Uczenie maszynowe to zestaw technik statystycznych, które pozwalają oprogramowaniu uczyć się wzorców na podstawie danych i formułować prognozy bez konieczności programowania ich w każdym konkretnym przypadku. W zarządzaniu kanałami dystrybucyjnymi jest ono stosowane do takich zadań, jak przewidywanie brakujących atrybutów produktów, dopasowywanie ofert w różnych katalogach, prognozowanie popytu i sygnalizowanie błędów danych – zadań zbyt powolnych lub niespójnych, aby obsłużyć je wyłącznie za pomocą sztywnych, ręcznych reguł. Zamiast całkowicie zastępować reguły kanałów dystrybucyjnych, uczenie maszynowe zazwyczaj działa równolegle z nimi, obsługując niejednoznaczne przypadki, w których sztywna reguła by nie zadziałała lub zostałaby pominięta.

Dlaczego uczenie maszynowe ma znaczenie w zarządzaniu kanałami

Katalogi zawierające tysiące, a nawet miliony jednostek magazynowych (SKU) nieuchronnie zawierają luki: brakujące kategorie, niespójne konwencje rozmiarów, niekompletne atrybuty lub tytuły, które nie odpowiadają temu, czego faktycznie szukają kupujący. Ręczne naprawianie tych luk nie jest skalowalne, a statyczne reguły biznesowe obejmują jedynie wzorce, dla których ktoś pomyślał o napisaniu reguły. Modele uczenia maszynowego trenowane na istniejących danych katalogowych i sprzedażowych potrafią wywnioskować brakujący atrybut z podobnych produktów, przewidzieć, do której kategorii należy nowy produkt, lub oszacować zmiany popytu na podstawie sezonowości i historii cen — likwidacja luk na skalę, której ręczna analiza nigdy nie była w stanie osiągnąć. Ma to bezpośrednie znaczenie dla przychodów: atrybuty uzupełnione na podstawie najlepszych szacunków modelu nadal muszą być wystarczająco dokładne, aby spełnić wymagania kanału i odpowiadać intencjom kupujących, w przeciwnym razie automatyzacja po prostu zastąpi jeden rodzaj błędu innym.

Jak działa uczenie maszynowe w kanałach przesyłowych

Większość aplikacji uczenia maszynowego związanych z kanałami dystrybucyjnymi zaczyna się od wytrenowanego modelu — zbudowanego na historycznych danych o produktach, wynikach sprzedaży lub przeszukanych ofertach konkurencji — który ocenia lub przewiduje wartość dla każdego elementu przechodzącego przez proces dystrybucji. Może to oznaczać przewidywanie brakującego typu produktu, szacowanie optymalnych punktów cenowych lub dopasowywanie kodu SKU sprzedawcy do kanonicznego wpisu w katalogu na rynku, zadanie ściśle związane z hybrydowym dopasowywaniem , które często łączy ocenianie uczenia maszynowego z logiką opartą na regułach w przypadkach, co do których model jest mniej pewny. Te same podstawowe techniki napędzają prognozowanie popytu , w którym modele wytrenowane na historycznej sprzedaży i sezonowości przewidują przyszły popyt, oraz normalizację , w której modele mogą standaryzować niespójne rozmiary, kolory lub wartości jednostek u różnych dostawców znacznie szybciej niż ręczne tabele mapowania. Ponieważ dane wyjściowe modelu są probabilistyczne, a nie pewne, większość procesów produkcyjnych ustala progi ufności — automatycznie stosując tylko prognozy powyżej określonego wyniku i kierując przypadki o niższym poziomie ufności do przeglądu przez człowieka.

Przykład: pola przewidywane przez uczenie maszynowe w kanale produktu

<item>
  <g:id>SKU-40217</g:id>
  <title>Ceramic Pour-Over Coffee Dripper - Speckled White</title>
  <link>https://example-shop.com/products/ceramic-pour-over-dripper</link>
  <g:price>34.00 USD</g:price>
  <g:product_type>Home &amp; Kitchen &gt; Coffee &amp; Tea &gt; Drip Coffee Makers</g:product_type>
  <g:google_product_category>Kitchen &amp; Dining &gt; Kitchen Appliances</g:google_product_category>
  <custom_label_0>ml_category_confidence:0.91</custom_label_0>
  <custom_label_1>ml_predicted_field:product_type</custom_label_1>
</item>

Tutaj, product_type oraz google_product_category zostały wypełnione przez model, a nie ręcznie, a wynik ufności w etykiecie niestandardowej pozwala regułom niższego szczebla zdecydować, czy prognoza jest wystarczająco wiarygodna, aby opublikować ją w obecnej formie.

Powiązane pojęcia

Uczenie maszynowe stanowi podstawę wielu innych dyscyplin zarządzania kanałami, a nie jest od nich oderwane: jest siłą napędową wielu współczesnych prognoz popytu, napędza zautomatyzowaną stronę normalizacji, gdy katalogi wymagają spójnych wartości na dużą skalę, i często jest łączone z deterministyczną logiką w hybrydowym dopasowywaniu, aby uzgadniać oferty z różnych źródeł. Zespoły, które chcą zastosować te techniki we własnych katalogach, mogą znaleźć praktyczny przewodnik w publikacji „ Using AI for Smarter E-commerce Feed Management and Automation” , w której omówiono, w jaki sposób automatyzacja oparta na modelach wpisuje się w tradycyjne reguły dotyczące kanałów.