Algoritmos para mejorar las búsquedas
BUSCADOR - Un pilar fundamental en la experiencia de navegación
Cuando ingresamos en una tienda, en busca de un producto en particular, ¿Qué es lo primero que hacemos?
Quizás busquemos un cartel indicando la ubicación, pero probablemente nuestra primera reacción sea consultar con el profesional de ventas. Esta experiencia presencial nos ahorra tiempo y evita frustraciones. Pero, ¿Cómo se adapta el e-commerce a esta interacción inicial fundamental para el consumidor?
Si bien la compra presencial y la virtual son incomparables, los buscadores internos de un sitio necesitan estar a la altura de las expectativas básicas del consumidor Generalmente, el primer término ingresado es el primer paso en la experiencia de navegación, por lo cual una búsqueda fallida puede convertirse en una oportunidad de compra perdida.
Al ingresar a una tienda con una intención de compra concreta, es probable que el consumidor no recuerde cómo pronunciar la marca que busca, o priorice los atributos del producto (los cuales pueden variar desde las “medidas” de un estante hasta la “comodidad” de un calzado) en lugar de la marca, o que se den simultáneamente ambos casos. ¿Cómo responde el buscador del sitio ante estos escenarios?
La combinación de distintos algoritmos de recuperación de términos permite detectar un error gramatical, contextualizar términos mal escritos, y a su vez hallar los atributos de un producto, entregando así un resultado de búsqueda capaz de complacer el objetivo del usuario. Cuando esto ocurre, las chances de conversión a ventas aumentan entre 2 y 4 veces.
Por lo tanto, cuando un buscador interno incorpora los algoritmos necesarios para corregir un término errado, asociar términos compuestos y reconocer características de productos, está cumpliendo un rol clave en la experiencia de navegación, el de asistir al usuario en su recorrido por el sitio.
Esto adquiere una dimensión considerable teniendo en cuenta que, según Econsultancy, entre un 30-60% de los consumidores de un ecommerce recorren el sitio a través del buscador, y alrededor del 25% de las búsquedas realizadas en ecommerce contienen este tipo de errores en los términos ingresados
¿Esto significa que si se ingresa un término compuesto correctamente escrito no es necesario recurrir a los algoritmos de recuperación?
No exactamente. Según un informe de Baymard al respecto, alrededor del 30% de sitios de ecommerce son incapaces de responder siquiera a búsquedas precisas. Cuando hablamos de búsquedas precisas – “exact search”- nos referimos a términos compuestos con nombre, marca, modelo y características de producto, por ejemplo “Smart TV Samsung 60 HZ” (donde 60 HZ es un atributo).
¿De que maneras puede asistir el buscador al usuario?
Detallamos a continuación las distintas soluciones de refinamiento de búsqueda necesarias para concretar un resultado de búsqueda exitoso. ivermectin mange pills for large dogs
1 - Recuperación términos
Permite corregir y entregar productos asociados a términos ingresados con errores gramaticales o de tipeo. Se trata de un sistema de recuperación por gramática y/o por fonética. Por ejemplo, si en una tienda online de electrodomésticos un usuario ingresa el término “uirpul”, los algoritmos de recuperación de términos deberán entregar productos de la marca Whirlpool. A su vez, para brindar una recuperación completa es fundamental que los motores de búsqueda integrados puedan contemplar también la contextualización de términos compuestos.
A esta solución se la reconoce como recuperación por semántica “semantic search”, la cual permite separar partes de un query para identificar la diferencia entre categorías y atributos, e incorporar la “intención general” del término ingresado en vez de fragmentarlo. Por ejemplo, si un usuario ingresa en la tienda de electrodomésticos el término “ehladera uirpul” los algoritmos de recuperación de términos lo corrigen, lo contextualizan y entregan heladeras de la marca Whirlpool.
2 - Reconocimiento de voz
Permite recuperar términos dictados por un usuario desde el micrófono integrado de su respectivo dispositivo en la caja de búsqueda. Se utiliza una API de Google que funciona en los navegadores de Chrome y Android, el cual interpreta el texto en voz y se lo transfiere a los algoritmos de corrección fonética y semántica que se integran a la funcionalidad del micrófono.
3 - Recuperación por atributos
Permite entregar productos considerando la característica ingresada en el buscador, a través del acceso a la master data del sitio. Por ejemplo:
Al buscar en una tienda de decoración el término «Smart TV Samsung CD 250» en el sitio, deberá entregar celulares que contengan el atributo «250 CD» dentro de los atributos que han sido cargados en la ficha del producto. Esta solución convive con los de recuperación fonética, gramática y semántica.
4 - Autocompletar
Permite ofrecer recomendaciones en el desplegable de la caja de búsqueda, asociadas a los primeros caracteres ingresados por un usuario antes de que este termine de redactar el término dentro de la misma (“type ahead”). La optimización de esta función reside en su capacidad para, por un lado, entregar los productos con mayor peso (más visualizados) vinculados al término ingresado, y por otro lado – cuando se trata de un usuario con historial en el sitio – priorizar los términos relacionados a su historial de búsqueda.
Esta funcionalidad, complementada por la ponderación de términos “product ranking” y el acceso al historial “búsqueda personalizada” agilizan y facilitan la experiencia de compra. Dicha experiencia podría verse perjudicada si este complemento no llegase a ser considerado. feline ivermectin dosage Según el informe mencionado de Baymard Institute, un 82% de los sitios la ofrecen, pero un 36% brindan recomendaciones erradas que desvían al usuario de su objetivo.
5 - Recuperación por sinonimos
Incorpora un listado de sinónimos realizado por el cliente.
Por ejemplo, si «Telefonía movil» es incorporado como sinónimo de «Celulares», al ingresar «Telefonía movil» el buscador del sitio traerá todos los productos que incluyan «Celulares o Celular«en su título o descripción.
