Oct 30, 2024 | LLM (AI)
Meta je pred kratkim predstavila NotebookLlama, „odprto“ različico Googlove funkcije za generiranje podkastov, ki jo najdete v programu NotebookLM. S pomočjo modelov Meta Llama lahko NotebookLlama ustvarja pogovorne, podkastne povzetke prenesenih besedilnih datotek, kot so članki v obliki PDF novic ali prispevki na blogu. Cilj te tehnologije je ponoviti vidik interaktivnega pripovedovanja zgodb Googlovega viralnega orodja in dodati lastne elemente dramatizacije in prekinitev, da vsebina zveni bolj dinamično.
Postopek se začne tako, da NotebookLlama iz naložene datoteke ustvari prepis. Nato besedilo izboljša z vključitvijo bolj dramatičnih interakcij, preden ga pretvori v zvok z uporabo odprtokodnih modelov za pretvorbo besedila v govor. Vendar kakovost teh ustvarjenih podcastov trenutno zaostaja za kakovostjo NotebookLma, saj glasovi pogosto zvenijo robotsko in se nerodno prekrivajo. Raziskovalci Meta so te pomanjkljivosti priznali in poudarili, da bi naprednejši modeli pretvorbe besedila v govor lahko bistveno izboljšali naravnost rezultatov.
Razvijalci so omenili tudi, da bi lahko trenutni pristop – uporaba enega samega modela za ustvarjanje osnutka podkasta – izboljšali tako, da bi sprejeli obliko razprave med dvema agentoma umetne inteligence, kar bi zagotovilo bogatejšo razpravo. Menijo, da bi to lahko privedlo do bolj prepričljive in skladne pripovedi podkasta. Kljub tej inovaciji je NotebookLlama tako kot druge vsebine, ki jih ustvarja umetna inteligenca, še vedno dovzetna za pogost problem „halucinacij“, kar pomeni, da lahko nekateri deli ustvarjenega podkasta vključujejo netočne ali izmišljene informacije.
Čeprav NotebookLlama ni prvi poskus posnemanja funkcije podcasta NotebookLM, je zaradi svoje odprtokodne narave in sodelovanja podjetja Meta pomemben udeleženec na tem nastajajočem področju. Možnost izboljšanja kakovosti modelov in sprejetja novih pristopov daje programu NotebookLlama prostor za prihodnji napredek, čeprav še ni dosegel povsem naravnega rezultata.
Oct 30, 2024 | LLM (AI)
OpenAI se pripravlja, da bo do decembra predstavil svoj naslednji model umetne inteligence s kodnim imenom Orion. Za razliko od prejšnjih modelov, kot sta GPT-4o in o1, sprva ne bo široko dostopen prek ChatGPT. Namesto tega namerava OpenAI omogočiti zgodnji dostop izbranim partnerskim podjetjem, ki bodo lahko z novim modelom gradila svoje izdelke in funkcije. Izvršni direktor podjetja OpenAI je Orion opisal kot potencialno 100-krat zmogljivejši od GPT-4 in naj bi napredoval v smeri splošne umetne inteligence (AGI). Ta novi model se razlikuje od reasoning modelaa (sklepanje?) o1, znanega kot Strawberry, ki ga je OpenAI objavil septembra. Poročila prav tako kažejo, da je bil Strawberry uporabljen za ustvarjanje sintetičnih podatkov za Orionov proces usposabljanja. Zaključek Orionovega usposabljanja je septembra zaznamoval slavnostni dogodek v organizaciji OpenAI, ki je sovpadal s skrivnostno objavo Sama Altmana na družbenih omrežjih, ki je namigovala na „zimska ozvezdja“, kar naj bi se nanašalo na Oriona.
Začetek delovanja Oriona se je zgodil v prelomnem času za OpenAI po zgodovinskem krogu financiranja v višini 6,6 milijarde dolarjev. Podjetje doživlja tudi pomembne spremembe v vodstvu, saj so pred kratkim svoje odhode napovedali ključne osebe, kot so simpatična tehnična direktorica Mira Murati, vodja raziskav Bob McGrew in podpredsednik za usposabljanje po končanem usposabljanju Barret Zoph.
