GCP产品快讯 | 智能分析参考模式让您更了解您的客户

文：Bruno Aziza；Director, Outbound Product Management   。    Anita Kibunguchy；Product Marketing Manager, Google Cloud。

翻译/编辑：云上马可君

---

现在社会，所有被使用的技术发展过程中，唯有变化是一成不变的。

2020年是非常玄幻的一年，疫情的发生，各个行业都受到了不同程度的冲击，所带来的挑战与不确定性也前所未有，即使大家所认为较为稳健的IT行业也深受影响。随之而来的隔离封锁政策在很大程度上进一步加速了消费者的行为变化，实体店与线上购物的竞争可能在近几年已经如火如荼，那么2020年则可能就是竞争最为激烈的一年。消费者的迅速转向，不仅带来流量的大量涌现及需求激增，同时消费者对于线上购物的期望值也在发生变化，根据Catalyst和Kantar research的数据，66%的在线购买者基于便利性选择零售商，而只有47%的人基于价格选择零售商。

因此，零售商目前面对的主要压力是数字化，如何满足消费者的期望。

 

数字化并不是一件非常艰难的事情，无需为此感动压力巨大。

数字化的好处在于，可以帮助零售商更了解消费者，甚至对消费者的购买行为进行分析预测，从而进一步满足消费者的期望。深入的数据驱动见解对于确保准确满足客户需求和偏好至关重要。

为了更容易地对待服务客户以获得更好的推荐，谷歌云最近引入了Smart Analytics参考模式，这是一种技术参考指南，其中包含谷歌云常见分析用例的示例代码，包括预测客户的终身价值、购买倾向、产品推荐系统以及更多。在对许多客户的了解后得知，零售商可能会需要一种简单的方法来将分析工具付诸实践，而这里有一些常见的用例。

了解产品推荐系统

产品推荐系统是了解顾客行为的重要工具。它们旨在为特定用户想要购买或参与的项目或内容生成并提供建议。例如，推荐系统在产品和用户之间创建一组高级的复杂连接，并对这些连接进行比较和排序，以便在客户浏览您的网站时推荐产品或服务。一个完善的推荐系统将帮助您改善您的消费者在网站上的体验，从而更好地获得和留住客户。这些系统可以显著提高销售、收入、点击率、转化率和其他重要指标，因为个性化用户的偏好会产生积极的效果，进而转化为客户满意度、忠诚度，甚至品牌亲和力。您可以利用这些参考模式快速开始为客户提供服务，而不是每次从头开始构建和重新设计轮子。

需要强调的是，推荐系统并不是新的，您可以在内部或从任何云提供商构建自己的系统。Google云处理大量结构化和非结构化数据的独特能力，再加上GCP在机器学习和人工智能方面的先进能力，为零售商提供了一套强大的产品和解决方案，以便在整个业务中发挥作用。

在实际案例中使用参考模式

在这个参考模式中，您将逐步学习如何使用bigqueryml（又称BigQu-erie-ML）构建推荐系统) 从BigQuery中的客户数据生成产品或服务建议。然后，学习如何通过将数据导出到Google Analytics 360或云存储，或以编程方式从BigQuery表中读取数据，使这些数据对其他生产系统可用。使用bigqueryml的关键优势在于，您可以使用BigQuery中已经存储的数据来构建机器学习模型。此外，简化推荐系统最终可以节省您的时间和金钱。同一个人现在可以分析数据，也可以使用BigQuery ML在BigQuery中训练和部署模型，您不再需要一个数据工程师来从BigQuery中导出数据。

您还可以看到本分步指南，它探讨了电子商务推荐系统，以及在这个笔记本环境中帮助您完成在组织中构建这样一个系统的整个过程。您将学习如何：

• 将样本数据处理成适合训练矩阵分解模型的格式。
• 创建、训练和部署矩阵分解模型。
• 从已部署的模型中预测客户最可能感兴趣的产品。
• 将预测数据从BigQuery导出到Google Analytics 360云存储，或通过编程方式从BigQuery表中读取数据。

如何使用BigQuery ML构建和部署推荐系统（需要在特殊的网络环境中访问）
https://www.youtube.com/watch?v=sEx8RwvT_-8&feature=youtu.be

 

Smart Analytics参考模式旨在减少实现分析用例的价值评估时间，并帮助您快速实施。首先，请查看现有的参考模式，然后选择最适合您需要的参考模式。

Smart Analytics参考模式（需要在特殊的网络环境中访问）
https://cloud.google.com/solutions/smart-analytics/reference-patterns/overview

 

编译自：All treats, no tricks with product recommendation reference patterns