Pris Sammenligning Motorer høres veldig lett på papir og like vanskelig å implementere i praksis. Å utvikle lyd, effektive og skalerbare prisintelligensmotorer krever at vi takler to brede utfordringer:
- Storskala Dataaggregering
- Bruk ML / AI-baserte normaliseringsteknikker for å rense dataene slik at vi kan avdekke meningsfull innsikt fra den
la oss definere dataaggregeringsutfordringer, først skala – i de fleste forretningsscenarier må vi skaffe oss sikkert et par millioner datapunkter. Vanligvis, for sourcing informasjon, prissammenligning plattformen har å integrere med flere e-com markedsplasser og kontinuerlig overvåke prisinformasjon på komplette produktkategorier å oppdage ny informasjon. Ifølge noen estimater har Bare Amazon(.com) en produktliste på 12 millioner produkter, hvis du legger Til Amazon Marketplace-selgere, svulmer det til svimlende 350 millioner produkter.
Si Om du vil sammenligne en produktkategori med 5000 produkter på tvers av 8 markedsplasser hver annen time, ser vi på ~500k crawls per dag. Det er mange andre utfordringer som en sourcing motor står overfor, og de blir enda alvorlige når du begynner å operere i stor skala. Bare maskinvarekrav for å sette opp en serverfarm ville være enorm. Vi har ikke engang gått inn i språk, POSTNUMMER, flersidig gjennomgang og mobile apps dekning i det hele tatt.
vanligvis er prissammenligningsplattformer bygget for å operere på tvers av komplekse webmiljøer som ikke bare skaffer data fra flere e-com-markedsplasser, men gir også tilgang til den historiske lageret av alle data som er anskaffet, slik at kundene kan utlede unik tidsserieinnsikt.
den andre utfordringen er enda større, hvordan du får mening om informasjonen når du får alle datapunkter fra Nettet. Hvordan behandler du det?
Faktum Er At World-wide-web ikke er et enhetlig sted, noen av nettstedene er integrasjonsvennlige, men de fleste nettsteder gjør det ikke. De legger inn informasjon for besøkende å lese, ikke for en smart prissammenligningsmotor for å spore konkurransedyktige priser. Så, sammenligningsmotorer må være smarte og krever konstant tilpasning for å krype forskjellige nettsteder.
det er ekstremt vanskelig å integrere med nettsteder i en skala, da det ikke finnes universelle standarder for utvikling av nettsteder. MS vs Google war for nettleserbruk er legendarisk, og vi har egentlig ikke definert webstandarder, i hvert fall ikke praktisk.
på grunn av humongous støy og mangel på struktur I Webdata, må vi utvikle ganske avanserte normaliseringsteknikker for å rense dataene, til tider ved HJELP AV AI for bilde-og tekstanalyse (Noen oppstart fokuserer bare på bildeanalyse fra e-handelsnettsteder). Etter å ha organisert dataene, kan vi tenke på å avdekke meningsfylt informasjon fra den.
hvert verktøy for prisintelligens har bygget på komplekse maskinlæringsbaserte semantiske modeller som bidrar til å gi mening om dataene. Men, priser intelligens verktøy ta mye tid å modne og utvikle, når utviklet de gir merkevare ledere med nesten en simulator på sanntidsdata og hjelper dem gjennomføre flere forretningskritiske evner Som Dynamisk Prising, Måle Pris Elastisitet, Utlede SKU nivå lønnsomhet og best av alt, evne til å sammenligne alle disse beregningene med konkurrenter.