6 - Filtros de búsqueda
Esta solución reconocida como “Faceted Search” le permite a los usuarios refinar su búsqueda una vez que ha recibido los resultados iniciales.
Por ejemplo, si un usuario ingresa el término “Air max”, se le pueden aplicar filtros por color y talla. Únicamente un 40% de los sitios de e-commerce ofrecen esta solución.
7 - Ordenamiento por prioridad de marca o Skus
Esta funcionalidad permite establecer un orden de marcas a partir de un término ingresado por el usuaio, en este caso quedo establecido que si se ingresaba el término «Lavarropas» el algoritmo de prioridad de marca iba a devolver el siguiente orden:
- lavarropas|candy
- lavarropas|lg
- lavarropas|samsung
Asi se puede apreciar que los resultados se ordenan por las marcas priorizadas y dentro de las marcas los más vendidos.
Asimismo se puede utilizar la prioridad por Skus, haciendo que en base a un término aparezcan de manera prioritaria los productos elegidos. ivermectin sketchymedical
¿Qué tipos de escenarios debemos considerar para aplicar los conceptos mencionados?
Detallamos a continuación tipos de consultas de búsqueda / search queries comunes. Según el Baymard Institute existen 4 tipos de búsqueda a las cuales se refiere como “el espectro del query” o, a la forma en la cual los usuarios definen el rango de lo que debería ser buscado.
a) Búsqueda precisa: Cuando el usuario ingresa el nombre específico de un producto, o número de modelo.
b) Tipo de producto: Cuando el usuario busca por un tipo de producto, por ejemplo “chocolate”, y no menciona la marca.
c) Búsqueda por síntoma: Cuando el usuario realiza una búsqueda relacionada a una necesidad o a un atributo subjetivo, con la expectativa de encontrar un producto asociado a la misma. Por ejemplo, en un sitio de farmacia un usuario podría ingresar el término “dolor de cabeza”.
d) Búsqueda no asociada al producto: Cuando el usuario busca el término asociado a una promoción “2×1 navidad” o “promo primavera” “50 off”
Por otro lado, fuera de este espectro también existen las búsquedas relacionadas al lenguaje informal, a las abreviaciones, los símbolos- por ejemplo “mts” asociado a “metros” o “HP” asociado a Hewlett Packard– y las búsquedas subjetivas mediante atributos “sandalia cómoda de cuero”.
Las soluciones de búsquedas inteligentes permiten el refinamiento en la comprensión y entrega de resultados en los escenarios mencionados. Sin embargo, el cumplimiento de las demandas que implican este tipo de consultas dependerá en parte de la información originalmente cargada en la metadata de cada producto y es posible que algunos requerimientos específicos puedan llegar a implicar la necesidad de ajustes manuales.
Los beneficios de incorporar inteligencia al buscador interno se vuelven evidentes y se pueden comprobar analizando los datos previos y posteriores a su implementación en una tienda e-commerce. El estudio de distintos casos internos nos enseñó que los sitios que incorporan inteligencia dentro de sus buscadores y en su grilla de resultados han reducido hasta un 60% los abandonos después de su búsqueda y que el desplegable de un buscador participa en un 15% de los ingresos de un sitio. Si bien los datos de performance de una tienda online están vinculados al ecosistema completo del sitio y al contexto de los períodos analizados, un buscador interno capaz de abordar las demandas del cliente tiene un impacto directo en la experiencia de navegación y colabora en el incremento de los ingresos.
La incorporación estratégica del algoritmo de recomendación
¿Cómo cumplir con las demandas del usuario, incrementar la tasa de conversión a ventas y promover el engagement?
Las recomendaciones de productos realizadas a través de acumulación de datos (machine learning) y algoritmos predefinidos son capaces de articular los objetivos mencionados, generando un impacto directo en los ingresos de un sitio y en la experiencia del usuario. Pero no se trata únicamente de activar un motor de recomendaciones y dejarlo correr, sino de comprenderlo íntegramente en relación al ecosistema de un sitio ecommerce y del contenido que ofrece a cada marca. La inteligencia artificial potencia sus resultados cuando existe detrás una estrategia por parte de un equipo de marketing creativo e informado.
Los carruseles de recomendación de productos contribuyen – a partir del modelo atributivo de Google Analytics – en un margen de 15% a 35% de los ingresos del sitio de un ecommerce, alcanzando picos de 50% durante los períodos de eventos especiales – siempre y cuando los contenidos sean incorporados estratégicamente.
El criterio a partir del cual se aplican los distintos tipos de recomendaciones es fundamental para alcanzar óptimos resultados ¿Pero a qué nos referimos cuando hablamos de óptimos resultados? Una alta tasa de conversión a ventas está relacionada directamente a la relevancia – ocurre cuando el contenido está vinculado al interés específico del usuario en un momento preciso – pero no siempre está vinculada a una alta tasa de transacciones. Una alta tasa de transacciones se relaciona proporcionalmente a los siguientes factores:
- La cantidad de sesiones que reciba la sección – PDP, PLP, Home, Checkout, etc.
- La visibilidad que se le otorgue dentro de la misma y
- La relevancia del contenido.
Un carrusel con alta tasa de conversión pero poca participación en transacciones podría tratarse de un contenido con poca visibilidad pero con un enorme potencial, o de un contenido cuyo fin no es la transacción sino la fidelización del usuario.
¿Como detectar este tipo de oportunidades?¿La fidelización a través de la relevancia es tan importante como la transacción inmediata?
Abordaremos estos interrogantes presentando datos que contribuyen al uso estratégico de un motor de recomendaciones. ¿Qué tipo de recomendaciones son las más eficientes, dentro de cuáles secciones del sitio funcionan y cómo performan?