Oct 3, 2024 | LLM (AI)
LLM so revolucionarno spremenili način interakcije s tehnologijo, oblikovali našo digitalno pokrajino in preoblikovali način komuniciranja, učenja in inovacij. V ospredju te revolucije so obsežni programi LLM, kot so OpenA GPT-4, Google LaMDA in Anthropic. Te jezikovne modele je mogoče uporabljati programsko z uporabo njihovih vmesnikov API ali prek njihovih chat gui vmesnikov. Ti vmesniki se imenujejo OpenAI ChatGPT, Google Bard oziroma Anthropic Claude (in drugi).
Inženiring GPT vnosov (promptov) je postopek oblikovanja in izpopolnjevanja vhodnih GPT vnosov (promptov) za modele LLM za doseganje želenih rezultatov. Čeprav se sprva zdi trivialno ali povsem tehnično, gre v resnici za multidisciplinarno prizadevanje. Med drugim zahteva celovito razumevanje jezikoslovja, kognitivne znanosti, umetne inteligence, oblikovanja uporabniške izkušnje in etike.
Kako vplivajo GPT vnosi (prompti)na LLM
Obsežni LLM so oblika umetne inteligence, ki se osredotoča na razumevanje in ustvarjanje človeškega jezika. Za obdelavo in analizo ogromne količine besedilnih podatkov uporabljajo izpopolnjene algoritme strojnega učenja, predvsem nevronske mreže. Glavni cilj LLM je ustvariti skladne, kontekstualno ustrezne in človeku podobne odgovore na dane vhodne pozive. Za razumevanje delovanja mehanizmov vseživljenjskega učenja je bistvenega pomena, da obravnavamo njihovo osnovno arhitekturo in postopek usposabljanja. Z uporabo nekaterih analogij za razlago teh konceptov jih bo lažje razumeti.
Arhitektura
Mreže LLM, kot je GPT-4 podjetja OpenAI, so izdelane z uporabo posebne vrste nevronske mreže, imenovane transformator. Transformatorji imajo posebno strukturo, ki jim omogoča dobro delo z besedilom.
Ena od pomembnih stvari v Transformerjih je “samopozornost”. To pomeni, da se lahko model osredotoči na različne dele stavka in se odloči, katere besede so v določenem kontekstu pomembnejše. To je kot posvečanje pozornosti besedam, ki so najpomembnejše.
Druga stvar, ki jo uporabljajo Transformerji, je pozicijsko kodiranje. To modelu pomaga slediti, kje v stavku se nahaja posamezna beseda. To je, kot da bi vsaki besedi dali posebno oznako, da bi model vedel, kje je njeno mesto v zaporedju.
S temi funkcijami lahko modeli LLM dobro obdelajo in razumejo dolga besedila. Na podlagi konteksta, v katerem se pojavljajo, lahko ugotovijo pomen besed in si zapomnijo vrstni red besed v stavku.
Usposabljanje LLM (LLM training)
Postopek usposabljanja za program LLM je sestavljen iz dveh glavnih faz: predhodnega usposabljanja in natančnega prilagajanja. Učitelji vseživljenjskega učenja so kot izredno nadarjeni učenci tujih jezikov. Med usposabljanjem gredo skozi ti dve glavni fazi.
Pred-trening (Pre-training)
V tej prvi fazi je udeleženec programa LLM izpostavljen ogromnim količinam besedil iz knjig, člankov, spletnih strani in drugih virov. To je, kot da bi lahko prebral ogromno knjižnico, polno različnih informacij.
Ko program LLM pregleda vsa ta besedila, začne zaznavati vzorce v strukturiranosti jezika. Uči se na primer naslednjih stvari:
-
Katere besede si ponavadi sledijo druga za drugo (verjetnost, da bo besedi „pes“ sledila beseda „laja“)
- Slovnico in stavčno strukturo različnih jezikov (kam gre glagol v stavku)
- Teme in pojmi, s katerimi se določene besede povezujejo (učenje, da sta „pes“ in „psička“ povezana z živalmi, hišnimi ljubljenčki itd.)
Za obdelavo vsega tega besedila ga program LLM razdeli na manjše prebavljive dele, nekako tako, kot bi jezik prežvečili na koščke. Ta postopek se imenuje drobljenje (chunking).
