InfoQ
·
塔吉特通过生成AI推荐将购物车添加互动提升了11%
内容提要
塔吉特推出了基于生成AI的配件推荐系统GRAM，旨在简化其零售目录中配对产品的复杂性。该系统利用大型语言模型分析产品属性，自动评估重要性，帮助顾客找到合适的配件。早期测试显示，GRAM显著提高了用户参与度和转化率，体现了塔吉特将AI融入数字购物体验的战略。
关键要点
-
塔吉特推出了基于生成AI的配件推荐系统GRAM，以简化零售目录中配对产品的复杂性。
-
GRAM利用大型语言模型分析产品属性，自动评估重要性，帮助顾客找到合适的配件。
-
传统的基于规则的方法难以扩展，GRAM通过自动化属性重要性评估来解决这一挑战。
-
GRAM的设计核心是使用大型语言模型分析结构化产品数据，生成相关性评分。
-
塔吉特结合生成AI模型与人工干预，确保推荐的商业相关性和与商品目标的一致性。
-
早期测试显示，GRAM显著提高了用户参与度和转化率，增加了约11%的购物车互动。
-
GRAM创建了一个可扩展的配件推荐系统，改善了用户体验，并于2025年4月全面投入生产。
延伸解读
生成AI的优势
塔吉特的GRAM系统通过生成AI技术，自动评估产品属性的重要性，解决了传统推荐方法在复杂性和可扩展性上的局限。这种自动化不仅提高了推荐的相关性，还减少了人工干预的需求，使得推荐系统能够更高效地处理大量商品数据。
用户体验的提升
GRAM系统的实施显著提高了用户的购物体验，购物车互动增加了约11%。这种提升表明，个性化推荐能够有效吸引顾客，促进购买决策，反映了塔吉特在数字化转型中对用户需求的重视。
人机协作的重要性
尽管GRAM系统依赖于生成AI进行推荐，但塔吉特仍然强调人机协作的重要性。通过结合人工干预，确保推荐的商业相关性和与商品目标的一致性，这种方法能够在保持系统灵活性的同时，提升推荐的精准度。
延伸问答
塔吉特的GRAM系统是如何工作的？
GRAM系统利用大型语言模型分析产品属性，自动评估哪些属性在推荐配件时最重要，从而帮助顾客找到合适的配件。
GRAM系统如何提高用户参与度？
早期测试显示，GRAM系统使得家居类配件的购物车互动增加了约11%，并提高了展示到转化的比率。
为什么传统的推荐方法难以扩展？
传统的基于规则的方法在面对数百个影响配件适配性的属性时，往往难以保持高质量的推荐，且难以扩展。
塔吉特如何确保GRAM推荐的商业相关性？
塔吉特将生成AI模型与人工干预相结合，允许商家提供经过策划的配件列表，以确保推荐的商业相关性。
GRAM系统的设计核心是什么？
GRAM系统的设计核心是使用大型语言模型分析结构化产品数据，生成相关性评分以推荐配件。
GRAM系统的全面投入生产时间是什么时候？
GRAM系统计划于2025年4月全面投入生产。