Dentro del formato de carrusel automatizado, el motor de recomendación de productos de BDW implementa diversos algoritmos. Compartimos, a partir de nuestra experiencia con marcas líderes en la región y de la evidencia ineludible de los datos acumulados, la siguiente guía para poder aplicarlos estratégicamente.
*Los datos presentados son promedios estimados a partir de recolección y análisis de datos.
SECCIÓN PÁGINA DE PRODUCTO - PRODUCT DETAIL PAGE (PDP)
¿Sabías que las secciones más visitadas por un usuario en un sitio ecommerce son la PDP y la url de resultado de búsqueda?
Debido a esto, los carruseles de recomendación incorporados en PDP suelen obtener el primer puesto en cuanto a generación de ingresos – un margen de 8% a 26% de los ingresos del sitio– y se les suele atribuir la mayor cantidad de participación en transacciones.
Son fundamentales a la hora de automatizar el contenido de un ecommerce, dado que mejoran exponencialmente la experiencia de navegación del usuario.
A continuación detallaremos qué función cumplen los algoritmos aplicables a PDP.
Productos similares:
Sugiere productos de la subcategoría a la cual pertenece el producto visualizado, ordenándolos a partir de un ranking actualizado.
Por ejemplo, si nos encontramos en la url de un toallón – ubicado en la subcategoría “toallas y toallones” (la cual se encuentra a su vez dentro de la categoría “baño”) – este carrusel entregará los productos más vistos de la subcategoría “toallas y toallones”. El ranking se actualiza cada 48 hs.
Tiene una tasa de conversión a ventas promedio de 7% .
Dentro de los carruseles de PDP, se encuentra en primer puesto en cuanto a la participación en transacciones.
Productos por comportamiento común
Sugiere productos basados en el comportamiento de usuarios con intereses en común. Este tipo de algoritmo es reconocido por el nombre “filtrado colaborativo”, identifica las similitudes de comportamiento entre usuarios, colecta permanentemente dicha información y a partir de la misma define los productos a ofrecer.
Por ejemplo, si nos encontramos en la url de un colchón de dos plazas con espuma este carrusel entregará los productos vistos previamente por usuarios que navegaron dicho colchón. Estos productos probablemente sean otros colchones de tamaño y propiedades similares, así como también acolchados o almohadas y otros productos vinculables.
Tiene una tasa de conversión a ventas promedio de 6%
Dentro de los carruseles de PDP, se encuentra en segundo puesto en cuanto a la participación en transacciones, siempre y cuando el motor de BDW haya contado con un margen mínimo de dos meses de acumulación de datos de navegación de los usuarios en el sitio.
Productos relacionados
Entrega los productos más vistos dentro de la categoría a la cual pertenece el producto visualizado, el ranking se actualiza cada 48 hs.
Por ejemplo, si nos encontramos en la url de un toallón – ubicado dentro de la categoría “baño” – este carrusel entregará los productos más vistos de la categoría “baño”. El ranking se actualiza cada 48 hs.
Dentro de los carruseles de PDP, se encuentra generalmente en el tercer puesto en cuanto a la participación en transacciones.
Productos complementarios
Sugiere productos complementarios que suelen comprarse junto al producto visualizado. Se realiza a partir del cruce entre categorías desde el panel de BDW.
Por ejemplo, si nos encontramos en la url de un toallón – ubicado en la subcategoría “toallas y toallones” – este carrusel entregará productos de la subcategoría “accesorios de baño”. El ranking se actualiza cada 24 hs.
Tiene un promedio de conversión a ventas de 8%.
Dentro de los carruseles de PDP, su puesto en cuanto a la participación en transacciones dependerá de la cantidad de cruces generados por el cliente desde el panel de BDW. Por lo general ocupa el cuarto puesto.
SECCIÓN CATÁLOGO DE PRODUCTO o GRILLA - PLP
Las grillas de producto (PLP – Product List Page) también ocupan un lugar protagónico en cuanto a la cantidad de sesiones recibidas. Los carruseles vigentes en esta sección ocupan el segundo puesto en cuanto a participación en las transacciones – un margen del 3% a 12% de los ingresos del sitio. Tiene una tasa de conversión a ventas promedio de 5%.
- Los más vistos de la categoría o subcategoría: Entrega los productos más vistos de la categoría visualizada
- Las mejores ofertas de la categoría o subcategoría Entrega los productos con mejores descuentos de la categoría visualizada.
Puede aplicar el criterio de ordenamiento de mayor a menor porcentaje de descuento o de menor a mayor precio.
SECCIÓN CHECKOUT
Las recomendaciones en esta sección cumplen con el objetivo de “complementar” la compra adaptándose automáticamente a los tipos de productos que hayan sido agregados al carro.
Generalmente cumplen la función de “línea de caja personalizada” ofreciendo productos relacionados a lo que está llevando el usuario. Los carruseles de recomendación de productos aquí tienen un enorme potencial, presentando una tasa de conversión a ventas promedio de 30%.
Se pueden incorporar los siguientes tipos de algoritmos.
- Productos complementarios: Sugiere productos complementarios que suelen comprarse junto al producto visualizado. Se realiza a partir del cruce entre categorías desde el panel de BDW. Por ejemplo, si el cliente agregó al carro una cortina de baño – ubicada en la subcategoría “baño” – este carrusel podría entregar productos de la subcategoría “toallas y toallones” o “accesorios de baño”. También pueden cruzarse categorías con colecciones/listados.
Tiene una tasa de conversión a ventas promedio de 40%.