Program LLM razkosa stavke na manjše dele, imenovane žetoni (tokens). Žetoni so lahko posamezne besede, delne besede ali celo posebni znaki, kot so ločila.
Po razčlenitvi besedila program LLM vsak žeton vgradi ali kodira v številčni vektor, kar je podobno, kot da bi vsakemu žetonu dal matematično predstavitev – na primer psa prevede v nekaj takega kot [0,51, 0,72, 0,33,…], ki ga računalnik lahko obdela. Ta postopek se imenuje “embedding” – vgrajevanje.
To je, kot da bi stavek iz angleščine prevedli v številke. Namesto besed ima zdaj vsak znak ustrezen vektor številk, ki jih računalniki razumejo.
Ta postopek vgrajevanja zajema informacije o pomenu vsakega žetona na podlagi vzorcev, ki se jih je program LLM naučil pri obsežnem predhodnem usposabljanju. Žetoni s podobnim pomenom se v vektorskem prostoru vgradijo bližje drug drugemu.
Vsi ti numerični vektorji žetonov se shranijo v vektorsko podatkovno zbirko LLM, ki jo lahko kasneje uporabi za iskanje žetonov in analizo njihovih odnosov z drugimi žetoni. Ta baza vektorjev je kot indeks matematične knjižnice za program LLM.
V predpripravi torej mehanizem LLM oblikuje povezave med besedami in pojmi z analizo velikih količin besedila in shranjevanjem vzorcev v svojih zapletenih možganih nevronske mreže. Tako LLM shrani, da imata pes in kuža podobne vektorske predstavitve, saj imata sorodne pomene in kontekste.
Vendar pa sta si pes in kolo bolj oddaljena, saj sta pomensko različna. Vektorski prostor ureja besede glede na njihove podobnosti in razlike.
Fina prilagoditev
Po predhodnem učenju se mehanizem LLM premakne v fazo natančnega uglaševanja (fine tunning). Tu se dodatno usposobi na manjših naborih podatkov, ki so pomembni za določene naloge.
To je podobno, kot če bi se LLM po končanem splošnem izobraževanju osredotočil na posamezna področja študija, na primer na nadaljevalni pouk biologije, potem ko se je naučil osnov naravoslovja.
Pri natančnem učenju se program LLM uri v ustvarjanju rezultatov za določene naloge na podlagi označenih podatkov o primerih. Označeni podatki se nanašajo na podatke, ki so bili opremljeni z oznakami, ki kategorizirajo ali opisujejo vsebino. Te oznake pomagajo pri usposabljanju modelov, saj zagotavljajo primere pričakovanih izhodnih podatkov.
Ko programu LLM pozneje posredujete nov poziv, uporabi vzorce, pridobljene med predhodnim usposabljanjem in natančnim prilagajanjem, da analizira poziv in ustvari ustrezen odziv.
Program LLM ne razume jezika tako kot ljudje. Vendar lahko s prepoznavanjem vzorcev na podlagi množice primerov pri usposabljanju posnema človeške odzive in je zelo sposoben učenec jezika.
Poleg tega lahko te vektorske predstavitve uporabimo za različne naloge obdelave naravnega jezika, kot so analiza čustev, modeliranje tem in klasifikacija dokumentov. S primerjavo vektorjev besed ali besednih zvez lahko algoritmi določijo podobnost ali sorodnost konceptov, ki jih predstavljajo, kar je bistveno za številne napredne naloge razumevanja in tvorjenja jezika.
(Zaenkrat) Problematičeno kontekstno okno (context window)
Kritični dejavnik za vse modele je kontekstno okno (context window) – količina besedila, ki ga lahko model obravnava naenkrat , ki vpliva na skladnost in globino med interakcijami. Kontekstno okno je pomembno zlasti iz naslednjih razlogov:
-
Skladnost in ustreznost: Večje kontekstno okno omogoča modelu, da ohrani nit pogovora ali dokumenta, kar vodi k bolj skladnim in kontekstualno ustreznim odzivom.
