ár-összehasonlító motorok hang nagyon egyszerű papíron és ugyanilyen nehéz megvalósítani a gyakorlatban. A megbízható, hatékony és skálázható árinformációs motorok kifejlesztése két nagy kihívás kezelését igényli:
- nagy léptékű adatösszesítés
- ML/AI alapú normalizálási technikák segítségével tisztítsa meg az adatokat, hogy képesek legyünk értelmes betekintést feltárni belőle
határozzuk meg az adatösszesítési kihívásokat, először is a skálát – az üzleti forgatókönyvek többségében biztosan néhány millió adatpontot kell megszereznünk. A beszerzési információk esetében az ár-összehasonlító platformnak általában több e-com piactérrel kell integrálódnia, és folyamatosan figyelemmel kell kísérnie a teljes termékkategóriákra vonatkozó árinformációkat az új információk észlelése érdekében. Egyes becslések szerint a just Amazon (. com) terméklistája 12 millió termékből áll, ha hozzáadja az Amazon Marketplace eladóit, akkor megdöbbentő 350 millió termékre duzzad.
mondjuk, ha szeretné összehasonlítani egy termékkategória 5000 termékek szerte 8 piacokon kétóránként, keresünk ~500k feltérképezi naponta. Számos más kihívás is van, amelyekkel a beszerzési motor szembesül, és még súlyosabbá válnak, amikor nagy léptékben kezdi meg működését. Csak a szerverfarm felállításának hardverkövetelményei hatalmasak lennének. Még a nyelv, az irányítószámok,a többoldalas feltérképezés és a mobilalkalmazások lefedettsége sem ment.
az ár-összehasonlító platformokat általában úgy építik fel, hogy komplex webes környezetekben működjenek, amelyek nemcsak több e-com piactérről szereznek adatokat, hanem hozzáférést biztosítanak az összes megszerzett adat történelmi tárolásához, lehetővé téve az ügyfelek számára, hogy egyedi, idősoros betekintést nyerjenek.
a második kihívás még nagyobb, hogyan lehet értelmezni az információkat, ha minden adatpontot megszerez az internetről. Hogyan dolgozza fel?
tény, hogy a világháló nem egységes hely, néhány weboldal integrációbarát, de a legtöbb weboldal nem. Információkat tesznek közzé a látogatók számára, nem pedig egy intelligens ár-összehasonlító motor számára a versenyképes árak nyomon követésére. Tehát az összehasonlító motoroknak okosnak kell lenniük, és állandó csípést igényelnek a különböző webhelyek feltérképezéséhez.
rendkívül nehéz integrálni a weboldalakkal, mivel nincsenek egyetemes szabványok a weboldal fejlesztésére. MS vs Google háború böngésző használata legendás, és nem igazán van meghatározott webes szabványok, legalábbis nem gyakorlatilag.
a hatalmas zaj és a webes adatok szerkezetének hiánya miatt meglehetősen fejlett normalizálási technikákat kell kifejlesztenünk az adatok tisztításához, időnként AI-t használva a kép-és szövegelemzéshez(egyes startupok csak az e-kereskedelmi webhelyek képelemzésére koncentrálnak). Az adatok rendezése után elgondolkodhatunk azon, hogy értelmes információkat tárjunk fel belőle.
minden árazási intelligencia eszköz komplex gépi tanuláson alapuló szemantikai modellekre épül, amelyek segítenek az adatok értelmezésében. Az árképzési intelligencia eszközök azonban sok időt vesz igénybe az éréshez és a fejlesztéshez, miután kifejlesztették, a márkamenedzsereknek szinte egy szimulátort biztosítanak a valós idejű adatokról, és segítenek nekik számos üzleti szempontból kritikus képesség megvalósításában, mint például a dinamikus árképzés, az árrugalmasság mérése, az SKU szintű jövedelmezőség és a legjobb az egészben, képes összehasonlítani ezeket a mutatókat a versenytársakkal.