Pinkoi
設計類垂直電商Pinkoi發表自建AI模型「生活風格智慧模型」。這個模型由625萬會員的72億筆行為數據、5.2萬設計品牌數據,以及110萬商品數據等資料訓練而成,可以進行個人化推薦、自動化RMN行銷方案規畫,以及呈現個人化商家商城頁面等功能。
Pinkoi表示,生活風格智慧模型是一個多功能模型,應用了自然語言處理 (NLP)、電腦視覺 (CV)、圖學模型(Graphical model)、深度學習 (Deep learning) 等技術,能從不同模態的數據中提取多維度洞察、為商品及消費者貼標、分類標籤,並用這些標籤來執行多種推薦功能,甚至排列組合商城頁面的設計元素。
Pinkoi技術長李讓說明了生活風格智慧模型的由來。早在2015年,他們就想利用AI來進行商城個人化推薦。「我們試過規則式推薦法,以及外部開源推薦模型,成效都不好。」他推測,Pinkoi作為設計類垂直電商,與一般電商有幾個關鍵差別,導致較通用的既有解決方案不適用。例如,站上商品多為非規格品,商品元數據格式和內容比較特別,不只如此,消費者購買設計類商品的動機和行為模式也有別於一般消費性商品。
沒有現成解方,Pinkoi只好自己從頭做。他們從建立訓練資料集開始,慢慢為數十萬件非規格商品建立元數據及屬性貼標,再用這些數據來訓練AI推薦模型,並逐步改善模型推薦成效,也新增了更多功能模組。
隨著模型版本迭代,這個模型不再只有推薦功能,還可以為商品、消費者行為、消費者人際關係,以及商家過往表現來貼標、分類,再用這些標籤來強化自身推薦功能。李讓表示,現在至少有8成商品標籤都是由AI自動貼上。即使商品本身一個標籤都沒有,此模型也能利用CV及NLP等技術,根據商品外觀來貼上不同維度、不同語言的標籤。
此模型替消費者貼標時,則會綜合商品標籤、消費者站上行為及消費輪廓類似的KOC(Key Opinion Consumer,關鍵意見消費者)購物行為來貼標。負責RMN的Pinkoi SaaS產品負責人李少昱補充,傳統Lookalike(類似受眾)分眾方法,大多只會用年齡層、性別、偏好商品類別等較表面的標籤來分析消費者。Pinkoi則會分析更細緻的站上行為,例如常常於不同頁面來回切換等購物習慣。
生活風格智慧模型今年最大里程碑是,模型分類能力更強,讓Pinkoi工程師更容易提取不同標籤分類,來開發出不同類型的推薦功能。
用消費者長期購物人格標籤強化商品推薦
最主要也最基本的推薦功能是個人化商品推薦,主要根據商品貼標及消費者貼標,來決定消費者瀏覽商城時看到的商品及RMN廣告。
今年,生活風格智慧模型有能力將消費者標籤進一步區分為長期「購物人格」和短期「即時動機」2大類標籤,進一步強化了推薦能力。購物人格是由價值主張、興趣、地域性文化、風格等4大分類標籤組成,即時動機則包含聖誕節送禮、婚禮布置等透露短期消費目的標籤。
李讓說明,有了長期購物人格標籤,可以使推薦結果更個人化,做到兩個人進行一模一樣的操作(展現即時動機),仍會分別收到不同商品推薦。甚至,Pinkoi不必被動等待消費者表明本次造訪網站的動機,就可以主動推薦合適商品和品牌給消費者──他們今年利用這個能力,推出了主動推播型RMN廣告格式。
Pinkoi表示,將長期購物人格標籤投入個人化推薦方法至今,消費者商品點擊率、瀏覽頁面數,以及網站瀏覽時間,分別提升了50%、22%、25%。
用品牌表現標籤強化RMN廣告投放參數推薦功能
利用生活風格智慧模型更細緻的品牌貼標能力,今年Pinkoi上線了RMN自動化投廣參數設定功能。此模型會根據品牌過往數據及相似品牌數據標籤,來推論品牌行銷需求,並自動設定廣告出價、行銷受眾、廣告成效指標等廣告投放參數。廣告主只要花費30秒輸入行銷預算跟促銷商品,再確認AI推薦參數,即能完成廣告設定。廣告投放期間,系統還會根據表現每天微調行銷策略。
用品牌及消費者標籤做到品牌商城頁面元素排列
今年11月,他們上線了品牌個人化版面服務。根據品牌及造訪消費者標籤,生活風格智慧模型會重新排列品牌商城頁面的元素,為不同消費者呈現出不同商城樣貌。Pinkoi表示,此功能最多可以排列組合出上萬種商城版面。
除了使用生活風格智慧模型來進行貼標和推薦,Pinkoi也於網站中導入其他AI應用,包括串接LLM來協助商家翻譯商品規格描述,以及即時翻譯客服對話等。
熱門新聞
2024-09-29
2024-10-01
2024-10-01
2024-10-03
2024-10-02
2024-10-01
2024-10-01