親和性と類似性は、実際のバスケットと行動を、それに基づいて行動できる類似性に変えます。
関係グラフとは異なる質問、つまり誰が誰とつながっているかではなく、何が何に似ているかに答える抽象化レイヤーのサブコンポーネント。すべて実際のデータから 3 種類の統計的類似性を計算します。製品間の類似性は、実際のバスケットから得られます。つまり、同じ注文で製品が同時に発生します (X を購入し、Y も購入した)。メンバーごとのカテゴリ アフィニティは、各メンバーが自分の購入履歴や閲覧履歴からどのカテゴリに惹かれるかをキャプチャします。また、メンバーとタグの類似性 (そっくりさん) は、タグと動作が互いに似ているメンバーをグループ化するため、実証済みの対象ユーザーを、本当に似ている人々にまで拡大できます。どれも発明されたものではありません。すべてのスコアは観察された命令や行動から導き出されており、そこに到達するためにアイデンティティやプライバシーの境界を越えることはありません。
実際のデータ (どの製品が一緒に購入されているか、メンバーがどのカテゴリに傾いているか、どのメンバーが似ているか) から統計的な類似性を導き出すため、推奨と類似の拡大は人気ではなく実際のパターンに基づいています。
類似性は実際のデータから得られます。人気や推測ではありません。
レコメンデーションと視聴者の拡大は、その背景にある類似性によって決まります。このレイヤーは、実際に起こったこと (実際のバスケット、実際のカテゴリの傾き、実際のプロファイルの類似性) からその類似性を計算し、それを管理された出力としてオントロジーと推奨エンジンに渡すため、すべての「類似」の答えは根拠があり、再現可能です。
- よく一緒に購入します
- 時々一緒に買う
- アンカー製品
- 類似商品
3 種類の類似性、すべて実際のデータに基づく
ここでの類似性は常に「何が何に似ているか」という答えであり、それは常に観察された順序と行動から導き出されます。決して捏造されたものではなく、アイデンティティやプライバシーの境界を越えることによっても決して得られません。
- 製品間 — 実際のバスケットからの共同購入: 同じ注文でどの製品が一緒に表示されるか (X を購入、Y も購入)、製品の類似性に変わります。
- メンバーごとのカテゴリ親和性 — メンバーが惹かれるカテゴリ。店舗全体の平均ではなく、メンバー自身の購入履歴や閲覧履歴から計算されます。
- メンバーとタグの類似性 (類似性) — タグと動作が互いに似ているメンバー。そのため、実証済みのシード オーディエンスを、本当に似ている人々に拡大できます。
類似性から計算できること
類似性が管理された出力として具体化されると、それは推奨事項として表示され、エージェントは単純に読み取ることができるようになります。つまり、毎回同じ答えになります。
- 次善の製品 — 一般的な人気ではなく、メンバーの実際の共同購入とカテゴリ パターンに基づいています。
- 類似オーディエンスの拡大 ― 幅広い人口統計区分ではなく、実際のプロファイルとの類似性に基づいて、パフォーマンスの高いオーディエンスを拡大します。
- 一貫した「類似」の回答 - レコメンデーション エンジン、キャンペーン オーディエンス、およびエージェントの推論ステップはすべて、1 つの管理された類似性を読み取るため、一致します。
類似性と関係グラフ
このレイヤーは関係グラフの姉妹であり、区別が重要です。類似性は統計的な類似性 (見た目が似ている、購入したものが似ている) であるのに対し、関係グラフは明示的な社会的エッジ (実際に変換された紹介または可能性の高い世帯) です。これらは補完的であり、一緒に読むことができ、混同されることはありません。
- 類似性は、「何が似ているか」、つまり同じように購入された製品、似ているメンバーなどをデータのパターンから答えます。
- 関係グラフは、「誰が誰とつながっているか」、つまり実際の変換された紹介、アンバサダー、家族のつながりに答えます。
- エージェントは両方を使用します。グラフから構造的な役割に基づいてプレイを選択し、類似性に基づいて適切な製品または類似の視聴者を選択します。
レコメンデーション エンジンは、このレイヤーの主な消費者です。電子メール、独自のサイト、および API 経由のアプリにわたる各メンバーの親和性に基づいてパーソナライズされ、スロットが空になることがないように、初めての訪問者向けのトレンドのフォールバックも備えています。
これが、このレイヤーが AI の意思決定を改善する方法です。
類似性モデルがなければ、推奨は店舗全体の人気に戻り、視聴者の拡大は広範な人口統計に戻ります。どちらも、特定のメンバーが実際に何を購入し、どのようなものに似ているかがわかりません。類似性は各ツールでアドホックに再計算されるため、キャンペーンで使用される「類似」の回答は、レコメンデーション エンジンが提供する回答と一致せず、どちらも実際のバスケットや実際のプロファイルの類似性に基づいていません。
次に良い製品の選択は、店舗全体の人気ではなく、実際の共同購入またはカテゴリのパターンに裏付けられています。
会員には、平均的な買い物客のカテゴリーではなく、実際に惹かれるカテゴリーを反映したおすすめが表示されます。
実証済みのオーディエンスは、人口統計上の広範な推測ではなく、タグと動作が本当に似ている類似のメンバーのセットに拡張できます。
キャンペーンで使用される「類似商品」の回答と、レコメンデーションエンジンが提供する回答は、同じ管理されたモデルの出力から生成されます。
価値は技術的なものだけではなく、運用上のものです。
エージェントは、店舗全体の人気ではなく実際の共同購入やカテゴリのパターンに基づいて次善の製品を入手し、人口統計上の推測ではなく実際のプロフィールの類似性に基づいて類似の拡大を実現します。類似性はアドホックな計算ではなく、管理されたモデルの出力であるため、同じ「類似」の回答は、レコメンデーション サーフェス、キャンペーン オーディエンス、エージェントの推論ステップなど、どこで読まれても再現可能です。
一般的なベストセラーではなく、実際のバスケット、つまり共同購入ペア (X を購入し、Y も購入) から製品間の類似性を計算します。
各メンバー自身の購入履歴や閲覧履歴からメンバーごとのカテゴリの親和性を導き出すため、次善の製品は彼らが実際に何に傾いているかを反映します。
タグと行動からメンバーとタグの類似性 (類似点) を構築するため、実証済みの視聴者を真に類似した人々に拡大できます。
すべての類似性を管理された実体化されたモデル出力として保持するため、同じ「類似」の回答がその場で再計算されるのではなく、一貫して読み取られます。
3 つすべてを観察データに根拠付け、アイデンティティとプライバシーの境界内に留まります。類似性は起こったことから推測されるものであり、決して捏造されたものではありません。
この層が担当するもの
raw ストアから明細化された注文明細を読み取り、製品の同時出現 (2 つの製品が同じバスケットに表示される頻度) を製品間の類似性として計算します。
各メンバー自身の購入履歴と閲覧履歴をメンバーごとのカテゴリ アフィニティに集約し、メンバーがどのカテゴリに傾いているかを表現します。
プロフィール タグと動作からメンバー間の類似性を計算するため、シード オーディエンスをそれに似た類似セットに拡張できます。
類似性出力を管理されたモデルの結果として具体化し、それらをオントロジーおよび推奨サーフェスに公開することで、呼び出しごとに再導出されるのではなく読み取られます。
関係グラフを補完するものであり、このレイヤーは統計的な類似性をモデル化するのに対し、関係グラフは明示的で変換された社会的つながりをモデル化します。この 2 つは一緒に読み取られ、決して混同されません。