- Ustvarjanje besedila: Pri nalogah, kot je pisanje člankov, zgodb ali kode, večje kontekstno okno modelu omogoča ustvarjanje vsebine, ki je skladna s prejšnjimi deli
- Poglobljenost pogovora: V sistemih za dialog večje kontekstno okno umetni inteligenci omogoča, da si zapomni prejšnje dele pogovora in se nanje sklicuje, kar ustvarja bolj zanimivo in naravno interakcijo.
- Iskanje znanja: Pri nalogah, ki zahtevajo sklicevanje na obsežna besedila ali pridobivanje podatkov iz več delov dokumenta, večje kontekstno okno modelu omogoča učinkovitejše navzkrižno sklicevanje in sintetiziranje informacij.
Vendar obstajajo kompromisi, saj večja kontekstna okna zahtevajo več računske moči in pomnilnika za obdelavo. To lahko vpliva na odzivni čas in stroške. To je ključno področje razlikovanja med modeli LLM, saj lahko izboljšave kontekstnega okna bistveno povečajo uporabnost in prilagodljivost modela pri zapletenih nalogah.
Claude 2 ima kontekstno okno 100 000 tokenov (žetonov), medtem ko ima GPT-4-turbo kontekstno okno 128 000 žetonov. V angleščini je povprečno število besed na 1 000 žetonov približno 750. Raziskovalci v kratkem napovedujejo modele z več kot milijonom žetonov.
Potovanje od prompta do končnega odgovora
- Ko mehanizem LLM konča usposabljanje, je pripravljen, da začne ustvarjati odgovore na pozive (torej prompte), ki mu jih posredujejo uporabniki.
- Ko uporabnik vnese prompt (poziv), se ta vnese v možgane nevronskega omrežja LLM. Ta ima v svoji možganski arhitekturi posebne komponente, ki pomagajo analizirati poziv.
- En del je posebej pozoren na najpomembnejše besede v kontekstu, podobno kot se pri branju osredotočamo na ključne besede.
- Druga komponenta si zapomni vrstni red besed in mesto, kjer se nahajajo v pozivu, kar je pomembno za pravilno razumevanje konteksta.
- Z uporabo možganskih komponent sistem LLM ustvari seznam besed, ki bi lahko logično sledile v odgovoru. Vsaki možni naslednji besedi dodeli oceno verjetnosti.
- Nato z uporabo tehnike, imenovane dekodiranje, izbere najboljše možnosti besed in jih pretvori v končni odgovor.
- Tako lahko izbere najverjetnejšo naslednjo besedo, lahko pa naključno izbere nekaj najverjetnejših kandidatov, da se odgovor ne bi ponavljal in bi zvenel bolj človeško.
- Če povzamem, posebna arhitektura možganov LLM pomaga, da je pozoren na prave besede, si zapomni njihov vrstni red in dodeli verjetnost naslednjim besedam. Nato najboljše možnosti dekodira v odgovor, ki ustrezno ustreza pozivu.
- Ta postopek omogoča, da program LLM na podlagi začetnega GPT vnosa (prompta) uporabnika ustvari človeku zelo podobne odgovore, ki smiselno nadaljujejo pogovor.
- Ena od ključnih prednosti mehanizmov LLM je njihova zmožnost učenja z nekaj posnetki ali brez posnetkov. To pomeni, da lahko posplošijo svoje znanje iz faze pred učenjem in se hitro prilagodijo novim nalogam ali področjem z minimalnimi dodatnimi podatki za učenje. Pri učenju z nekaj udarci je modelu na voljo majhno število primerov, na katerih se uči, pri učenju z ničelnim udarcem pa se model pri oblikovanju odgovora zanaša le na svoje predhodno znanje in dani poziv.
- Pri nalogah razumevanja in ustvarjanja naravnega jezika so modeli LLM pokazali izjemen napredek, njihova uporaba pa zajema različna področja, kot so umetna inteligenca v pogovoru, ustvarjanje vsebin, prevajanje, sistemi za odgovarjanje na vprašanja in drugo. Vendar se je treba zavedati, da mehanizmi vseživljenjskega učenja niso brez omejitev. Včasih lahko pripravijo napačne ali nesmiselne odgovore, so občutljivi na majhne spremembe v vhodnih besednih zvezah ali kažejo pristranskost, ki je prisotna v podatkih za učenje. Zato ima pri zmanjševanju teh omejitev in zagotavljanju, da bodo mehanizmi vseživljenjskega učenja dali želene rezultate za določeno nalogo ali aplikacijo, ključno vlogo inženiring GPT vnosov (promptov).
