必胜客靠AI追踪顾客浏览轨迹，挑出犹豫客及时发送限时折价券抢订单

随着疫情升温，许多零售、餐饮业者开始聚焦线上行销，来提高买气。披萨大老必胜客Pizza Hut早在去年，就开始加强线上通路布局，昨（30日）也揭露了自家官网促购方法，透过机器学习和深度学习模型，来分析顾客进入官网的浏览轨迹、找出犹豫客，再推送限时折价券，提高了15％的网站订单成交率。

负责Pizza Hut在台经营的富利餐饮数位营运部电子商务经理黄政枚指出，Pizza Hut自2006年推出网络下单服务以来，网络就成为订单主要来源，占了6成多，这几更持续优化网络下单流程、到5个步骤完成，来提高使用者体验。但即便如此，Pizza Hut从官网进站到下单的转换率难以提升，就算对上站顾客人人大送折价券，也无法增加获利。

AI模型观察顾客浏览轨迹来打分数，找出游移不决的犹豫客

为了改善顾客下订情况，Pizza Hut去年底，找上台湾一家AI新创Appier，斥资导入促购AI解决方案AiDeal，透过客制化AI模型，可以进一步追踪消费者浏览轨迹，锁定特定族群，来推送优惠券。Pizza Hut是第一家导入者。

AiDeal包含一个AI引擎，透过在企业官网嵌入的程式码，来追踪消费者进入官网后的即时浏览轨迹，可在0.05秒内追踪200种参数，像是网页浏览数、停留时间、点击、页面滚动、鼠标移动轨迹等，透过行动装置浏览行动版网页或使用鼠标的电脑版环境都能追踪。Appier指出，不会记录任何与个资资讯。

Appier首席机器学习科学家林守德表示，为了客制AI模型，先依据导入企业的需求，来定义费者类型，例如Pizza Hut分为一定会购物的立即购物型消费者、不会购物的纯浏览者，以及来回徘徊的犹豫客。接着，再利用AI判断浏览行为，即时判断每一个浏览者，属于哪一种客群，他解释，犹豫者的浏览特征，像是在不同产品的视窗来回切换，或是鼠标在产品页面上下游移、鼠标在视窗的路径呈圆圈或不规则路线，以及鼠标在特定产品名称上移动等。

不过，由于犹豫客特征难以贴标，Appier采弱监督式学习（Weakly-supervised learning）和半监督式学习（Semi-supervised learning）来训练客群分类模型。

4步骤促进犹豫客买气，也提高交易数

在Pizza Hut的专案上，先搜集了1至2周的官网消费者浏览行为，再透过算法来对这些行为，即时给出每个行为对应的犹豫分数，分数越高表示犹豫程度越高。

再来，机器学习模型会根据这些资料，来分析消费者倾向，来建立一个分辨三大类型客群的判断模型。不过，还是得透过人工进一步缩小犹豫客的范围，比如锁定从未购买的消费者、流失用户，或是排除特定用户等；之后，就可以用来锁定最可能购买犹豫型消费者进行促销活动。最后，Pizza Hut和导入顾问讨论后，将目标犹豫客群定义为客单价介于500至999元的消费者。

接着是第三步，进行A/B测试，来预测犹豫客的转换数。AiDeal会将犹豫客分为两组，对其中一组自动发送满500元折50元的折价券，且要在30分钟内使用。结果发现，两组人中，收到折价券的消费者的订单数提高了17％，下单时间也缩短了。验证过模型成效后，就可以正式上线。

不过，正式上线没多久，Pizza Hut发现，在电脑版官网的下单状况来说，刚上线时，下单转换率虽有增加，但几天后就开始趋缓了（如下图）。

黄政枚表示，当时考虑，既然已完成机器学习模型的训练，决定重新设计折价券的Banner设计，让消费者一眼就看到优惠。改用新设计后，“转换率开始急起直上。”

这套系统也提供了后台管理界面，她指出，可用来随时查看电脑版和行动版官网的转换率，或是周间与周末的营运状况。“现在，Pizza Hut开始尝试不同组合，像是满1,000元送100元的限时折价券，来观察官网下单表现，”她表示，未来甚至也考虑下单送产品的策略，来拓展更多AI线上销售应用。文◎王若朴