Afinitas & Kesamaan mengubah keranjang dan perilaku nyata menjadi kesamaan yang dapat Anda tindak lanjuti.
Sebuah sub-komponen dari lapisan abstraksi yang menjawab pertanyaan berbeda dari grafik hubungan: bukan siapa yang terhubung dengan siapa, tetapi apa yang menyerupai apa. Komponen ini menghitung tiga jenis kesamaan statistik, semuanya dari data nyata. Kesamaan produk ke produk berasal dari keranjang belanja nyata — produk mana yang muncul bersamaan dalam pesanan yang sama (membeli X, juga membeli Y). Afinitas kategori per anggota menangkap kategori mana yang menjadi kecenderungan setiap anggota, dari riwayat pembelian dan penelusuran mereka sendiri. Dan kesamaan anggota dan tag — kemiripan — mengelompokkan anggota yang tag dan perilakunya saling menyerupai, sehingga audiens yang terbukti dapat diperluas ke orang-orang yang benar-benar mirip dengan mereka. Tidak ada yang dibuat-buat: setiap skor berasal dari pesanan dan perilaku yang diamati, dan tidak pernah melanggar batasan identitas atau privasi untuk mencapainya.
Mendapatkan kesamaan statistik dari data nyata — produk mana yang dibeli bersama, kategori mana yang cenderung dipilih anggota, dan anggota mana yang terlihat mirip — sehingga rekomendasi dan perluasan kemiripan didasarkan pada pola nyata, bukan popularitas.
Kesamaan, yang berasal dari data nyata — bukan popularitas dan bukan tebakan.
Rekomendasi dan perluasan audiens hanya sebaik kesamaan di baliknya. Lapisan ini menghitung kesamaan tersebut dari apa yang sebenarnya terjadi — keranjang belanja nyata, kecenderungan kategori nyata, kemiripan profil nyata — dan menyerahkannya ke ontologi dan mesin rekomendasi sebagai keluaran yang diatur, sehingga setiap jawaban 'mirip dengan' didasarkan dan dapat direproduksi.
- Sering dibeli bersama
- Terkadang dibeli bersama
- Produk utama
- Produk serupa
Tiga jenis kesamaan, semuanya dari data nyata
Kesamaan di sini selalu menjawab 'apa yang menyerupai apa', dan selalu berasal dari pesanan dan perilaku yang diamati — tidak pernah dibuat-buat, dan tidak pernah dengan melanggar batasan identitas atau privasi.
- Produk ke produk — pembelian bersama dari keranjang belanja nyata: produk mana yang muncul bersamaan dalam pesanan yang sama (membeli X, juga membeli Y), diubah menjadi kesamaan produk.
- Afinitas kategori per anggota — kategori mana yang menjadi kecenderungan anggota, dihitung dari riwayat pembelian dan penelusuran mereka sendiri, bukan rata-rata di seluruh toko.
- Kesamaan anggota dan tag (mirip) — anggota yang tag dan perilakunya menyerupai satu sama lain, sehingga audiens awal yang terbukti dapat diperluas ke orang-orang yang benar-benar mirip dengan mereka.
Apa yang dapat Anda hitung berdasarkan kesamaan
Setelah kesamaan terwujud sebagai keluaran yang diatur, itu menjadi sesuatu yang dapat dibaca oleh permukaan rekomendasi dan Agen — jawaban yang sama setiap saat.
- Produk terbaik berikutnya — didasarkan pada pola pembelian bersama dan kategori anggota yang sebenarnya, bukan popularitas generik.
- Ekspansi serupa — kembangkan audiens berkinerja tinggi dengan kemiripan dengan profil nyata, bukan dengan kelompok demografis yang luas.
- Jawaban 'mirip dengan' yang konsisten — mesin rekomendasi, audiens kampanye, dan langkah penalaran Agen semuanya membaca satu kesamaan yang diatur, sehingga mereka setuju.
Kesamaan vs. grafik hubungan
Lapisan ini adalah saudara dari grafik hubungan, dan perbedaannya penting: kesamaan adalah kemiripan statistik (terlihat mirip, dibeli serupa), sedangkan grafik hubungan adalah hubungan sosial yang eksplisit (rujukan yang dikonversi sebenarnya atau rumah tangga yang mungkin). Keduanya saling melengkapi dan dibaca bersama — tidak pernah digabungkan.
- Kesamaan menjawab 'apa yang menyerupai apa' — produk yang dibeli serupa, anggota yang terlihat serupa — dari pola dalam data.
