致电商从业者：你不需要机器学习和人工智
能，需要的是SQL
随着时间的推移，像机器学习、区块链、人工智能、虚拟现实和增强现实等一些有趣的新技术和概念不断地涌现出来，而与此同时一些现有的技术只能退居二线。在这种形势下，许多人在推出产品或者融资时都喜欢与这些新技术拉上关系。软件工程师
Celestine Omin 在本文中以电商领域为例，具体论证了传统结构化查询语言技术在出现40 多年以来为何价值仍然不减当年。
不久前，我在Twitter
上发布了一个话题，提出需要利用传统和现有工具来解决日常业务问题，而不是一味地相信最新的流行技巧以及一些花哨而复杂的技术。这个话题反响不错，也引发了一些有趣的讨论。其中一部分人同意我的观点，另一部分则表示完全不同意，他们认为我愚蠢而又虚妄。我写这篇文章也并不是想说服你接受我的想法，只是对我最初在Twitter 帖子中所发表的内容做进一步的解释。
我们都能发现，随着时间的推移，像机器学习、区块链、人工智能、虚拟现实和增强现实等一些有趣的技术和概念不断地涌现出来，而与此同时一些现有的技术只能退居二线。现在经常会听到有人构建出以
区块链技术为支撑的优秀产品，我也知道有区块链技术支持的电
子商务服务和社交网络等，诸如此类的新事物还有很多。这些日子，我也经常会听到这样的话：如果你想尽早而又快速的完成融资，那你必须要投入“区块链”相关技术，即便它与你的宏观计划并没有什么关系。
不久之前，机器学习和人工智能也是这般地位。但凡有人推出一个登录页面，这页面上可能就有机器学习或者人工智能的字眼，好像不提这些字眼就无法创建一个初始页面一样。说真的，你真的是在做生意吗?老实说，你不一定非要这样。结构化查询语言(SQL)是直到现在为止我都一直看好的一项技术，这项首次出现于
1974 年、迄今已有40 多年历史的技术在当下的重要性仍然不减当日。虽然多年来，这项技术也经历了一些改进，但它仍然以前一样强大。
我的整个职业生涯一直在与技术打交道，我也花了很长时间从事电子商务领域的工作，因此我也亲眼见证了这项技术对于我们增长并扩展业务的价值所在。这项技术对于我们来说非常有利，因为它可以
让我们从收集到的数据中探索到一些有趣的信息。这些数据包括但不限于消费者行为、购物模式和习惯。它甚至能够让我们对应该持有的最小存货单位以及不该持有的最小存货单位做出预测。除此之外，
它也能够帮助我们取悦客户，与那些半路离开的客户重新实现互动。下面，就让我来告诉你我们是如何做到这些的，其中也会讲到你该怎样才能做到这些。
在我同创始人以及潜在的创始人交谈时，他们总是很快就会告诉我他们有多想利用人工智能以及机器学习技术来提高客户保持率并改善客户终身价值。但事实上，他们根本不需要机器学习或者是任何相关花哨的技术，他们所需要的是正确编写结构化查询语言。以前，我曾编写过
SQL 查询来从我们生成的数据中提取有价值的信息和见解。有一次我需要知道本周顾客是谁，为的是1) 认出他们并且
2)奖励他们。公司面向客户采取的这种简单但却让人意想不到的举措总是会让他们感到狂喜，并将其转变为传播者。在社交媒体平台，像“哇，我成为了
sql容易学吗Konga(尼日利亚电商)的本周顾客，他们竟然奖励了我2000 奈拉的代金券。我完全没有想到，感谢你们，你们是最棒的!”
事实证明，这比把钱花在广告上更加有效。不要误解我的意思，传统广告依然有它的价值所在，但没有什么营销手段比你自己信赖的朋友亲口向你推荐更为有效。并且，关键之处在于获取这些信息并不是那么难。除了优秀的传统
SQL 之外，你不需要任何花哨的其他技术。为了锁定本周顾客，我们编写了一个SQL
从订单列表中选出本周最大的订单。得到客户信息之后，我们会通过向客户发送一封感谢信，随附一张优惠券或者是代金券。你猜效果怎样?其中99%
的人成为了回头客。我们不需要机器学习，我们只是编写了一个简单的SQL，就获得了这一信息。
有一次，我们需要与那些一段时间没有在我们网站购物的顾客取得联系。作为负责人，我编写了一个SQL
查询，收集三个月甚或者更久以来都没有购物的客户信息。这个编写起来非常简单，例如可以从订单列表选择最后一次购物时间是在3 个月或者更久一段时间之前的订单。当我们得到这些信息之后，我们就会给相应客户发送一封“我们想念你，欢迎你再次到来，附赠优惠券”的。采取这样一种做法之后，我们发现由此收获的客户转换率总是保持在
50% 以上。在我看来，这两种策略比在Google 和Facebook 上进
行广告投入要有效得多，过去是这样，现在依然是这样。
我们也将这同样的想法应用于发送给客户的简报之中。我的意思是，如果你可以对此实现个性化匹配，为什么还要向所有人发送通用的简报内容?解决方案是什么?我编写了
SQL
查询来查看购物车物品并对单个物品进行提取。根据这些物品，我们可以创建一份简报，并涵盖相关内容。例如，假设一位顾客购买了一双鞋、一副太阳镜和一本书，那给他的简报中，我们就可以展示包括鞋、太阳镜和书在内的物品。显然，这比随机推荐物品要更有意义。为什么要给一位刚刚买了一双运动鞋的男性发送推荐吸奶器的促销邮件呢?这显然没有什么意义。大多数营销邮件的点击率在
7% 至10% 区间范围内，但是当我们实现个性化匹配之后，我们发现点击率达到了25% 至30%。
这几乎是行业标准的三倍之多。另外，在这些邮件中，我们会以收信人名字开头，而不是亲爱的顾客这一统称。这就让这些邮件多了些人情味，也表明了我们的关切之情。所有这些都是通过优秀的SQL 来实现，而不是花哨的机器学习。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。