Priporočeno branje ( v ang. jeziku ) :
Rick H.
https://www.linkedin.com/pulse/prompt-engineering-getting-what-you-want-from-chatgpt-rick-hightower/
Jun 14, 2024 | Amazon
Zmagati v “Buy Box” bitki in posledično dobiti “Buy Box” pomeni, da je Amazonov algoritem vašo ponudbo ocenil kot najboljšo možnost za stranko, kadar več prodajalcev ponuja isti izdelek. Zmaga v rubriki “Buy Box” je Amazonov način, kako povedati, da ste pridobili nakupni klik kupca. Ne glede na to, koliko prodajalcev ponuja isti izdelek, bo na Amazonovi tržnici objavljen le en izdelek. Prodajalec, ki je trenutno zmagovalec Buy Boxa, ima na seznamu prikazano svojo ceno, tako da ko stranka klikne “Dodaj v košarico”, dobi to določeno ceno. Če se odloči, lahko kupi pri drugem prodajalcu – vsi drugi prodajalci (ki trenutno niso zmagovalci Buy Boxa) bodo navedeni v stranski vrstici na desni strani strani izdelka, skupaj z njihovimi cenami in ocenami . Kadar je več prodajalcev istega izdelka, mora imeti Amazon način, kako ugotoviti, komu naj “posreduje” prodajo. Če je na primer 10 prodajalcev izdelka in imajo vsi različne ponudbe (na primer različne cene ali prodajne pogoje), kdo naj dobi prodajo?
Za rešitev tega problema ima Amazon svoj iskalni algoritem, ki daje prednost ustreznosti, hitrosti prodaje in meritvam konverzije ter primerja, ali je ponudba upravičena do programa Prime (tj. prodajalec FBA, ki izpolnjuje prek programa Prime, ali Amazon sam, ki izpolnjuje prek programa prodajalca). Amazon bo pogosto zmagal pri prodaji, če bo imel ponudbo za izdelek.
A9 Algoritem je zelo pomemben interni Amazonov algoritem 
Drugi dejavnik je cena: pogosto bo pri prodaji zmagala ponudba z najnižjo ceno, čeprav ne vedno.
Drugi element, ki prispeva k algoritmu, je ugled prodajalca – čas, v katerem je prodajalec aktiven na Amazonu, v primerjavi s konkurenčnimi prodajalci ter njegove splošne ocene povratnih informacij in stopnje uspešnosti. To so vsi dejavniki, ki po mojem trenutnem razumevanju prispevajo k temu, kdo zmaga v tekmi za “Buy Box”. Če drugi prodajalci prodajajo “vaš” izdelek, je pomembno, da si zagotovite najboljše možnosti za zmago pri vsaki prodaji. To lahko storite tako, da prilagodite svoje cene, pridobite več pozitivnih ocen zadovoljnih kupcev (mnenj strank) ter optimizirate svoje postopke. Čeprav cena ni edini dejavnik, je pomemben. V algoritmu imata pomembno vlogo tudi položaj in ugled prodajalca.
Če je prodajalec A na Amazonu le nekaj tednov, ima le peščico mnenj in ponuja izdelek po ceni 30 USD (medtem ko ga prodajalci B do F prodajajo po ceni 35 USD), prodajalec A verjetno še vedno ne bi dobil nakupnega okna (= Buy Box-a). Če pa je prodajalec A na Amazonu že nekaj let in ima veliko pregledov, bi ga najverjetneje osvojil. Prodajalci z velikimi katalogi izdelkov ne želijo sedeti na Amazonu in ves dan prilagajati cen, da bi povečali svoje možnosti za zmago v Buy Boxu. Na srečo je na voljo programska oprema za popravljanje cen, ki na podlagi pravil, ki jih določite sami, samodejno prilagodi cene vaših izdelkov. Lahko na primer določite, da mora cena vedno ostati nad določenim zneskom v dolarjih in da ne želite, da se popravljanje cen izvaja pogosteje kot petkrat na dan. S tem bi zagotovili, da so vaše cene optimizirane za konkurenčnost, ne da bi se znašle v “dirki do dna”.
