Perbedaan maya.ai
Personalisasi dan rekomendasi waktu nyata
Kami menggabungkan data internal perusahaan dengan data eksternal untuk memberikan rekomendasi yang dipersonalisasi secara real-time.
Tambahkan kategori baru dan pedagang saat bepergian
Peta selera dunia yang hidup dan bernafas
maya.ai memperoleh data penting tentang berbagai kategori gaya hidup, untuk membuat model entitas-afinitas berbasis grafik.
Model ini kemudian dipetakan ke data perilaku pelanggan, untuk mengungkapkan berbagai pilihan dan rekomendasi.
TasteGraph™ memiliki lebih dari 6,5 juta pedagang yang dianalisis dan dipetakan, termasuk
2.4Mn+
hotels
650K+
attractions
4.4Mn+
restaurants
92K+
other merchants
Entitas
Dengan lebih dari 6,5 juta pedagang dan terus bertambah, setiap pedagang yang dapat ditemukan secara digital adalah entitas target untuk TasteGraph™. Ini mengidentifikasi pedagang unik secara global dan menjalin hubungan dengan pedagang lain yang relevan.
Atribut Rasa
maya.ai memahami bagaimana pelanggan membuat keputusan di setiap kategori gaya hidup. Ini mengidentifikasi atribut yang menentukan selera dalam kategori ini. Misalnya, untuk memahami selera pelanggan dalam bersantap, maya.ai memfaktorkan atribut restoran seperti kualitas layanan, suasana, makanan, masakan, dan spesial. Dengan pembelajaran mesin mutakhir dan pemrosesan bahasa alami (NLP), maya.ai memfilter melalui kombinasi metadata terstruktur dan data tidak terstruktur. Itu kemudian menandai
setiap pedagang dengan ratusan atribut rasa tersebut dan memberikan skor untuk masing-masing, untuk membuat profil rasa pedagang.
Afinitas
Berdasarkan profil pedagang, maya.ai memberikan skor afinitas antara dua pedagang di setiap kategori. maya.ai menggunakan preferensi pelanggan yang dianonimkan dan metode kolaboratif yang dipatenkan untuk membuat grafik lintas kategori.
Semua dalam waktu nyata.
Lengkapi selera pelanggan Anda dengan merchant yang tepat
TasteMatch memberikan skor afinitas antara profil selera pelanggan dan pedagang tertentu.
Skor TasteMatch digunakan untuk memberi peringkat rekomendasi bagi pelanggan. Ini mempertimbangkan konteks untuk kasus penggunaan tertentu.
Matematika di balik pilihan sederhana
Pilihan konsumen bergantung pada empat komponen: rasa, pengaruh, konteks, dan perilaku.
maya.ai menggunakan komponen ini untuk memahami pilihan. Kami menyebutnya Persamaan Pilihan.
Rasa
Preferensi gabungan pelanggan, seperti peringkat dan ulasan
Pengaruh
Interaksi sosial eksternal yang memengaruhi keputusan pelanggan, seperti ‘suka’ dan ‘berbagi’
Konteks
Faktor lain seperti perangkat, waktu,
lokasi, cuaca, dan lainnya
Perilaku
Aktivitas pelanggan online dan offline seperti transaksi dan interaksi sebelumnya
Algoritma yang dipatenkan
Menggabungkan beberapa sistem pemberi rekomendasi untuk memberikan afinitas teratas dalam kategori apa pun kepada setiap pelanggan.
Model kognitif
Didukung oleh serangkaian luas dimensi yang meniru bagaimana konsumen membuat pilihan.
Pembelajaran mesin berulang
Berkembang terus-menerus dalam loop pembelajaran mesin bawaan.
