一份來自數據情報公司Jumpshot的報告發現,亞馬遜上的消費者產品搜索比谷歌更多。此外,據Jumpshot稱,亞馬遜90%的產品瀏覽量來自該公司的有機網站搜索,而不是廣告或外部渠道。
因此,考慮到賣家優化亞馬遜搜索引擎A9算法的重要性,了解排名因素是值得嘗試的。
據廣泛報道,亞馬遜搜索引擎的目標是根據銷售潛力對產品進行排名。許多因素可以影響銷售,如價格、評論和產品頁面的文案,在這些領域表現出色的產品會獲得更好的排名。
事實上,賣家很難確定這些因素的相對重要性,尤其是在亞馬遜沒有披露這些影響因素的情況下。
瀏覽亞馬遜各種產品的熱銷榜時可以發現,在許多關鍵類別中,比如“Electronics電子產品”和“Automotive汽車”,熱銷產品通常擁有最多的評論,或者幾乎是最多的評論。
產品評論的數量是否可以代表產品的銷售和排名?可以確定的是,買家在留評之前購買了產品。
機器學習可以做的不僅僅是生成預測。機器學習的一個鮮為人知的用途是創建模型,然后測試(在某些情況下)哪些特征對進行預測最重要。
本文將通過以下步驟教你使用該方法。
1、準備一個機器學習源文件,包含亞馬遜熱銷產品信息,包括評論;
2、使用谷歌的自然語言API通過評論情感分析來擴充這個源文件;
3、上傳這個文件到BigML(一個機器學習工具);
4、生成深度神經網絡模型(即,模擬人腦識別模式)來預測數據集中評論的數量;
5、回顧對模型預測影響最大的特性。這些是獲得更多評論和銷售重要的因素。
在亞馬遜智能工具JungleScout可以找到2017年第四季度的熱銷產品清單。這份清單包括了大約10000種不同類別的產品。本文關注的是“Automotive”這個類別的示例。
數據集包含15列,比如亞馬遜標準標識號(ASIN)、產品子類別和產品名稱。以下是列的完整列表。
●gl_product_group_desc
●Subcategory
●asin
●upc1
●item_name
●merchant_brand_name
●customer_average_review_rating
●customer_review_count
●has_fba_offer
●has_retail_offer
●total_offers
●min_price
●max_price
●min_3p_price
●max_3p_price
你還可以提取產品評論文本,并使用它來計算評論的情緒(評論的褒貶),以防它們具有預測性。加州大學圣地亞哥分校計算機科學助理教授Julian McAuley編寫了亞馬遜評論文本。我們從他的網站上下載了automotive評論以供測試。
該數據集有9列:
●asin
●helpful
●overall
●reviewText
●reviewTime
●reviewerID
●reviewerName
●summary
●unixReviewTime
合并這兩個數據集,它們提供了許多潛在的預測因素,如下所示:
●reviewerID
●asin
●reviewerName
●helpful
●reviewText
●overall
●summary
●unixReviewTime
●reviewTime
●gl_product_group_desc
●Subcategory
●upc1
●item_name
●merchant_brand_name
●customer_average_review_rating
●customer_review_count
●has_fba_offer
●has_retail_offer
●total_offers
●min_price
●max_price
●min_3p_price
●max_3p_price
接下來,你可以試著捕捉評論的情緒。
谷歌的自然語言處理API可以為你提供幫助,它可以處理評論文本并捕獲4個額外的字段:Clearly Positive(明顯積極)、 Clearly Negative(明顯消極)、Neutral(中性)的Mixed(混合)。
每個字段都包含一個“document score(文檔得分)”、“magnitude per document(每個文檔的大小)”和“highest-scoring sentence(得分最高的句子)”。
在這種情況下,谷歌自然語言處理API可以識別亞馬遜文本評論背后消費者的情緒。
亞馬遜也提供了一個產品評級(1星到5星),該數據集中有這個評級。我們可以看看更細致的分析,是否能為你提供更多的預測因素。
以下是產品B00GG9FB8U的示例文檔和評論情緒。
{'asin': 'B00GG9FB8U',
'best_sentence_magnitude': 0.8,
'best_sentence_score': 0.8,
'document_magnitude': 7.3,
'document_score': 0.1}
在向數據集添加了情緒之后,我們可以了解哪些因素是最具預測性的。
將源文件上傳到前面提到的機器學習工具BigML。
選擇customer_reviews_count作為預測目標,選擇深度神經網絡作為要構建的機器學習模型類型。
BigML搜索了128個模型組合,以找到最佳性能。
以下是按順序排列的結果——銷售的首要預測指標。
1.Subcategory(子類別)——86.73%
2.Field1 (產品編碼)——9.6%
3.Item_name(產品名稱)——3.49%
4.Total_offers(總價格)——0.06%
5.Upc1——0.04%
6.Customer_average_review_rating(客戶評級)——0.03%
7.Max_price(最高價格)——0.02%
8.Min_price(最低價格)——0.01%
令人驚訝的是,評論的情緒沒有任何影響,評級(Customer_average_review_rating)和價格( Max-price與Min_price)幾乎沒有預測效果。
根據使用BigML進行的機器學習分析,亞馬遜上的產品類別是預測銷售額的最佳指標。
產品類別和產品名稱的選擇可能會產生重大影響,因為一些產品和類別本來就很受歡迎,有很強的需求。同樣,產品的數量也預示著整體銷售的變化。
亞馬遜A9算法是一個神秘的存在。它是如何運作的?與它相關的因素有哪些?A9算法是如何影響排名的?【點擊此處】進入亞馬遜雨果平臺專區,探索A9算法的奧秘!
(來源:跨境峰哥)
以上內容屬作者個人觀點,不代表雨果網立場!本文經原作者獨家授權供稿,轉載需經雨果網授權同意。