneys använder till en ny plats, vilket gör dem mindre uppenbara för användaren men viktigare för webbplatsens verksamhet.

Ett exempel är hur rekommendationer kan visas som automatiskt kompletterande sökresultat. Efter att en shoppare på Jenson USAs onlinecykelaffär har skrivit in de två första bokstäverna i en sökning efter helhjälm, visar rekommendationssystemet en lista över hjälmar i en ordning baserad på kundens profil. Hos Neiman Marcus anpassas varje shoppers onlineupplevelse på samma sätt efter personens beteende vid tidigare besök – och även i det nuvarande.

Bättre taggningsteknik låter återförsäljare gräva djupare i de specifika designdetaljerna för kläder. Det är så de kan lyfta fram nya designers som Westbrook för lämpliga kunder, och fokusera på specifika egenskaper hos hans design. Det liknar hur Pandora grupperar sound-alikes för att bygga publik för musiker.

När mer sofistikerade rekommendationsmotorer lockar tillfälliga webbläsare med så skräddarsydda sidval, tredubblas chansen att de kommer att köpa något, säger Matt Woolsey, executive vice president för digital på Barneys.

Det gamla sättet att ge rekommendationer online handlar om att komma ikapp kunden – du låter dem berätta om sig själva och jaga dem, säger Woolsey. Vi försöker använda big data för att komma före kunden.

Teknikerna som ger onlinerekommendationer lika välskräddarsydda som en Barneys-kostym är stordatamjukvara som Hadoop och hårdvaran att köra den på, säger Joelle Kaufman, marknadschef för BloomReach, en startup baserad i Mountain View, Kalifornien, dvs. en av cirka tre dussin försäljare på fältet.

Platsbaserad data från mobiltelefoner kan också spela en viktig roll. Andra källor till konsumentinsikt som precis börjat informera dessa nya motorers rekommendationer kan inkludera köphistorik från offlinebutiker och sociala mediers historia.

En snabb genomgång av Barneys webbplats illustrerar hur det fungerar. Woolsey och jag gick varsin till herrkläderssidan och klickade på samma klocka på 150 dollar. Eftersom min begränsade surf- och köphistorik fokuserade på billigare föremål, fick jag en lista med klockor från $95 till $250 som motförslag längst ner på skärmen. Woolsey, som glatt erkände att han förmodligen klär sig bättre än de flesta reportrar, visades klockor som kostade mellan $330 och $1 100.

Att göra detta möjligt är parallellbearbetningstekniker som bearbetar enorma mängder data snabbt, säger BloomReachs Kaufman. Nya system kan föreslå dussintals olika algoritmer för att välja nästa sida som konsumenten kan se.

Hos Neiman Marcus kan BloomReachs teknologi ändra vilka typer av kläder som visas på damkläderssidan efter bara några klick. Efter att Kaufman klickat på tre tröjor försvann en flik för Jimmy Choo-skor, ersatt av en port till tröjor på rea.

Det är omedelbar maskininlärning, säger hon. Allt är en rekommendation.

Dölj