圖片來源: 

Appier

隨著疫情升溫,許多零售、餐飲業者開始聚焦線上行銷,來提高買氣。披薩大老必勝客Pizza Hut早在去年,就開始加強線上通路布局,昨(30日)也揭露了自家官網促購方法,透過機器學習和深度學習模型,來分析顧客進入官網的瀏覽軌跡、找出猶豫客,再推送限時折價券,提高了15%的網站訂單成交率。

負責Pizza Hut在臺經營的富利餐飲數位營運部電子商務經理黃政枚指出,Pizza Hut自2006年推出網路下單服務以來,網路就成為訂單主要來源,占了6成多,這幾更持續優化網路下單流程、到5個步驟完成,來提高使用者體驗。但即便如此,Pizza Hut從官網進站到下單的轉換率難以提升,就算對上站顧客人人大送折價券,也無法增加獲利。

AI模型觀察顧客瀏覽軌跡來打分數,找出游移不決的猶豫客

為了改善顧客下訂情況,Pizza Hut去年底,找上臺灣一家AI新創Appier,斥資導入促購AI解決方案AiDeal,透過客製化AI模型,可以進一步追蹤消費者瀏覽軌跡,鎖定特定族群,來推送優惠券。Pizza Hut也是早期導入的餐飲業者。

AiDeal包含一個AI引擎,透過在企業官網嵌入的程式碼,來追蹤消費者進入官網後的即時瀏覽軌跡,可在0.05秒內追蹤200種參數,像是網頁瀏覽數、停留時間、點擊、頁面滾動、滑鼠移動軌跡等,透過行動裝置瀏覽行動版網頁或使用滑鼠的電腦版環境都能追蹤。Appier指出,不會記錄任何與個資相關的資訊。

Appier首席機器學習科學家林守德表示,為了客製AI模型,先依據導入企業的需求,來定義費者類型,例如Pizza Hut分為一定會購物的立即購物型消費者、不會購物的純瀏覽者,以及來回徘徊的猶豫客。接著,再利用AI判斷瀏覽行為,即時判斷每一個瀏覽者,屬於哪一種客群,他解釋,猶豫者的瀏覽特徵,像是在不同產品的視窗來回切換,或是滑鼠在產品頁面上下游移、滑鼠在視窗的路徑呈圓圈或不規則路線,以及滑鼠在特定產品名稱上移動等。

不過,由於猶豫客特徵難以貼標,Appier採弱監督式學習(Weakly-supervised learning)和半監督式學習(Semi-supervised learning)來訓練客群分類模型。

4步驟促進猶豫客買氣,也提高交易數

在Pizza Hut的專案上,先蒐集了1至2周的官網消費者瀏覽行為,再透過演算法來對這些行為,即時給出每個行為對應的猶豫分數,分數越高表示猶豫程度越高。

再來,機器學習模型會根據這些資料,來分析消費者傾向,來建立一個分辨三大類型客群的判斷模型。不過,還是得透過人工進一步縮小猶豫客的範圍,比如鎖定從未購買的消費者、流失用戶,或是排除特定用戶等;之後,就可以用來鎖定最可能購買猶豫型消費者進行促銷活動。最後,Pizza Hut和導入顧問討論後,將目標猶豫客群定義為客單價介於500至999元的消費者。

接著是第三步,進行A/B測試,來預測猶豫客的轉換數。AiDeal會將猶豫客分為兩組,對其中一組自動發送滿500元折50元的折價券,且要在30分鐘內使用。結果發現,兩組人中,收到折價券的消費者的訂單數提高了17%,下單時間也縮短了。驗證過模型成效後,就可以正式上線。

不過,正式上線沒多久,Pizza Hut發現,在電腦版官網的下單狀況來說,剛上線時,下單轉換率雖有增加,但幾天後就開始趨緩了(如下圖)。

黃政枚表示,當時考慮,既然已完成機器學習模型的訓練,決定重新設計折價券的Banner設計,讓消費者一眼就看到優惠。改用新設計後,「轉換率開始急起直上。」

這套系統也提供了後臺管理介面,她指出,可用來隨時查看電腦版和行動版官網的轉換率,或是周間與周末的營運狀況。「現在,Pizza Hut開始嘗試不同組合,像是滿1,000元送100元的限時折價券,來觀察官網下單表現,」她表示,未來甚至也考慮下單送產品的策略,來拓展更多AI線上銷售應用。文◎王若樸

 
 
 
 


Advertisement

更多 iThome相關內容