top of page
成功案例
國際知名動畫軟體電商
捨棄無法融入商業邏輯且高重複推薦的系統，導入 Recommend HQ 服務後，針對用戶購買行為做推薦優化，進而提升商城轉換率與使用者滿意度
基於商城瀏覽推薦相關產品
總覽
國際知名動畫軟體電商是台灣唯一以動畫軟體行銷全球的國際品牌公司，於 1993 年成立、2000 年於美國矽谷設立公司。透過與 KKLab 的合作，軟體電商升級其數位素材 / 軟體商城之推薦技術。與原本採用的推薦系統相比， KKLab 的推薦系統 - Recommend HQ 大幅提升了對用戶購買意圖的優化，且針對營運目標做出對推薦演算法的客製化調整及規劃。
客戶證言
KKLab 的 Recommend HQ 提供 Reallusion 全託管式的顧問服務，在協助我們導入 Amazon Personalize 的過程中，除了初期的資料清整外，也不斷地根據我們的需求來調整演算法及商業的邏輯，包括像是利用 metadata 來優化我們的商品推薦的維度、冷啟動 (cold start)、或是針對我們明確的商業指標 - 客單價的提升來調整推薦邏輯等等。在推薦演算法及商業邏輯的規劃上 KKLab 有非常專業的團隊，很感謝 AWS 的協助讓我們有機會和專業的團隊合作
- Reallusion 網路行銷部經理 Alan -
如何使推薦引擎，符合自己的營運特色與需求？
傳統推薦引擎過分倚重消費者的購買行為，造成明星商品重複被推薦而其他商品則從未被曝光的困境。但在營運上，銷售更多樣化的商品有助於動畫軟體電商提升長期營收及用戶忠誠度，且也需濾除用戶的已購商品，才能更有效塑造商品多樣化的商城形象。
動畫軟體電商的推薦難題
如何針對 3D 創作者的瀏覽意圖做出精準推薦？
在尚未採用 Recommend HQ 推薦引擎前，動畫軟體電商的數位商城在推薦上，無法針對創作者的使用情境做推薦。舉例來說，當創作者對於「沙漠場景」的設計有興趣時，在商品呈現的排序上，較佳的方式是推薦內容與沙漠相關，且能有跨類別的推薦，例如仙人掌，拓荒時期房屋建築，西部牛仔等等... 而非不考慮創作者的意圖，僅套用商品關鍵字進行比對推薦。
Recommend HQ 如何解決
基於 AI 語意分析的推薦
透過 NLU (Natural Language Understanding ) Recommend HQ 能分析各個商品中的品名與標籤語意及跨語言資料，對瀏覽意圖做分析後進行推薦。
多種演算法混合優化
Recommend HQ 能混合多種演算法產出推薦內容，讓推薦內容能更符合商業營運上的需求。以動畫軟體電商為例，我們進一步融合了商品內容的分析，並且排除消費者的已購品項，以達到效益最大化。
bottom of page