- Productos por comportamiento común: Sugiere productos basados en el comportamiento de usuarios con intereses en común. Este tipo de algoritmo es reconocido por el nombre “filtrado colaborativo”, identifica las similitudes de comportamiento entre usuarios, colecta permanentemente dicha información y a partir de la misma define los productos a ofrecer. La regla aplicable en esta sección sería “quienes agregaron x producto también agregaron x producto”.
Tiene una tasa de conversión a ventas promedio de 20%.
SECIÓN HOME
Esta sección recibe menor cantidad de sesiones en un sitio de ecommerce en relación a las mencionadas anteriormente, exceptuando los períodos de eventos especiales*.
Se utiliza este espacio para destacar promociones específicas y para guiar al usuario recurrente. Los contenidos con mayor tasa de conversión aquí son los personalizados. El cliente que visita más de una vez la home tiene un interés particular en el contenido del sitio y su recorrido en la home representa no sólo un potencial en cuanto a la conversión a ventas sino también una oportunidad en cuanto al engagement.
*Durante los períodos de eventos especiales, cuando la home es utilizada como landing, los carruseles en home reciben mayor cantidad de visitas debido a diversos factores – promociones temporales específicas, pauta online, etc.
- Últimos productos navegados: Entrega los últimos productos visitados por el usuario. Se actualiza de forma permanente. Tiene una tasa de conversión a ventas de 17%
Su participación en las transacciones del sitio depende en gran parte de la visibilidad que se le otorgue, cuando se le brinda prioridad ocupa el 1er puesto dentro de los carruseles de Home. - Última categoría Navegada: Recomienda productos pertenecientes a la última categoría visitada por el usuario, suelen ser productos similares al último producto visualizado. Tiene un promedio de conversión a ventas de 15%
Su participación en las transacciones del sitio depende en gran parte de la visibilidad que se le otorgue, cuando se le brinda prioridad ocupa el 2do puesto dentro de los carruseles de Home. - Categorías recurrentes: Entrega productos de las categorías más visitadas por el usuario. Se actualiza de forma permanente y acumula el historial de comportamiento persistiendo datos a lo largo del tiempo.
Tiene un promedio de conversión a ventas de 5% - Últimos productos agregados: Entrega los últimos productos agregados al carro por el usuario.
Tiene un promedio de conversión a ventas de 10%. Basado en la última búsqueda del usuario: Sugiere productos relacionados al último término ingresado en el buscador. Tiene un promedio de conversión a ventas de 15%. - Más vistos del sitio: Recomienda los productos más vistos de todo el sitio, y se actualiza cada 48 hs.
Tiene un promedio de conversión a ventas de 3%. - Mejores ofertas de una categoría: Recomienda los productos con mejores descuentos de una categoría específica, mediante el ordenamiento de mayor a menor porcentaje de descuento o el de menor a mayor precio.
Los algoritmos de predicción y el gran impacto en los sitios de eCommerce
Los algoritmos de predicción y el gran impacto en el eCommerce
Como impactan la personalización y la Inteligencia Artificial en un Hotsale
Como impacta la personalización y la automatización de contenidos con reglas de negocio en un Hotsale
3 Factores determinantes para incorporar Braindw en un Evento Especial
- El tráfico se incrementa de manera considerable y el volumen de transacciones aumenta de manera significativa.
- Las datos de la navegación de los usuarios crece y se acumulan de manera exponencial abriendo un importante set de datos para generar segmentos y audiencias en tiempo real.
- Se da entonces un escenario ideal para promover recomendaciones basadas en algoritmos y reglas de negocios, que entregan productos asociados a las preferencias y conductas de navegación de los usuarios en un contexto de alta relevancia de datos dinámicos.
Cuales son los mayores beneficios de una plataforma de recomendaciones real time en un Hotsale
Cuando hablamos de eventos como un Cyber, un Hotsale, un Black friday, un Buen fin en México, hablamos de situaciones que tienen un altísimo tráfico y un alto nivel de carga de trabajo para los equipos a la hora de actualizar Landings y todas las piezas que las componen.
Sin una plataforma de automatización y reglas de negocios como BrainDW, la puesta en linea de estos eventos se transforman en situaciones críticas para los equipos de contenidos, comercial y marketing de cualquier sitio de comercio electrónico.
Resumiendo, mucho tiempo y recursos para la creación y actualización de estos sitios de eventos especiales
Una aplicación de personalización y automatización basada en reglas de negocio, como BrainDW es muy conveniente y eficiente en eventos especiales, ya que se nutre de los datos de navegación que va dejando el usuario en su recorrido (El journey del usuario) y dado que las reglas se alimentan de los algoritmos, estos son cada vez mas relevantes en cuanto a las recomendaciones en la medida que el volumen de tráfico es mas alto.
Por otro lado, la capacidad de generar y ordenar los contenidos de manera automatizada, adaptandose al perfil del usuario que visita el sitio, facilita y minimiza la importante carga de trabajo sobre los equipos a cargo de la producción y actualización de los contenidos del sitio, que tienen que alimentar intensamente de vitrinas y campañas de email al sitio durante estos eventos de manera manual.
Una herramienta util para saber que navegadores e interfases utilizan los usuarios
Aguarda unos segundos a que cargue el gráfico.Es una información valiosa que sabras valorar
ASOS lanza asistente digital para ayudar a los clientes a encontrar el tamaño correcto
ASOS lanza asistente digital para ayudar a los clientes a encontrar el tamaño correcto
Link a la nota original en Ingles, por Clare McDonald
El minorista de moda en línea ASOS ha lanzado un asistente basado en Inteligencia Artificial para ayudar a los consumidores a encontrar la talla correcta de ropa antes de hacer un pedido. La herramienta de dimensionamiento, denominada Fit Assistant, utilizará el aprendizaje automático para ofrecer a los consumidores recomendaciones de tamaño personalizadas para productos particulares basados en compras y devoluciones anteriores.
