必勝客靠AI追蹤顧客瀏覽軌跡，挑出猶豫客及時發送限時折價券搶訂單

隨著疫情升溫，許多零售、餐飲業者開始聚焦線上行銷，來提高買氣。披薩大老必勝客Pizza Hut早在去年，就開始加強線上通路布局，昨（30日）也揭露了自家官網促購方法，透過機器學習和深度學習模型，來分析顧客進入官網的瀏覽軌跡、找出猶豫客，再推送限時折價券，提高了15％的網站訂單成交率。

負責Pizza Hut在臺經營的富利餐飲數位營運部電子商務經理黃政枚指出，Pizza Hut自2006年推出網路下單服務以來，網路就成為訂單主要來源，占了6成多，這幾更持續優化網路下單流程、到5個步驟完成，來提高使用者體驗。但即便如此，Pizza Hut從官網進站到下單的轉換率難以提升，就算對上站顧客人人大送折價券，也無法增加獲利。

AI模型觀察顧客瀏覽軌跡來打分數，找出游移不決的猶豫客

為了改善顧客下訂情況，Pizza Hut去年底，找上臺灣一家AI新創Appier，斥資導入促購AI解決方案AiDeal，透過客製化AI模型，可以進一步追蹤消費者瀏覽軌跡，鎖定特定族群，來推送優惠券。Pizza Hut也是早期導入的餐飲業者。

AiDeal包含一個AI引擎，透過在企業官網嵌入的程式碼，來追蹤消費者進入官網後的即時瀏覽軌跡，可在0.05秒內追蹤200種參數，像是網頁瀏覽數、停留時間、點擊、頁面滾動、滑鼠移動軌跡等，透過行動裝置瀏覽行動版網頁或使用滑鼠的電腦版環境都能追蹤。Appier指出，不會記錄任何與個資相關的資訊。

Appier首席機器學習科學家林守德表示，為了客製AI模型，先依據導入企業的需求，來定義費者類型，例如Pizza Hut分為一定會購物的立即購物型消費者、不會購物的純瀏覽者，以及來回徘徊的猶豫客。接著，再利用AI判斷瀏覽行為，即時判斷每一個瀏覽者，屬於哪一種客群，他解釋，猶豫者的瀏覽特徵，像是在不同產品的視窗來回切換，或是滑鼠在產品頁面上下游移、滑鼠在視窗的路徑呈圓圈或不規則路線，以及滑鼠在特定產品名稱上移動等。

不過，由於猶豫客特徵難以貼標，Appier採弱監督式學習（Weakly-supervised learning）和半監督式學習（Semi-supervised learning）來訓練客群分類模型。

4步驟促進猶豫客買氣，也提高交易數

在Pizza Hut的專案上，先蒐集了1至2周的官網消費者瀏覽行為，再透過演算法來對這些行為，即時給出每個行為對應的猶豫分數，分數越高表示猶豫程度越高。

再來，機器學習模型會根據這些資料，來分析消費者傾向，來建立一個分辨三大類型客群的判斷模型。不過，還是得透過人工進一步縮小猶豫客的範圍，比如鎖定從未購買的消費者、流失用戶，或是排除特定用戶等；之後，就可以用來鎖定最可能購買猶豫型消費者進行促銷活動。最後，Pizza Hut和導入顧問討論後，將目標猶豫客群定義為客單價介於500至999元的消費者。

接著是第三步，進行A/B測試，來預測猶豫客的轉換數。AiDeal會將猶豫客分為兩組，對其中一組自動發送滿500元折50元的折價券，且要在30分鐘內使用。結果發現，兩組人中，收到折價券的消費者的訂單數提高了17％，下單時間也縮短了。驗證過模型成效後，就可以正式上線。

不過，正式上線沒多久，Pizza Hut發現，在電腦版官網的下單狀況來說，剛上線時，下單轉換率雖有增加，但幾天後就開始趨緩了（如下圖）。

黃政枚表示，當時考慮，既然已完成機器學習模型的訓練，決定重新設計折價券的Banner設計，讓消費者一眼就看到優惠。改用新設計後，「轉換率開始急起直上。」

這套系統也提供了後臺管理介面，她指出，可用來隨時查看電腦版和行動版官網的轉換率，或是周間與周末的營運狀況。「現在，Pizza Hut開始嘗試不同組合，像是滿1,000元送100元的限時折價券，來觀察官網下單表現，」她表示，未來甚至也考慮下單送產品的策略，來拓展更多AI線上銷售應用。文◎王若樸