Kako izboljšati oceno prodajalca in povečati pogostost nakupnega okna
Govorili smo že o tem, kako zelo pomembne so pozitivne ocene za povečanje prodaje na Amazonu, vendar k temu močno prispevajo tudi povratne informacije prodajalcev. To naj bi bile povratne informacije strank o njihovih neposrednih izkušnjah s prodajalcem. Če uporabljate storitev FBA, v resnici z vidika izpolnjevanja naročil ne boste imeli veliko interakcije s strankami.
Nimate številk za sledenje, nimate nadzora nad časovnim okvirom dostave in ne morete storiti veliko, da bi vplivali na izkušnjo stranke, vendar še vedno obstaja ta metrika povratnih informacij strank, s katero se lahko merite. Stranke lahko po prodaji pišejo mnenja in ocenjujejo prodajalce, tako kot lahko to počnejo pri ocenah izdelkov. Razlika je v tem, da se povratne informacije o prodajalcu prikažejo šele, ko stranka klikne na vaš profil prodajalca, zato morate ustvariti ravnovesje med pridobivanjem mnenj o izdelkih (ki pomagajo pri konverziji izdelkov) in povratnimi informacijami o prodajalcu (ki pomagajo pri pridobivanju nakupnega okna). Priporočamo, da določenemu odstotku strank sledite in jih prosite, naj pustijo mnenje prodajalca, da boste dopolnili svoje metrike.
Jun 12, 2024 | Magento
Nekaj najpogostejših ovir, s katerimi se podjetja srečujejo v digitalni dobi pri poslovanju B2B:
- Kompleksni računi strank z več uporabniki in delovnimi tokovi odobritve.
- Potreba po personaliziranih katalogih izdelkov in večstopenjskih cenovnih strukturah.
- Omogočanje nemotenih zahtevkov za ponudbe in upravljanje naročil po meri.
- Brezhibno povezovanje z obstoječimi sistemi naročanja, ki jih uporabljajo kupci v podjetjih.
- Pridobivanje dragocenega vpogleda v vedenje strank B2B za optimizacijo prodajnih strategij.
Prava platforma omogoča podjetjem, da izpolnijo te zahteve z racionalizacijo delovnih tokov in izboljšanjem operativne učinkovitosti. Ti statistični podatki kažejo prepričljivo sliko: B2B e-trgovina doživlja rast brez primere, kupci pa vse bolj dajejo prednost digitalnim kanalom. Da bi izkoristila to priložnost in ohranila konkurenčno prednost, morajo podjetja sprejeti rešitev z veliko funkcijami, kot je Adobe Commerce.
Zato bom v naslednjem razdelku govoril o tem, kako Adobe Commerce izpolnjuje te nujne essencialne zahteve e-trgovine B2B.
Računi podjetja in vloge uporabnikov:
Funkcija Company Accounts & User Roles v storitvi Adobe Commerce olajšuje ustvarjanje kompleksnih računov strank B2B. Omogoča vzpostavitev hierarhij ter dodelitev različnih vlog in dovoljenj različnim uporabnikom v organizaciji.
Primer:
Razmislite o scenariju proizvajalca z imenom “ABC Widgets”, ki vključuje več oddelkov, kot so inženiring, nabava in finance. Mimogrede, vsi so pooblaščeni za izvajanje nakupov prek platforme. Z uporabo storitve Adobe Commerce lahko podjetje “ABC Widgets” združi te različne entitete v en sam račun podjetja. Znotraj tega računa so različnim oddelkom dodeljene posebne uporabniške vloge: inženirji imajo dostop do specifikacij izdelkov, osebje v nabavi lahko oddaja naročila, sodelavci v finančnem oddelku pa lahko dostopajo do računov in nadzorujejo upravljanje kreditnih limitov. S tem strukturiranim pristopom Adobe Commerce omogoča učinkovito sodelovanje in prilagojen nadzor dostopa. To pa je bistvenega pomena za optimizacijo poslovanja B2B za boljšo produktivnost in zadovoljstvo strank.
