Wie Sie die Produktfindung mit Hilfe von Frage-Antwort-Systemen verbessern können
Systeme zur Beantwortung von Fragen, die Chatbots antreiben, werden traditionell als Ersatz für einen Support-Agenten angesehen, aber diese Systeme können auch zur Produkterkundung eingesetzt werden. Erfahren Sie, wie Lucidworks Smart Answers nutzt, um eine semantische Suchpipeline zur Verbesserung der Kundenzufriedenheit zu betreiben.
Die Beantwortung von Fragen wird oft als eine Untergruppe des Suchparadigmas betrachtet und wird in der Regel nicht im Zusammenhang mit Anwendungsfällen des digitalen Handels wie der Produktfindung erwähnt. Wenn Kunden auf einer Website nach Produkten suchen, sagen wir, dass sie „Fragen stellen“. Ein anderes Wort für Abfragen ist „befragen“. Die Produkte, die auf eine Kundenanfrage hin zurückgegeben werden, können als die Antworten betrachtet werden. Das ist die gleiche Idee.
Lucidworks Smart Answers wird zwar als Fragebeantwortungsmaschine angepriesen, aber mit Blick auf die Kundenerfahrung bei der Suche haben wir uns entschieden, Smart Answers für eine semantische Suchpipeline zur Produktfindung zu nutzen. Mit einer anderen Kombination von Modell-Trainingsparametern und einer anderen Form von Trainingsdaten, die zur Erstellung von Smart Answers-Modellen verwendet werden, haben wir festgestellt, dass die Verwendung von Smart Answers für diesen Anwendungsfall der semantischen Produktsuche eine zusätzliche Möglichkeit zur Verbesserung des Kundenerlebnisses darstellt.
Intelligente Antworten für die Produktentdeckung
Dieser Ansatz schließt sich nicht gegenseitig von der traditionellen Fusion-Suche aus. Anstatt nur das Schlüsselwort-Matching und das BM25-Bewertungssystem von Solr anzuwenden, arbeiten die Deep Learning-Methoden hinter Smart Answers mit diesen Fusion/Solr-Funktionen zusammen, um sicherzustellen, dass die besten Produkte für eine bestimmte Kundenanfrage gefunden werden.
Im Großen und Ganzen umfasst dieser Ansatz vier technische Schritte:
- Verwenden Sie die Suchanfragen des Käufers und das angeklickte Produkt aus den Suchergebnissen als Trainingsdatenpaare.
- Verwenden Sie Titel und/oder Produktbeschreibungen, um das Vokabular des Produktkatalogs zu erlernen und eigene Einbettungen zu trainieren oder bereits trainierte Worteinbettungen zu nutzen.
- Verschlüsseln oder vektorisieren Sie alle Produkttitel/-beschreibungen mit dem trainierten Deep Learning Smart Answers-Modell.
- Zur Abfragezeit kodieren Sie die eingehenden Abfragen in den Vektorraum des kodierten Produktkatalogs und rufen die Produkte im Vektorraum ab.
So funktioniert die semantische Suche
Bevor wir uns zu sehr ins Unkraut stürzen, lassen Sie uns eine Auffrischung der semantischen Suche vornehmen. Bei der semantischen Suche geht es um die Interpretation der Absicht und der kontextuellen Bedeutung von Abfragen und Inhalten. Im Gegensatz zur herkömmlichen Stichwortsuche, bei der nur Dokumente gefunden werden, die diese Stichwörter explizit enthalten, unterstützt die semantische Suche in der Regel vollständige Abfragen in natürlicher Sprache mit einem höheren Maß an menschlichem Verständnis. Das ist die Art von Suche, die einen wirklich guten Chatbot antreibt.
Im Allgemeinen enthalten die Suchanfragen der Kunden nur wenige Begriffe. Denken Sie darüber nach: „schwarzer Regenschirm“ ist kürzer als „wenn ich den Regenschirm auspacke, kann ich ihn trotzdem zurückgeben“. Mit nur wenigen Suchbegriffen in jeder Anfrage können herkömmliche Suchmethoden nicht die passenden kontextbezogenen Konzepte extrahieren, um die Qualität der zurückgegebenen Ergebnisse zu verbessern. Die Anwendung dieses vektorbasierten Ansatzes und der semantischen Pipeline auf die Produkterkennung ermöglicht es hingegen, die richtigen Konzepte zu extrahieren und anzuwenden.