El minorista ha lanzado esta capacidad a nivel mundial como una herramienta integrada en la aplicación, y podrá darles a los clientes una idea más precisa de cómo se adaptará la ropa según los datos anteriores o según la altura, peso y preferencia de ajuste del cliente. ivermectin pour on pigs
Andy Berks, director de productos digitales de ASOS, dijo que el minorista almacena tantas marcas diferentes de ropa, entre 800 y 900 en total, que puede ser difícil para un cliente saber qué tamaño tienen en cada una de estas marcas.
«Queremos hacer todo lo posible para asegurarnos de que nuestros clientes obtengan el tamaño correcto, la primera vez», dijo. “Aquí es donde entra ASOS Fit Assistant: ahora podemos ofrecer recomendaciones de tamaño personalizadas en colecciones de ASOS, etiquetas exclusivas y favoritos de moda. En última instancia, estamos aquí para facilitar la vida de nuestros clientes, dándoles la confianza de comprar con nosotros y minimizando el riesgo de decepciones cuando llegue su paquete de ASOS «.
Los clientes se vuelven más volubles como resultado de la elección de los minoristas disponibles a través de las compras digitales, pero aunque es menos probable que sean leales, también se ven impulsados por características de minoristas particulares como la personalización, el servicio al cliente, la presencia en redes sociales y la velocidad de entrega.
Este comportamiento inconstante del consumidor es especialmente típico del mercado objetivo de ASOS, que son compradores digitales conscientes de la moda en sus 20 años. Berks dijo que la marca usa tecnología para resolver los problemas de los clientes y mejorar su servicio, atendiendo así a consumidores cada vez más digitales.
La tendencia al «descubrimiento» se está volviendo más común en las compras digitales, ya que el consumidor a menudo es bombardeado con opciones, por lo que necesita ayuda para encontrar los productos que mejor se adaptan a ellos, algo para lo que ASOS utiliza el aprendizaje automático para proporcionar a alrededor de 15 millones de clientes que navegan por su sitio .
En los últimos años, ASOS ha lanzado una serie de servicios de recomendación centrados en el uso del aprendizaje automático y la inteligencia artificial para mejorar la experiencia del cliente, incluidas características de personalización como Your Edit, que muestra los productos que cree que a un cliente le pueden gustar; Style Match, que muestra a los clientes productos similares a los que ya compraron o vieron; y carruseles seleccionados «También te puede gustar».
La firma también lanzó recientemente capacidades de compra por voz a través del Asistente de Google, lo que permite a los clientes usar comandos de voz para navegar por la guía de compras de IA de la marca Enki, creada originalmente como un chatbot de moda basado en Facebook. ivermectin paper
Como minorista en línea de pureplay, ASOS siempre ha sido «Digital First», y se considera a sí mismo una empresa de tecnología, utilizando tecnología de empresas como Oracle para respaldar su uso de datos en inteligencia artificial y las capacidades de aprendizaje automático. tab ivermectin 12 mg od uses in hindi
Cassandra llega a AWS (Amazon Web Services)
El CEO de AWS, Andy Jassy, anuncia el servicio Apache Cassandra administrado por AWS
Nota original en Ingles de SEAN MICHAEL KERNER
Me parece trascendente compartir con nuestra comunidad la noticia de la integración de Cassandra a la increible gama de servicios de Amazon Web Services. Para todos los que trabajamos con Inteligencia Online y algoritmos en tiempo real, nos representa una gran oportunidad acceder a esta nuevo servicio en la nube.
Los proveedores en el mercado de base de datos de código abierto Cassandra NoSQL expresan sus preocupaciones sobre la entrada de AWS en el campo, ya que el gigante de la nube busca expandir su cartera de bases de datos.
«El anuncio de AWS es una validación adicional del alcance y la creciente importancia de Cassandra«, dijo Jonathan Ellis, cofundador y CTO de DataStax, uno de los proveedores más grandes en el mercado de Cassandra. Agregó que en todas las industrias las empresas han visto grandes ganancias de sus inversiones en Cassandra, una base de datos de código abierto diseñada exclusivamente para satisfacer las necesidades de implementaciones híbridas y de múltiples nubes.
Como proyecto de código abierto, hay varios proveedores que tienen servicios comerciales para Cassandra. Con la incorporación de Cassandra, AWS ahora tiene el conjunto más completo de sistemas de administración de bases de datos (DBMS) en la nube, según Donald Feinberg, vicepresidente y analista distinguido de Gartner. En su opinión, Cassandra era el único DBMS faltante importante en la cartera de AWS antes del anuncio en la conferencia re: Invent 2019 este mes.
«No solo agregaron Cassandra, sino que es la única implementación de Cassandra sin servidor disponible en la nube. Esto hace que administrar un clúster de Cassandra sea tan sencillo de administrar», dijo Feinberg. «La parte más difícil de administrar Cassandra es el entorno de clúster múltiple y sin servidor se elimina ese obstáculo».
Apache Cassandra es un sistema de base de datos distribuida de código abierto que está diseñado para almacenar y administrar grandes cantidades de datos en servidores básicos. Cassandra puede servir tanto como un almacén de datos operativos en tiempo real para aplicaciones transaccionales en línea, como una base de datos de lectura intensiva para sistemas de inteligencia de negocios (BI) a gran escala.
Originalmente creado para Facebook, Cassandra está diseñado para tener nodos simétricos de igual a igual (Peer to Peer), en lugar de nodos principales o con nombre, para garantizar que nunca haya un solo punto de falla (SPoF). Cassandra divide automáticamente los datos en todos los nodos del clúster de la base de datos, pero el administrador tiene el poder de determinar qué datos se replicarán y cuántas copias se crearán.
