Elektronik perakendecilikte ürün sıralama stratejileri

Ürün önerme, bir elektronik perakendecinin en kritik işlevlerinden biridir. Platformlar, tüketicileri için daha alakalı ve kişiselleştirilmiş ürünler sunarak satışlarını artırmak ister. İstenilen özelliklere sahip ürün, kategori sayfalarında alt sıralarda önerilirse müşteri kendisine en uygun ürünü bulamayabilir. Ürünleri, müşterilerin satın alabilecekleri daha yüksek sıralarda göstermek kritik bir geliştirmedir. Burada ürünün hangi sırada gösterilmiş olduğu ve örneğin fiyat, marka, renk, boyut vb. beklentileri nasıl karşıladığı önemlidir. Bu motivasyonla; elektronik parekendede satılan ürünler için sıralama öğrenmeyi tasarlamaya yönelik formel bir strateji çerçevesi tanımlandı. İlk olarak, popülerlik tabanlı sıralama algoritması en basit yaklaşım olarak önerilmiştir. Model tabanlı doğrusal yaklaşımlar olarak doğrusal lojistik ve çok terimli tercih modeli önerilmiştir. Yüksek ürün çeşitliliği ve çeşitli tüketici profilleri nedeniyle çok terimli tercih modelleri logit elektronik perakende verilerinde hesaplama problemleri yaratabilir ve iyi performans göstermeyebilir. Bu engellerin üstesinden gelmek için doğrusal ikili yöntem, model tabanlı doğrusal sıralama yöntemi olarak uygulanır. Gerçek elektronik perakende veri kümeleri genellikle doğrusal olmayan örnekler içerir; Gradyan artırma, ağaç öğrenmesini kullanan model tabanlı doğrusal olmayan yaklaşım olarak kabul edilir. Popülerlik tabanlı, linear resgresyon, doğrusal ikili yöntem ve gradyan artırma modelleri sentetik ve gerçek veri setlerinde uygulanmıştır. Sentetik veri setinde gradyan artırma ve popülariteye dayalı yöntemlerle inşa edilen modellerin, diğer yöntemlerden daha iyi bir sıralama performansı göstermiştir. Gradyan artırma yöntemi, gerçek elektronik perakende veri seti için en yüksek sıralama performansını sunar.