Migliorare il posizionamento delle ricerche per lo shopping online

Lo shopping online è ormai una parte normale della vita di molte persone. Offre un sacco di vantaggi, come comodità, una vasta gamma di prodotti, prezzi più bassi e accesso facile tramite dispositivi mobili. Man mano che vengono aggiunti più prodotti online, avere un buon sistema di ranking è fondamentale. Questo sistema aiuta i clienti a trovare rapidamente i prodotti più rilevanti.

Al centro di questi sistemi di ranking c'è un modello che utilizza il machine learning. Questi modelli prendono in considerazione vari segnali per determinare quali prodotti devono essere mostrati in cima ai risultati di ricerca. Questi segnali possono provenire da diverse fonti, tra cui il comportamento degli utenti, ciò che vogliono acquistare, dettagli sui prodotti e la reputazione dei venditori.

Tra tutti questi segnali, il modo in cui i clienti interagiscono con i prodotti-come clic, acquisti e aggiunta di articoli al carrello-è molto importante. Studi dimostrano che questo tipo di feedback dei clienti è fondamentale per decidere come i prodotti si classificano. I clienti sono i migliori giudici di quanto siano rilevanti i prodotti per le loro ricerche, specialmente quando quelle decisioni portano a acquisti. Inoltre, raccogliere questo feedback è economico e semplice, rendendo questi segnali comportamentali il cuore dei modelli di ranking.

#La Sfida delle Finestrature Temporali nelle Caratteristiche Comportamentali

Nonostante la ricerca esistente sull'uso delle caratteristiche comportamentali nel ranking, resta un problema significativo ancora irrisolto: determinare le migliori finestre temporali di riferimento per queste caratteristiche. Le finestre temporali di riferimento si riferiscono ai periodi di tempo in cui vengono raccolti i dati di interazione dei clienti per valutare la rilevanza dei prodotti. Trovare la finestrella giusta è essenziale per utilizzare efficacemente queste caratteristiche nei ranking.

Questo documento condivide intuizioni dall'esperienza pratica nel settore e analizza come le diverse finestre temporali possono influenzare i ranking di ricerca dei prodotti. Si concentra specificamente sugli effetti sia delle finestre lunghe che corte e propone un metodo per combinare entrambi i tipi per risultati migliori. L'efficacia di questo approccio combinato è testata con dati reali di shopping online.

#Analizzando le Finestre Temporali

Quando guardiamo a come le diverse lunghezze delle finestre temporali possono impattare i modelli di ranking, consideriamo tre tipi principali di coinvolgimento degli utenti: tassi di clic, tassi di aggiunta al carrello (ATC) e tassi di ordine. Questi tassi vengono calcolati in base al comportamento dei clienti durante periodi specifici.

Usare una finestra temporale più lunga permette di catturare il Comportamento a lungo termine, il che ci informa sugli interessi dei clienti nel tempo. Tuttavia, potrebbe perdere tendenze recenti. D'altra parte, una finestra temporale più corta si concentra sui comportamenti attuali, il che può riflettere i cambiamenti nelle tendenze di acquisto ma potrebbe non mostrare interessi dei clienti duraturi. Ogni approccio ha i suoi punti di forza e di debolezza.

Per analizzare gli effetti di questi due tipi di caratteristiche comportamentali, definiamo una finestra temporale lunga come due anni e una corta come un mese. Creiamo quattro modelli di ranking per testare queste diverse configurazioni.

• Modello di Base: Usa solo caratteristiche comportamentali di 2 anni.
• Modello A: Usa solo caratteristiche comportamentali di 1 mese.
• Modello B: Usa sia caratteristiche comportamentali di 2 anni che di 1 mese.
• Modello C: Integra entrambi i tipi di caratteristiche insieme a informazioni specifiche della query.

#Il Primo Test: Finestre Lunghe vs. Corte

Nel primo set di test, confrontiamo le performance del Modello di Base (caratteristiche comportamentali di 2 anni) con il Modello A (caratteristiche comportamentali di 1 mese). L'obiettivo qui è capire gli impatti distintivi delle due diverse lunghezze di finestra temporale.