Después de que Facebook abrió el código, Cassandra se convirtió en un proyecto Apache Incubator en 2008 y en un proyecto Apache de alto nivel en 2010. Al momento de escribir este artículo, las implementaciones de Cassandra incluyen Netflix, Digg, Adobe, Twitter, HP, IBM, Rackspace, Cisco y Reddit
El nombre Cassandra se inspiró en la hermosa vidente mística de la mitología griega cuyas predicciones para el futuro nunca se creyeron.
Debate sobre la arquitectura.
Instaclustr proporciona el servicios de Cassandra alojada y administrada como un servicio. Ben Slater, director de producto de la compañía, calificó la entrada de AWS como una validación para Apache Cassandra y dijo que espera ver un interés y crecimiento continuo en las ofertas de su compañía como resultado. Sin embargo, en su opinión, el servicio Apache Cassandra administrado por Amazon en realidad no se administra Cassandra, agregó.
«Es una versión patentada de AWS de una parte de la base de código de Apache Cassandra que se ejecuta como una capa de traducción sobre DynamoDB. El servicio solo es parcialmente compatible con Apache Cassandra«, dijo Slater.
Sin embargo AWS no está de acuerdo: según Herain Oberoi, gerente general de marketing de AWS para bases de datos, análisis y blockchain, Amazon Managed
Cassandra Service utiliza el código Apache Cassandra.
«Modificamos Apache Cassandra para permitirnos ejecutarlo como una oferta altamente escalable, sin servidor y administrada», dijo Oberoi.
Oberoi explicó que AWS creó Amazon DynamoDB con el solo objetivo de proporcionar a los clientes un servicio de base de datos NoSQL rápido y escalable. Dijo que cuando AWS creó Amazon Managed Cassandra Service, los clientes pedían cualidades similares en un servicio de base de datos compatible con Cassandra.
«Aprendimos mucho de nuestra experiencia operando DynamoDB, y pudimos aplicar ese conocimiento para construir un servicio de base de datos compatible con Cassandra altamente escalable y sin servidor, especialmente diseñado, pero los dos son diferentes», dijo Oberoi.
El enfoque sin servidor (Serverless) podría ser un gran impulso
ScyllaDB, otro jugador en el mercado de servicios Cassandra, recientemente actualizó su plataforma de base de datos homónima para mejorar el rendimiento. ScyllaDB crea su propia base de datos de código abierto, que es compatible con Apache Cassandra.
Dor Laor, CEO de ScyllaDB, destacó la capacidad «Serverless» como la parte más impresionante del servicio Apache Cassandra administrado por Amazon.
«El usuario no necesita aprovisionar ningún servidor, y es posible crear una tabla de inmediato», dijo Laor. «Un enfoque de servicio puro y la usabilidad son las fortalezas clave de AWS, y estoy seguro de que los usuarios que luchan con la complejidad de Cassandra lo apreciarán».
Aunque la nueva base de datos de AWS será una oferta que competirá con la que ofrece ScyllaDB, Laor dijo que lo ve como algo bueno. Dijo que espera que las capacidades de precio y rendimiento de ScyllaDB atraigan nuevos usuarios a medida que analizan las opciones disponibles en el mercado; él prevé que el servicio de AWS eleve los problemas que enfrentan los usuarios de Cassandra, trayendo más atención y aprecio a ScyllaDB.
Laor dijo que también anticipa muchos desafíos técnicos para el nuevo servicio de base de datos de AWS, incluida la compatibilidad con las implementaciones existentes de Cassandra.
«Obviamente, el objetivo del servicio es convertir a los usuarios de Cassandra en usuarios de Cassandra administrada por AWS, sin embargo, el servicio carece de varias características clave, desde múltiples regiones hasta vistas materializadas, contadores, limitaciones en el tamaño del objeto, etc.», dijo Laor. «Por supuesto, todo esto se puede resolver con el tiempo».
AWS reconoce que actualmente no tiene todas las funciones de Cassandra. Oberoi de AWS advirtió que el servicio Amazon Managed Cassandra está en versión preliminar y agregará características con el tiempo. Dicho esto, señaló que la mayoría de los clientes ya pueden usar y probar los servicios durante la vista previa, con pocas o ninguna modificación en su código de aplicación Cassandra existente.
«En el transcurso de la vista previa y en GA, continuaremos agregando funciones al Servicio Cassandra administrado por Amazon que ayudan a los clientes a ejecutar las cargas de trabajo de Cassandra en producción, como la replicación entre regiones», dijo Oberoi. «Creamos el servicio Amazon Managed Cassandra para proporcionar a los clientes un rendimiento de un solo dígito y milisegundos a cualquier escala, y como resultado tomamos la decisión de no agregar soporte para las características experimentales de Cassandra o las características específicas de Cassandra que los clientes nos han dicho que no escalen, no funcionan bien o tienen problemas de estabilidad, como funciones de agregadores, contadores y vistas materializadas «.
Las cinco variables para entender el Marketing de Precisión
LAS 5 VARIABLES DEL MARKETING DE PRECISIÓN
1. Conversacion y "Engagement"con el usuario
3. Ubicación y oportunidad del mensaje y la comunicación
2. Identificar los segmentos
4. Personalización y relevancia de los contenidos
5. Métricas y analítica web, medición del impacto
La primer variable en el Marketing de Precisión es construir el «Engagement» (traducido al español, compromiso, pero no es representativo del término en Ingles) con los usuario y crear las audiencias relevantes.
Tengo el cliente correcto para recibir nuestro mensaje o comunicación. A esto lo llamamos «Conversación con el cliente»
Cuando hablamos de conversación nos referimos a la agregación de todos los componentes del “engagement” del usuario digital con el sitio.