Skupni katalogi in cene:
Ta funkcija Adobe Commerce podjetjem omogoča, da prilagodijo ponudbo izdelkov in cenovne strategije za posamezne stranke ali skupine. Ta funkcija podjetjem omogoča ustvarjanje in upravljanje skupnih katalogov s prilagojenimi cenovnimi strukturami, ki so prilagojene različnim segmentom. Katalogi lahko vsebujejo tudi količinske popuste, namenjene strankam z visoko vrednostjo.
Primer:
Distributer z imenom “XYZ Supplies” oskrbuje različne trgovce na drobno na trgu. S to funkcijo Adobe Commerce B2B družba XYZ Supplies pripravi specializirane kataloge za izpolnjevanje edinstvenih potreb različnih segmentov strank. Tako lahko na primer razvije skupni katalog, ki vsebuje znižane cene, posebej oblikovane za množična naročila velikih trgovskih verig. S tem lahko spodbudi količinske nakupe. Hkrati lahko podjetje XYZ Supplies vzdržuje standardni katalog z rednimi cenami za manjše maloprodajne trgovine. Ta strateški pristop podjetjem omogoča, da optimizirajo svoje strategije določanja cen, s tem pa krepijo odnose s strankami in spodbujajo rast prihodkov.
Zahteva za ponudbo:
Ta funkcija je katalizator za lažje pogajanje B2B in upravljanje zahtevkov za naročila po meri brez zapletov. S to funkcijo lahko stranke B2B zahtevajo ponudbe za prilagojene konfiguracije ali nestandardne izdelke, pri čemer se delovni tokovi pogajanj in odobritve sprožijo neposredno v platformi.
Primer:
Predstavljajte si scenarij, v katerem je dobavitelj medicinske opreme z imenom “MeTech” specializiran za ponudbo prilagojenih medicinskih vozičkov različnim zdravstvenim ustanovam. Bolnišnica lahko z uporabo funkcije zahtevka za ponudbo in upravljanja ponudbe zahteva ponudbo za specializiran medicinski voziček. Podjetje MeTech lahko natančno pregleda specifikacije stranke, prilagodi cene, da se prilagodijo prilagoditvam, in nato pripravi uradno ponudbo za odobritev. Ta poenostavljen postopek pospešuje transakcije B2B ter spodbuja preglednost in učinkovitost pri upravljanju naročil po meri.
Vključitev sistema Punchout:
Namen integracije Punchout je olajšati nakupne izkušnje B2B brez trenj neposredno iz uveljavljenih nabavnih sistemov. Zahvaljujoč integraciji s sistemi Punchout, ki jih uporabljajo korporativne stranke, ta funkcionalnost kupcem omogoča dostop do platforme in nakupovanje na njej v okviru njihovih znanih delovnih tokov nabave.
Primer:
Ponudnik za izobraževanje z imenom “LearnSmart” je integriral sistem za izdajo naročil, ki ga običajno uporabljajo šole. Zahvaljujoč integraciji lahko šolski administratorji naročajo izobraževalna gradiva s platforme LearnSmart, ne da bi zapustili svoj nabavni sistem. Ta brezhibna integracija racionalizira postopek nabave, povečuje učinkovitost in zmanjšuje število napak. Integrirana nabavna izkušnja pomaga podjetjem, kot je LearnSmart, graditi močnejše odnose s svojimi korporativnimi strankami.
Napredno poročanje in analitika:
Napredno poročanje in analitika v Adobe Commerce podjetjem pomaga pridobiti ključne vpoglede v vedenje njihovih strank B2B. Ta orodja, ki so posebej namenjena transakcijam B2B, podjetjem omogočajo spremljanje zgodovine nakupov, analizo nakupnih vzorcev in prepoznavanje priložnosti za rast.
