全球最大拍賣網站eBay,在3年前,聘了一位當時少見的AI長Nitzan Mekel-Bobrov。這位留著一臉落腮鬍的AI長,擔任過醫療設備商Boston Scientific、金融集團Capital One和旅遊巨頭Booking.com的數據高階主管,這是他第一次進入零售電商產業。
以AI長職位,而非資料長來聘任,因為eBay高層對他的期待很不一樣,希望這位AI長可以確保eBay「神奇且負責任地提供AI增強的顧客體驗。」
陌生的零售產業經驗,讓Nitzan Mekel-Bobrov具有不一樣的眼光,可以從第三者的角度,更客觀地看到eBay的不足和問題。上任第一年,他就做了一個大膽的決定,推翻eBay用了二十多年的推薦系統運作模式。
eBay一年交易金額高達2兆元,多達1.35億名活躍會員每個月打開eBay,從17億件商品中,找到自己鍾意的那一項。想要提高交易量,如何靠商品推薦來吸引顧客購買是一大關鍵。
可是,不同於沃爾瑪、Amazon這類B2C的電商,eBay是C2C的商業模式,上架的商品,來自上億賣家,上架的商品五花八門,許多很難用制式的商品規格來描述,
甚至有很多商品是不會再次上架的一次性販售商品,再加上上億人、數十億件商品的規模,想要打造出一套好的推薦系統,是一個非常艱難的挑戰。過去二十年來,eBay以商品相似性為基底,發展出了一套複雜的推薦機制。
這麼多年來,eBay不斷改良和優化自己的推薦系統,從最早比對商品標題單字出現頻率來計算相似性的TF-IDF作法,到近十年開始利用越來越成熟的NLP模型,來分析商品標題的語意。
eBay甚至以當年超級熱門的BERT模型為基礎,用30億筆歷史商品標題及2.5億條維基百科上的英、德、法、義、西語語句作為訓練資料,發展出了一套自家的NLP模型eBERT,結合了多種模型壓縮和優化方式,最後微調出一套模型稱為Siamese MicroBERT,來分析十多億則商品標題的相似性。
後來,不只文字,還結合了圖片嵌入向量作法,讓商品外觀成為相似性比對的新維度,透過圖文向量來找出優先推薦的高相似性商品,當顧客瀏覽一個商品介紹網頁時,就會跳出相關的推薦產品。
但是,這位AI長到任後,一看到eBay這個用了十多年的推薦模式,就直言,這種只靠商品資訊來計算相似性的推薦,就算做到極致,還是有局限。預設相似越高的商品,對顧客會有同樣的吸引力,這種做法其實沒有辦法反映出顧客真正的興趣,甚至當顧客興趣轉換時,也無法動態修正推薦的結果。
「eBay推薦機制要有所突破,思維上必須要有根本性的改變。」他說。
他認為eBay必須跳脫平臺本位思考角度,改從顧客角度思考,嘗試理解顧客如何認知自家商品,以此作為推薦的依據。
重新以顧客角度來思考推薦本質,eBay開始聚焦顧客上站逛商品的探索行為,追蹤63類事件來描繪顧客的購物旅程,想辦法理解在這個過程中,顧客的興趣變化,來設計新一代的推薦系統。
這正是全球最大拍賣網站AI長過去三年,最重要的課題。
專欄作者
熱門新聞
2024-10-14
2024-10-13
2024-10-13
2024-10-11
2024-10-14
2024-10-11