I risultati mostrano che mentre il Modello A generalmente performa peggio del Modello di Base, ci sono differenze interessanti tra le categorie di prodotto. Ad esempio, le caratteristiche a breve termine hanno performato meglio per categorie come Elettronica, Giocattoli e Prodotti stagionali. Al contrario, le caratteristiche a lungo termine hanno funzionato meglio per categorie più stabili, come Alimentari e Prodotti di consumo.

Questa scoperta suggerisce che entrambi i tipi di caratteristiche hanno vantaggi unici, rendendo interessante trovare un modo per combinarli per risultati ottimali.

#Il Secondo Test: Combinare Finestre Lunghe e Corte

Costruendo sulle intuizioni dal primo test, impostiamo un secondo test confrontando il Modello di Base con il Modello B, che include sia caratteristiche a lungo che a breve termine. Qui ci aspettiamo che combinare queste caratteristiche porti a risultati ancora migliori.

Tuttavia, i risultati indicano che combinare queste caratteristiche non performa bene nel complesso. In diverse categorie, tra cui Alimentari e Prodotti di consumo, la performance è effettivamente diminuita. Questo suggerisce che semplicemente unire i due tipi di caratteristiche può diluire la loro efficacia.

Per illustrare, per la categoria Alimentare, i punti di forza della caratteristica più lunga sono stati ridotti quando combinati con caratteristiche più corte che non fornivano valore aggiunto in quel particolare contesto.

#Il Miglior Approccio: Integrare Caratteristiche Verticali

Notiamo che le diverse categorie di prodotto rispondono in modo unico alle tendenze del comportamento del cliente. Ad esempio, i prodotti Fashion sono spesso influenzati dalle tendenze attuali, mentre gli alimenti tendono a rimanere stabili nel tempo.

Per migliorare le performance del modello combinato, proponiamo di aggiungere uno strato di contesto della query, specificamente tramite caratteristiche verticali. Queste caratteristiche informano il modello di ranking su come utilizzare al meglio sia le caratteristiche comportamentali a lungo che a breve termine per diverse ricerche di prodotto.

Il nuovo modello, Modello C, incorpora queste caratteristiche verticali insieme a entrambi i tipi di dati comportamentali. Questo consente al modello di adattare l'uso delle caratteristiche in base al contesto specifico dello shopping.

#Testare il Modello Integrato

Per valutare il nuovo approccio, conduciamo un test A/B finale confrontando il Modello C contro il Modello di Base originale. Questo test si svolge su due settimane e analizza metriche chiave relative al coinvolgimento e alla soddisfazione dei clienti.

I risultati rivelano un miglioramento significativo in varie metriche, confermando che utilizzare una combinazione di entrambe le caratteristiche comportamentali insieme a intuizioni specifiche della query può migliorare l'esperienza di acquisto complessiva. Notabilmente, questo approccio aiuta anche a risolvere i problemi che sorgono in situazioni di cold-start quando nuovi prodotti vengono aggiunti al catalogo.

#Conclusione

In questo studio, abbiamo introdotto un modello di ranking di ricerca che combina efficacemente sia caratteristiche comportamentali a lungo che a breve termine con informazioni verticali specifiche. Questo modello è progettato per catturare il coinvolgimento dei clienti su diversi periodi di tempo mentre assicura che il sistema di ranking risponda alle attuali esigenze di acquisto.

I test approfonditi dimostrano che il nuovo modello integrato supera le configurazioni precedenti che si basavano solo su un tipo di caratteristica comportamentale. Questo miglioramento non solo aiuta a soddisfare meglio le esigenze dei clienti, ma getta anche le basi per futuri miglioramenti nei sistemi di ranking di ricerca.

#Lavori Futuri

Andando avanti, ci sono piani per ampliare l'ambito del modello di ricerca. Le future iterazioni considereranno finestre temporali aggiuntive-come una settimana e un anno-per catturare una gamma più ampia di schemi di coinvolgimento dei clienti. Inoltre, il team intende introdurre segnali a livello di query più dettagliati, che permetteranno un ulteriore miglioramento dell'adattamento delle caratteristiche comportamentali per migliorare ulteriormente l'esperienza del cliente.