Por lo tanto es importante que entendamos si realmente estamos participando en una conversación relevante con el cliente, o si por el contrario le presentamos contenidos irrelevantes y los tapamos de correos “Bulk” de manera indiscriminada.
Sabemos que eso no es lo que queremos ni tenemos que hacer. No queremos que el sitio web este lleno de contenidos genéricos y sin criterios de personalización para el usuario, ni tampoco queremos habilitar campañas de email que lleguen a «correo no deseado» del cliente, pero si queremos tener grandes conversaciones con los clientes, tener la conversación relevante y eficiente es realmente importante. Así es como comenzamos a co-crear el compromiso del usuario digital (Engagement) y el Marketing de Precisión.
La segunda variable tiene que ver con la identificación de los Segmentos de Usuarios que esta intimamente relacionado con la creación de audiencias.
Esto es algo de lo que hablamos antes, pero es conveniente asegurarnos que los usuarios estén claramente definidos de una manera asertiva y coherente como parte de un segmento o perfil para así resonar más con el mensaje que les publicamos o enviamos. can you overdose a dog on ivermectin
La capacidad de crear audiencias nos permite detectar las preferencias del usuario a partir de los eventos.
¿Qué significa esto exactamente?
Significa que el punto de referencia para identificar determinados segmentos y generar las audiencias, sucede a partir de colectar la información que el usuario deja al hacer clicks en las distintas piezas (eventos). Esto es fundamental, ya que nos brinda la capacidad de llegar al usuario de manera inteligente y con contenido relevante y adaptado a su experiencia de navegación.
La tercera variable está relacionada con ubicación y tiempo, esto es de vital importancia ya que uno debe asegurarse que el mensaje llegue al canal correcto, en el lugar correcto y en el momento correcto, ya que por más que sea el mejor mensaje u oferta del mundo, sino cumple los 3 criterios, no tendrá la eficiencia deseada.
Ejemplo, si se publica un carrousel en la web con una oferta o promoción que no aplica a la ubicación real del usuario al momento de visitar el sitio, o si una campaña de email llega a las 2:00 AM, es muy probable que no tengan ni la calidad de conversación, ni la participación deseada.
La cuarta variable es la personalización, la mayoria de nosotros hemos experimentado la sensación de que el sitio que visitamos no representa nuestros intereses, hemos visto banners o carrouseles en la web o recibido correos electrónicos que no fueron personalizados, o sea, que no tuvieron relación con nuestra experiencia de navegación en el sitio, que fueron genéricos, poco relevantes y hasta molestos, así que cuando pensamos en experiencias agradables y fluidas de navegación del usuario, todo se reduce a la personalización y la relevancia. Cada usuario debe ser tratado como un individuo único de a millones y las herramientas de personalización ayudan a estar más cerca de ese objetivo. ivermectina tabletas 6 mg caja con 2 tabs
El último y quinto elemento a tener en cuenta para completar las 5 variables del marketing de precisión es la necesidad de medir el impacto y el uso de la analítica web.
Lo que queremos decir con esto es que después de haber realizado todo el trabajo arduo para interactuar con los usuarios, es necesario ver cómo funcionó y que necesitamos hacer para mejorar, debemos saberlo para que cada vez que se ejecute una campaña con nuevas reglas de negocios podamos comprender con anterioridad cuales son los KPI sobre los que se se pueda hacer una evaluación comparativa y decir: «Tenemos que mejorar» y probemos algunas cosas diferentes, por lo que medir el impacto y las métricas es algo realmente importante.
El uso adecuado de las aplicaciones de medición de métricas nos permite entender realmente lo que los clientes están haciendo y eso es fundamental para impulsar todo lo que deberían hacer. si podemos dominar estas cinco variables, entonces no será tan difícil hacer de la jornada de navegación del usuario algo relevante fluido y util.
¿ Qué es la Inteligencia Online (IO) y de que manera aporta soluciones y eficiencia al ecosistema del E-commerce ?
¿Que es la Inteligencia Online (IO)?
Una manera sencilla de entender la importancía de los datos y los contenidos automatizados
Estamos observando desde hace un par de años cómo va creciendo el conocimiento del concepto “Inteligencia Artificial” (IA o AI, Artificial intelligence en Ingles), pero son pocas las personas que han profundizado y han intentado entender su significado profundo. Es un concepto demasiado amplio, complejo y abarcativo a diversas disciplinas, y no representa exactamente lo que hacemos con nuestra plataforma.
En Braindw nos propusimos trabajar un concepto que define mejor como se aplica la inteligencia sobre Internet, «Inteligencia Online (IO)». En este post explicaré su significado que sintetiza las funcionalidades y características de nuestra plataforma de soluciones online en tiempo real
En un mundo donde todos corremos con el tiempo, es fundamental que los sitios presenten las mejores ofertas y oportunidades en el primer impacto visual con el usuario, sin quedar ocultas en tortuosos arboles de navegación con jerarquías infinitas y complejas, sobre todo desde dispositivo moviles. Es necesario capturar al visitante/potencial consumidor de un primer intento con contenido altamente relevante y preparado a su medida.
Hoy en día muchas empresas tienen que confiar en la selección manual de contenido para crear homepages, listar productos y/o artículos o landingpages. Braindw realiza el trabajo duro por el cliente gracias a un sistema automatizado e hiper-flexible y entrega en tiempo real contenidos que se generan dinámicamente.
La IO funciona a partir de una serie de reglas de negocio en tiempo real que disparan acciones a través de distintos formatos de contenidos online, como emails, banners y góndolas o vitrinas. Estas piezas se populan con productos con sus atributos comerciales, como precio descontado, ahorro, cucardas o imágenes que reflejan alguna oferta o promoción. Y todo esto, en tiempo real, lo que posibilita adaptar los mismos a los diferentes perfiles de usuarios.