Smart Answers reichert Abfragen an, um die relevantesten Ergebnisse zu liefern
Wenn Anfragen im Vektorraum kodiert werden – d.h. wenn ein Kunde etwas in die Suchleiste eingibt – reichert Smart Answers die Suche automatisch an, indem es relevante Synonyme verwendet, Rechtschreibfehler korrigiert und aus der Beobachtung des gesamten nahegelegenen Vektorraums übereinstimmende Phrasen identifiziert. Diese Regeln werden traditionell von Verkäufern erstellt und verwaltet. Eine Regel könnte zum Beispiel lauten, dass jedes Mal, wenn jemand „shose“ eintippt, dies in „Schuhe“ korrigiert werden sollte.
Mit Smart Answers und Fusion müssen Merchandiser nicht mehr ständig neue Regeln für Rechtschreibfehler, Synonyme und Ausdrücke erstellen, um all die verschiedenen Möglichkeiten zu erfassen, mit denen ein Kunde nach einem Artikel suchen könnte. Eine unserer Missionen bei Lucidworks ist es, eine zunehmend regellose Erfahrung für Merchandiser zu schaffen. Der Ansatz von Smart Answers für die Produkterkennung wendet diese Art von Regeln automatisch an, um das Kundenerlebnis zu verbessern und den Merchandisern Ärger zu ersparen.
Vom hartnäckigen Kunden lernen, um die Produktentdeckung zu verbessern
In der Praxis haben wir uns dafür entschieden, diese Methodik zunächst auf Suchanfragen ohne Ergebnis anzuwenden. Wir erstellen Trainingsdatenpaare aus Abfrage-Produkt-Paaren von Käufern und nutzen zusätzlich die Suchvorgänge des „dauerhaften Kunden“. Wir schauen uns die Sitzungen an, in denen ein Kunde für eine bestimmte Suchanfrage null Ergebnisse erhalten hat, und schauen uns dann das nächste Produkt an, das dieser Kunde in seinen Einkaufswagen gelegt hat, um einen weiteren Satz von Suchanfrage-Produkt-Paaren zu erstellen. Die Kuratierung von Trainingsdaten auf diese Weise ermöglicht es Smart Answers, die Sprache der Kunden mit der des Produktkatalogs zu verbinden.
Während wir weiterhin an den genauen Einstellungen und Konfigurationen für diesen Ansatz tüfteln und diese verfeinern, bieten Null-Ergebnis-Suchen eine sehr risikoarme und sehr lohnende Gelegenheit für die Anwendung dieser Methodik – es schadet nicht, mit einer neuen Methodik in einem Bereich zu experimentieren, in dem die Konversionsrate gleich Null ist… Andererseits kann diese Null-Prozent-Konversionsrate mit der Anwendung dieses Smart Answers-Ansatzes leicht nach oben getrieben werden! Schon ein kleiner prozentualer Sprung in dieser Rate kann zu Hunderttausenden bis Millionen von zusätzlichen Verkäufen und Einnahmen führen.
Richtige Antwort, richtiger Ort, richtige Zeit
Je nach Branche machen Suchanfragen ohne Ergebnisse traditionell 5-10% aller Suchanfragen aus; in einigen Fällen haben wir beobachtet, dass diese Zahl auf bis zu 40% ansteigt. Das bedeutet, dass zwei von fünf Suchanfragen auf einer Seite ohne Ergebnisse enden. Bei stark frequentierten Websites sind das täglich Millionen von Suchanfragen, was Millionen von verpassten Umsatzchancen bedeutet. Bei Lucidworks verwandeln wir diese Suchanfragen mit einer Konversionsrate von 0 % in Millionen von Möglichkeiten, zusätzliche Einnahmen zu erzielen, und das bei einem Ausfallrisiko von 0 %.
Wenn Sie mehr darüber erfahren möchten, wie Sie mit Smart Answers ein besseres (und profitableres) Kundenerlebnis schaffen können, besuchen Sie unsere Smart Answers-Produktseite oder kontaktieren Sie uns noch heute.