很多文章的报道都是由微观而宏观，今日小编讲给大家带来的关于蓝牛和AI可以教给我们关于电子商务成功的惊人教训的资讯也不例外，希翼可以在一定的程度上开阔你们的视野！y有对蓝牛和AI可以教给我们关于电子商务成功的惊人教训这篇文章感兴趣的小伙伴可以一起来看看
这是比利时蓝色母牛的图象。它的肉比一般 母牛多40%至100%，脂肪少70%。它是经过数代选择性育种而产生的工程物种。
这头奶牛可以教给我们关于增加在线销售的什么信息?
好吧，在所有旨在提高销售的A / B测试中，有85%的测试失败了，因为它们没有产生故意义的或统计上显着的提升。结果，A / B测试往往浪费珍贵的时间，精力和金钱。但是有一种更好的方法，它受到选择性育种的启示。
为了生产一头最佳的母牛，一位农夫首先从瘦瘦的母牛开始，经过几代的选择性育种，他最终得到了比利时蓝。
进化算法的诞生
在1950年代，计算机科学家艾伦·图灵(以在第二次世界大战期间破坏纳粹代码而闻名)提出了以下问题：“ 计算机能否使用受自然选择启示的算法来解决问题?”
事实证明答案是肯定的，因此诞生了进化算法(也称为遗传算法)领域。
这些算法的较早获利的用途之一是在1990年代末至2000年代初在制药业。它们被用来发现具有某些理想特性的新分子实体或NME。然后，这些NME成为新药的候选者。
我的第一份真正的工作是在制药行业担任研究程序员，这让我着迷的是，计算机是如何通过进化算法“发现”的，这是人类科学家永远不可能拥有的不可能的赢家，通过详尽地搜索庞大的“解决方案空间。” 其中一些NME变成了重磅炸弹药品，为涉及的公司带来了丰厚的利润。
当时，使用进化算法是一项昂贵的工作，需要大量的计算能力。由于一种重磅炸弹药物能够带来数百亿美元的新收入，因此使用遗传算法对BigPharma故意义，但对大多数其他行业却不可行。今天，相比之下，计算能力实在是太廉价了。
CRO(转化率优化)的进化算法
CRO(也称为LPO(着陆页优化))通常是通过运行一系列A / B(或多变量)测试来完成的，在该测试中，您将访问者的流量分成两个或多个页面，然后跟踪哪个页面产生了最大的销售额，潜在客户或应用下载。通过每次保留获胜者，您可以提高整体转化率，从而提高销售额和利润。
使用传统工具(最理想的是VWO，Google实验)完成的大多数A / B和多变量测试均无法产生故意义的转化率，从而带来更多的销售。如果您在一个报告转换率是1.00%的页面和另一个报告转换率是1.06%的页面之间进行A / B测试，则从统计上讲，两个页面都不比另一个页面好，现在该以一组不同的变体重新开始。
那么进化算法如何解决这个问题呢?
进化算法使公司可以同时进行更多的实验，选择那些表现出弱阳性信号的动物，然后对其进行“杂交”以产生更强的阳性信号-就像被生殖以产生出更强壮的母牛的瘦牛一样，最终制造了“最佳”比利时蓝。
用于CRO的进化算法可以在单个实验中运行成千上万的变体(与传统的A / B或多变体测试相比，最多为少数)。
使用上面的示例，假设基线(“操纵”)转换率为1%，而进化算法在第一代中有2,000种变化。它可能会选择显示1.0023%，1.0000058%，1.00000041%的弱正信号的页面，并将它们“杂交”以产生第二代，并带有稍强的弱正信号。
在几代人中重复进行此操作，您最终会得到带有更强阳性信号(比如说1.34%或1.45%)和高度统计意义(高于95%)的变异，这意味着改进不可能是偶然的。如果您经营1亿美元的收入业务，那将是4,500万美元的额外收入。至关重要的是，您的利润成比例的增长，因为增加的收入不需要额外的媒体/流量支出。
尽管第一代产品的最初改进很小，但经过几百代人的努力，收益却是复合的，因为它们是乘法的(而不是累加的)。爱因斯坦开玩笑地说，复利是世界的第八大奇迹。
这一切都是自动发生的，大大提高了您运行新实验的速度，同时节省了时间和精力。
在以下示例中，在大约8周内测试了381,000种不同的治疗方法。使用传统的A / B测试工具，即使在100个生命周期中，您也无法完成同一件事! 杰夫·贝佐斯(Jeff Bezos)经常建议：“如果您想获得双倍的成功，请进行两倍的实验。”他将许多亚马逊的成功归功于这种做法。
放在一起：一个案例研究
为了给出一个真实的例子，这里是一个案例研究和进化算法如何工作的模拟。以下是正在优化的初始“操纵”页面的屏幕截图。它是医学教育行业中的一种领先形式。
要运行进化算法，首先，创建一个“测试矩阵”，并为每个要测试的变量提供值。例如，您用四个不同的标题，三个不同的英雄图像以及下表中显示的其他几个变量填充矩阵。我们没有显示所有使用的值，而是仅显示最终获胜的值。
使用的测试矩阵
技术与使用它的人类技能一样好
尽管AI驱动的CRO技术对于优化行业而言是革命性的，但要使其达到最佳性能则需要人工技能-以高概率值播种测试矩阵会带来不同。与许多其他令人兴奋的技术一样，GIGO(垃圾进，垃圾出)原理也适用。
熟练的人员和人工智能系统的结合将始终胜过任一个单独工作。