Las 3 características principales de la plataforma de IO Braindw
- Automatización en la creación de piezas a nivel front-end y emails administrable vía panel en tiempo real
- Inteligencia para detectar audiencias en función de su comportamientos en el sitio
- Motor de Reglas que acciona la publicación de contenidos en base a las audiencias.
La automatización de piezas es una herramienta muy valiosa ya que permite liberar a las áreas de diseño y maquetación de tareas repetitivas y mecánicas, y utilizarlas en funciones de carácter mas estratégico y más enfocadas en aspectos del negocio y comerciales, permitiendoles ganar mucha eficiencia en los tiempos y capacidad de producción.
Lo que resuelve la automatización es el incremento en la velocidad de respuesta de las áreas de diseño y producción hacia las áreas comerciales y de marketing de las empresas, que por lo general ven frustradas sus necesidades de publicar promociónes, descuentos y ofertas ya que la demanda es diaria y creciente y los recursos de producción son limitados y escasos.
La inteligencia para detectar quien hace y que hace en tiempo real es una de las características fundamentales de una plataforma de Inteligencia Online como la de Braindw. Esto permite establecer qué piezas y contenidos vamos se le muestran a los usuarios en función de las reglas de negocio establecidas, que son las que terminan armando las audiencias.
Por ejemplo, detectar desde que dispositivo se conectan, desde que estado o provincia, si ya esta registrado con email o si tiene una carro de compras abandonado. Estas audiencias, por ejemplo:
- Todos los usuarios que acceden desde dispositivos móviles van a visualizar una UX diferente a los que acceden desde un Desktop o un Smart TV.
- Todos los usuarios que tengan un carro abandonado van a visualizar una góndola en la home con los productos del carro con las ofertas y precios actualizados.
- Todos los usuarios que hayan dejado un email, recibirán cada vez que regresen al sitio un email de Ofertas del Día , con las mejores Ofertas del sitio, que son automaticamente detectadas por Briandw
El Motor de Reglas es el que hace posible definir las variables sobre las que se parametrizan las distintas reglas de negocio con las que se crean las audiencias. Es el corazón de una plataforma de Inteligencia Online como Braindw.
Braindw utiliza datos contextuales, tales como clicks, geolocalización, sistemas operativos o dispositivos, entre otros, para presentar contenidos relevantes en cada categoría del sitio en formatos enriquecidos como vitrinas o gondolas con carrousel, email o video, tomando la información en tiempo real.
¿Cuáles son los mayores desafíos cuando se trata de personalización de contenidos?
¿Cuáles son los mayores desafíos cuando se trata de personalización de contenidos?
Cuando se trata de la experiencia del cliente (UX), la personalización es un aspecto fundamental para aumentar el «engagement» del usuario online.
El uso de datos e Inteligencia online para generar contenidos y anuncios digitales colabora en la creación de experiencias que son altamente relevantes para el usuario. La personalización no solo permite a los profesionales de marketing digital captar la atención del público objetivo (target), sino que además inspira al usuario generando la lealtad con una marca.
A pesar de que la personalización es un aspecto vital de UX, muchos profesionales de marketing (59%) no logran personalizar el contenido a la escala de la demanda dinámica y en tiempo real, siendo este el mayor obstáculo para lograr entregar contenidos en tiempo y forma de manera dinámica y aplicar las ventajas de conocer y capturar los datos de comportamiento de los usuarios. Es ahí donde se puede ver con claridad el beneficio de trabajar con una plataforma de Inteligencia Online y generación automatizada de contenidos en tiempo real.
En una reciente encuesta de Adobe se muestra que menos de la mitad de los encuestados dice que la personalización de los contenidos en su sitio web alcanza a cubrir la extensión de los beneficios que ofrece la inteligencia online a partir de datos en tiempo real.
Principales barreras para la personalización de contenidos y creatividad en publicidad digital.
Personalización de contenidos, Braindw
Un tercio (33%) de los encuestados destacó que el tiempo en la generación de piezas para un sitio es el mayor obstáculo cuando se trata de la personalización de contenidos y la publicidad digital en tiempo real basados en reglas de negocios. Muchos también destacaron que era la segunda (11%) o tercera (9%) barrera.
No es de extrañar que el consumo de tiempo cause tantos problemas, ya que la encuesta también reveló que, en promedio, se necesitan 17 horas para crear un anuncio con contenido personalizado o un fragmento de contenido de formato breve. Es aquí donde se aprecia el aporte de la plataforma de Inteligencia Online y Automatización de contenidos Braindw
La razón principal detrás de la necesidad de estos grandes periodos de tiempo para generar contenidos en tiempo real es que se requieren muchas variaciones para una sola pieza de contenido personalizado. Es necesario crear variaciones para diferentes segmentos, campañas o reglas de negocio. Esto puede significar que se necesita un promedio de 12 días para lanzar una sola pieza de contenido que contenga todas las variables posibles en función de la audiencia que visita el sitio. Imposible llevarlo adelante si no contamos con una plataforma de automatización de contenidos en tiempo real.
Un hallazgo adicional del estudio reveló que menos de un tercio de los encuestados diría que la entrega y la creación de contenido están bien coordinadas, lo que podría agregar un factor adicional a los problemas de tiempos y recursos para conseguir la personalización de contenidos. Este hallazgo se deriva de un estudio de Wrike que reveló que los creativos se enfrentan a una serie de desafíos en lo que respecta a la colaboración.
Fuente artículo: Smartly insights: «What are the biggest challenges when it comes to personalization?», Joanna Carter
Fuente: Adobe a través de gráficos de marketing.
Tamaño de la muestra: 1.037 profesionales creativos, de marketing, publicidad e informática.
