13 Wichtige Funktionen für eine leistungsstarke E-Commerce-Suchplattform
Ein ganzes Dutzend Top-Funktionen für eine E-Commerce-Suchplattform, darunter Personalisierung, maschinelles Lernen und multivariate Tests.
Bisher haben wir uns mit den Auswirkungen von schlechten Suchergebnissen und einem schlechten Kundenerlebnis bei der E-Commerce-Suche befasst und einen Weg aus diesem Schlamassel aufgezeigt. Diese Woche befassen wir uns mit den wichtigsten Funktionen, die Sie für Ihre nächste (oder brandneue) E-Commerce-Suchplattform benötigen.
Wenn Sie sich nach einer speziellen E-Commerce-Suchplattform umsehen, um Ihr digitales Einkaufserlebnis zu erweitern – oder um eine veraltete Suchlösung zu ersetzen – gibt es eine ganze Reihe wichtiger Funktionen und Möglichkeiten, auf die Sie bei Ihrer neuen Plattform achten sollten.
Hier ist eine Übersicht über das beste Dutzend:
Skalierbarkeit ist ein offensichtliches – aber entscheidendes – Unterscheidungsmerkmal bei der Auswahl einer E-Commerce-Suchlösung. Mit den stets unvorhersehbaren Strömungen der sozialen Medien und des viralen Marketings kann der Schwarze Freitag heutzutage jeden Tag kommen und die Systeme müssen hoch- und herunterskaliert werden, wenn das Verkehrs-, Daten- und Inhaltsvolumen von einem Extrem zum anderen schwankt – und das alles ohne ein riesiges Devops-Team und überflüssige Hardware.
Unter Signalerfassung versteht man die Erfassung von Daten zum Nutzerverhalten oder „Signalen“. In den meisten Suchanwendungen gehören zu den Signalen Ereignisse wie Benutzeranfragen, Klicks, Hinzufügungen, Käufe und andere ähnliche Clickstream-Daten. Bei fortgeschrittenen Anwendungen kann dies jedoch auch den Standort des Benutzers, den Vektor, die Höhe oder eine beliebige Anzahl von Ereignisdaten umfassen.
Durch maschinelles Lernen gestützte Empfehlungen fassen Nutzersignale zusammen, um für jeden Kunden bei jedem Besuch ein personalisiertes Einkaufserlebnis zu schaffen. Idealerweise können ML-Modelle von Ihren Datenwissenschaftlern importiert und exportiert werden, um sie zu optimieren.
Die Verwaltung von Geschäftsregeln ist nach wie vor wichtig für das manuelle Hinzufügen, Entfernen und Bearbeiten von Geschäftsregeln, einschließlich Boost-, Block- und Bury-Funktionen, unter Verwendung eines einfachen Dashboards und einer Schnittstelle für die Vornahme von Änderungen, die Vorschau und die Übergabe an die Produktion. Mit einer Drag-and-Drop-Oberfläche und Dashboards zum Verständnis der Produktrelevanz und des Käuferverhaltens können Merchandiser in Echtzeit auf sich ändernde Geschmäcker und Sprachen reagieren, ohne sich auf die IT-Abteilung verlassen zu müssen.
Named Entity Recognition (NER) verwendet die Verarbeitung natürlicher Sprache (NLP), um Markennamen, Modellnummern, Preise, Farben, Größen, Stoffe, Stile und andere Substantive und Adjektive in einem Produktkatalog zu erkennen.
Die Erkennung von Synonymen und die Korrektur von Rechtschreibfehlern geht über einfache Wortlisten hinaus und nutzt maschinelles Lernen und Sprachanalyse, um Synonyme und Rechtschreibfehler im Handumdrehen vorzuschlagen. Ein intelligentes System schlägt Admins mögliche Synonym-Kombinationen vor, damit sie kontinuierlich aktualisieren und verstehen können, wonach die Kunden suchen.
Autovervollständigung ist eine Standardfunktion, die jeder Verbraucher erwartet, wenn er in ein Suchfeld eingibt. Eine umfangreiche Autovervollständigungsfunktion erweitert diese Funktion und liefert sofortige Ergebnismengen (Produkte oder Kategorien), die Attribute wie Links, Preise und Miniaturbilder enthalten können. Außerdem ist die automatische Klassifizierung eine erweiterte Form der Vorauswahl. Wenn ein Benutzer zum Beispiel „Lautsprecher“ eingibt, wird automatisch „Audioelektronik“ als Kategorie ausgewählt.
Die facettierte Navigation und Bereichsfilterung fügt Kontrollkästchen, Schieberegler und andere UI-Elemente zum Filtern und Einschränken einer Suche nach Kriterien hinzu, die für die Produkte relevant sind (Größe, Farbe, Versandoptionen, Preisbereich). Dies ist besonders nützlich, um die Suche auf eine Kategorie oder Abteilung zu beschränken.
Zero Results Management zur Behebung von Abfragen, die keine Ergebnisse liefern, damit Kunden nicht in eine Sackgasse geraten und den Online-Shop verlassen.
Clustering und Klassifizierung sind Techniken des maschinellen Lernens, die es ermöglichen, Daten oder Abfragen automatisch zu gruppieren oder zu beschriften.
Bei der Head/Tail-Analyse handelt es sich um eine maschinelle Lerntechnik, die leistungsschwache Abfragen identifiziert und umschreibt, so dass sie ähnlichen, gut funktionierenden Abfragen ähnlicher werden.
A/B-Tests und Verwaltung von Experimenten, damit Administratoren feststellen können, ob die Änderungen an den Suchergebnis-Rankings wie erwartet funktionieren. Insbesondere bei der Personalisierung, bei Empfehlungen oder anderen KI-Techniken ist es wichtig festzustellen, ob die Änderungen tatsächlich die Klickraten, die Käufe oder ein anderes spezifiziertes Maß für den Erfolg verbessert haben.
Und da es sich um ein Dutzend handelt, fügen wir noch ein 13. Feature hinzu:
Durch die Omnichannel-Integration kann das Sucherlebnis Daten von Einzelhandelswebsites, mobilen Apps, Treueprogrammen und Ladenbesuchen miteinander verbinden und widerspiegeln, so dass Einzelhändler einen besseren Überblick über alle Kanäle haben und Dienste wie personalisierte Angebote und die Abholung in der nächstgelegenen Filiale anbieten können, um ein einheitliches Kundenerlebnis zu schaffen.