Sökmotorn
I Grunden fungerar FAST ESP så att en söksträng med ett eller flera ord (parametrar) skickas in i FAST ESP och ett antal artiklar returneras till en sida. Vilka artiklar som returneras och vilken som skall ligga överst i denna artikellista styrs av avancerade och av kunden konfigurerbar regler som kan hantera sådant som synonymer, stavningskontroll, grammatik och andra typer av relevanshantering. Indata till en sökning kan också komma från det data som för tillfället visas på sidan, t ex. kan visningen av en särskild artikel starta flera automatiska sökningar så att t ex. liknande artiklar, andra artiklar av samma tillverkare listas i olika delar av sidan.
FAST ESP används idag av många världsledande e-handelsajter t ex. dessa två:
www.bestbuy.com
www.dell.com
www.nordstrom.com
I Sverige:
www.norstedtsord.se
Kundexempel
Genom att surfa och söka på dessa kan vi få en liten inblick i vad som går att göra med FAST ESP. Viktiga generella egenskaper med FAST ESP är:
-
Snabba söksvar.
-
Språkhantering på 72 språk.
-
Webbgränssnitt för att kunden själv skall kunna administrera alla funktioner.
-
Linjärt skalbart för att hantera mycket stora och hårt belastade sajter.
-
Automatiskt och i realtid skapade navigatorer (filter).
-
Automatiska topplistor.
-
Rekommendationer till enskilda kunder skapade i realtid.
Språkhantering
För att sökning och rekommendationer skall fungera på ett bra sätt så är FAST ESP utrustat med avancerade funktioner för språkhantering. Det är mycket viktigt inte bara vid en sökning utan och när vi skall generera rekommendationer. En sökning skall naturligtvis kunna ge samma svar om kunden söker på Bil, Bilarna eller Bilar Samma artiklar skall naturligtvis kunna visas om det är det man önskar.
Exempel på funktioner i FAST ESP:
- Språkdetektion , är texten på Svenska, Engelska, tyska osv.
- Lemmatization (ett och samma Sök på alla grammatiska varianter av ett sökord)
- Synonymer till ord
- Egendefinierade synonymer som t ex. Ipod blir MP3-spelare på www.dell.com "
- Phrase Detection (”Stockholm Open” är ett uttryck och inte bara två separata ord) Stavningskontroll
Rekommendationer
Ett bra system för rekommendationer kan göra stor skillnad för en Onlinebutik. När en besökare vet exakt vilken artikel hon letar efter så söker hon efter denna och är enligt mångas erfarenhet sällan mottaglig för några rekommendationer. Men när besökaren inte söker efter något specifikt, hon ”surfar runt” på sajten, så är mottagligheten mycket större. Det är i detta surfande som det finns ett gyllene tillfälle för ett rekommendationssystem. Under surfandet är besökaren mycket mera nyfiken och mottaglig för intressanta och riktade förslag som presenteras på sidan. Om rekommendationen är tillräckligt inressant så ökar sannolikheten för ett köp.
Så om Webbsajten kan erbjuda bra och personliga rekommendationer kommer andelen genomförda köp att öka. Hur stor denna ökning är kan diskuteras, men värden mellan 5 och 20 % nämns i olika sammanhang. Det är uppenbarligen inte ett lätt problem att lösa, men incitamentet för att skapa en lösning är ganska stort. Sätten att angripa problemet kan grovt delas in i följande kategorier:
1. Personliga rekommendationer som bygger på besökaren. Orderstatistik, intresseområden, geografiska och demografiska data om kunden .
2. Sociala rekommendationer – baserat på beteendet hos andra besökare som liknar besökaren. Andra som köpt denna köpte också, kunder med samma geografiska och demografiska egenskaper
3. Artikelrekommendationer som bygger på artikeln som visas. Fler artiklar från samma tillverkare, Topplistor, Igår i en serie.
4. Kombinationer av dessa tre.
Generellt kan man säga att alla listningar av artiklar på en sajt kan betraktas som rekommendationer även om listan inte fått rubriken ”rekommendation”. På alla ställen där listning av artiklar förekommer kommer denna listning att baseras på kundens beteende just nu: Tittar på en artikel, kundens historik, eller om kundens köpt liknande artiklar. På andra ställen kan vi presentera listan som just ”rekommendationer”. Följande lista visar exempel på hur regler (Rekommendationsalgoritmer) kan se ut:
- Artiklar som vanligtvis köps ihop med artiklar jag köpt
- Hur populär artikleln är allmänt (antal sålda)
- Artiklar i kategorier som jag köper ofta
- Hur ny artikeln är
- Fler artiklar av samma tillverkare
- Topplistor på populära artiklar
- Exkludera artiklar som inte finns i de kategorier jag vill ha rekommendationer för
- Exkludera artiklar jag köpt Exkludera artiklar jag markerat med 'ej intresserad
