如何实现网站流量和销量的倍数增长？

[mimakte]

我一直很关心迈向一个全新层次的问题。使得指标提高的不是2倍、3倍，而是几个数量级。例如，如果我们谈论一个网站，访问量将从一千次增加到一万次，或者从一万次增加到十万次。

我知道，这些飞跃的实现，离不开五个方面的艰苦努力：

现场的技术状况。
搜索引擎优化。
站点语义的收集。
创建有用的内容。
正在进行转换。
与此同时，每个经理都需要增加当前的 银行数据 销售额和网站的应用程序数量。

为了实现这一增长，请从网站下载我们关于增加销售额的分步模板：
下载模板
已下载
153811

第 2 步：准备模型训练的数据
我们的推荐系统将基于分类任务，确定特定产品是否属于适当的组。训练模型需要从篮子历史中获取两种类型的数据。正向条目意味着从购物车中移除任意产品，而负向条目则意味着从未包含在购物车中的产品。这种方法可以让您区分应该或不应该包含在购物车中的产品。接下来，您需要为每个条目填充上下文：零售店的描述、购买时间、外部属性。在形成用于训练模型的数据集的过程中，这些操作的代码包含在上面的笔记本中。

DataSphere 使用标准的 Jupyter Notebook 界面。 GlowByte。通常，可以使用不同的笔记本电脑进行信息准备和培训；在演示设备中，这些操作一起执行。创建推荐系统时，用户可以使用任何指定的选项。本说明使用现成的笔记本文件。

接下来，您需要为每种产品创建矢量表示 - 一组与产品在篮子中的呈现方式相对应的特征。为此，我们使用了 SVD 分解方法，该方法广泛应用于机器学习的各个领域。让我们创建一个矩阵，其中一行代表一个篮子，一列代表其中包含的产品。利用SVD分解，将矩阵分解为三个元素。为此，计算给定产品的向量表示和购物篮向量的平均值之间的余弦度量。

准备模型训练的数据

这将允许您确定给定产品与特定购物篮中的产品之间的相似程度。

为了向用户生成个性化推荐，我们应用了针对每种产品计算的 RFM 聚合：新近度（购买该产品的时间）、频率（购买频率）、金额（每个用户在相应产品上的支出）。计算出的总量可作为预测模型的预测指标。

在输出时我们得到一个将用于解决问题的数据集。