- Grafik hubungan menjawab 'siapa terhubung dengan siapa' — hubungan nyata, rujukan yang dikonversi, duta, dan hubungan rumah tangga.
- Agen menggunakan keduanya: memilih permainan berdasarkan peran struktural dari grafik, dan memilih produk yang tepat atau audiens serupa berdasarkan kemiripan.
Mesin rekomendasi adalah konsumen utama lapisan ini: ia mempersonalisasi berdasarkan afinitas setiap anggota di seluruh email, situs Anda sendiri, dan aplikasi apa pun melalui API, dengan fallback tren untuk pengunjung pertama kali sehingga slot tidak pernah kosong.
Inilah cara lapisan ini meningkatkan keputusan AI.
Tanpa model kesamaan, rekomendasi kembali ke popularitas di seluruh toko dan perluasan audiens kembali ke demografi luas — keduanya buta terhadap apa yang sebenarnya dibeli dan ditiru oleh anggota tertentu. Kesamaan dihitung ulang secara ad hoc di setiap alat, sehingga jawaban 'mirip dengan' yang digunakan kampanye tidak sesuai dengan yang disajikan oleh mesin rekomendasi, dan keduanya tidak didasarkan pada keranjang belanja nyata atau kemiripan profil nyata.
Pilihan produk terbaik berikutnya didukung oleh pembelian bersama atau pola kategori nyata, bukan popularitas di seluruh toko.
Anggota melihat rekomendasi yang mencerminkan kategori yang sebenarnya mereka sukai, bukan kategori pembeli rata-rata.
Audiens yang terbukti dapat diperluas ke sekumpulan anggota serupa yang tag dan perilakunya benar-benar menyerupainya, alih-alih tebakan demografis yang luas.
Jawaban 'mirip dengan' yang digunakan kampanye dan yang disajikan oleh mesin rekomendasi berasal dari keluaran model yang diatur yang sama.
Nilainya bersifat operasional, bukan hanya teknis.
Agen mendapatkan produk terbaik berikutnya yang didasarkan pada pembelian bersama atau pola kategori nyata, bukan popularitas di seluruh toko, dan perluasan serupa yang didasarkan pada kemiripan profil nyata, bukan tebakan demografis. Karena kesamaan adalah keluaran model yang diatur, bukan komputasi ad-hoc, jawaban 'mirip dengan' yang sama dapat direproduksi di mana pun dibaca — permukaan rekomendasi, audiens kampanye, atau langkah penalaran Agen.
Menghitung kesamaan produk ke produk dari keranjang belanja nyata — pasangan pembelian bersama (membeli X, juga membeli Y), bukan produk terlaris generik.
Mendapatkan afinitas kategori per anggota dari riwayat pembelian dan penelusuran masing-masing anggota, sehingga produk terbaik berikutnya mencerminkan apa yang sebenarnya mereka sukai.
Membangun kesamaan anggota dan tag (orang yang mirip) dari tag dan perilaku, sehingga audiens yang terbukti dapat diperluas ke orang-orang yang benar-benar serupa.
Menjaga setiap kesamaan sebagai keluaran model yang diatur dan diwujudkan, sehingga jawaban 'mirip dengan' yang sama dibaca secara konsisten daripada dihitung ulang di tempat.
Mendasarkan ketiga hal tersebut pada data yang diamati dan tetap berada dalam batasan identitas dan privasi — kesamaan disimpulkan dari apa yang terjadi, bukan dibuat-buat.
Apa yang menjadi tanggung jawab lapisan ini
Membaca baris pesanan terperinci dari toko mentah dan menghitung kemunculan bersama produk — seberapa sering dua produk muncul dalam keranjang yang sama — sebagai kesamaan produk ke produk.
Menggabungkan riwayat pembelian dan penelusuran setiap anggota ke dalam afinitas kategori per anggota, yang menyatakan kategori mana yang mereka sukai.
Menghitung kemiripan antar anggota dari tag profil dan perilaku, sehingga audiens awal dapat diperluas ke kumpulan lookalike yang menyerupainya.
Mewujudkan output kesamaan sebagai hasil model yang diatur dan mengeksposnya ke ontologi dan permukaan rekomendasi, sehingga dibaca daripada diturunkan kembali per panggilan.
Tetap melengkapi grafik hubungan: lapisan ini memodelkan kemiripan statistik, sementara grafik hubungan memodelkan ikatan sosial yang eksplisit dan dikonversi — keduanya dibaca bersama, tidak pernah digabungkan.