Primer:
Veletrgovec z imenom “Bulk Buya” uporablja analitične zmogljivosti Adobe Commerce za B2B, da natančno prepozna segmente strank z visoko stopnjo ponovnih naročil. Na podlagi tega znanja lahko veletrgovec izvaja strateško usmerjene trženjske pobude za promocijo novih izdelkov ali uvedbo programov zvestobe. Ta pristop, ki temelji na podatkih, ne le povečuje sodelovanje s strankami, temveč tudi pomaga gojiti dolgoročne odnose, kar spodbuja trajnostno rast in dobičkonosnost.
Jun 3, 2024 | PPC
Pred kratkim je bil na spletu objavljen del Googlove kode. Na stotine tržnikov in strokovnjakov za podatkovno rudarjenje se trudi, da bi informacije osmislili in povezali, kako vas Google dejansko uvršča. Številne informacije so precej eksplozivne, npr. da Google daje prednost velikim spletnim mestom pred manjšimi. To smo vsi sumili in to je potrjeno.
Google očitno uporablja Chrome za razvrščanje strani
To je še posebej zanimivo, saj je Google prej zanikal, da bi Chrome uporabljal za razvrščanje spletnih strani.
Iz dokumentov, ki so jih razčlenili strokovnjaki, kot je Fishkin, je razvidno, da Google spremlja, koliko klikov na spletno stran opravijo uporabniki v njegovem spletnem brskalniku Chrome, da bi izbral, katere strani spletnega mesta bo vključil v svoj zemljevid iskalnih poizvedb.
Čeprav se ne zdi, da Google te informacije uporablja za odločanje o tem, kam bo uvrstil celotno spletno mesto, analitiki domnevajo, da podjetje uporablja dejavnost brskalnika Chrome za odločanje o tem, katere notranje strani bo prikazalo v iskanju pod domačo stranjo spletnega mesta.
Google uporablja tag “small personal”.
Strokovnjak za SEO Mike King iz podjetja iPullRank je to označil in sprožil več vprašanj kot odgovorov.
Glede na analizo Googlovega internega dokumenta ima podjetje posebno zastavico, ki jo pripiše “majhnim osebnim spletnim mestom”. Ni jasno, kako Google določi, kaj je “majhna” ali “osebna” spletna stran, prav tako ni nobenih informacij o tem, zakaj Google označuje spletne strani s to oznako. Je to namenjeno njihovi promociji v iskanju? Da bi jih degradiral na lestvici?
Njen namen je za zdaj skrivnosten.
AI ?
Google poskuša ugotoviti, koliko truda je bilo vloženega v ustvarjanje vsebine. Na podlagi opredelitve ne vemo, ali je na ta način ocenjena vsa vsebina s strani LLM ali gre le za vsebino, za katero sumijo, da je ustvarjena z uporabo AI.
Kliki so zelo pomembni
To je še eno vprašanje, o katerem strokovnjaki za SEO že dolgo ugibajo, Google pa ga je v preteklih letih zanikal. In spet se zdi, da so imeli strokovnjaki prav.
Izkazalo se je, da se Google pri uvrstitvah v iskanju veliko bolj zanaša na klike uporabnikov, kot je bilo prej znano.
NavBoost je Googlov dejavnik razvrščanja, ki se osredotoča na izboljšanje rezultatov iskanja. Za izboljšanje teh rezultatov se močno osredotoča na podatke o klikih. Po besedah Kinga zdaj vemo, da ima NavBoost “poseben modul, ki je v celoti osredotočen na signale klikov”. Eden glavnih dejavnikov, ki določa uvrstitev spletnega mesta za iskalno poizvedbo: kratki kliki v primerjavi z dolgimi kliki ali kako dolgo uporabnik ostane na strani po kliku na povezavo iz iskalnika Google.
Natančno ujemajoče se domene (Exact match domains) lahko škodijo uvrstitvi v iskanju
Če ste kdaj naleteli na ime domene z več ključnimi besedami in pomišljaji, kot je na primer used-cars-for-sale.net, je bil vsaj del razloga verjetno SEO. Med vlagatelji v domene in skupnostjo digitalnega trženja je dolgo veljalo prepričanje, da Google nagrajuje natančno ujemajoča se domenska imena.
Izkazalo se je, da to ni vedno res. Pravzaprav lahko natančno ujemajoča se domena poslabša vaše uvrstitve.
Pred približno desetimi leti je Google sporočil, da natančno ujemajoča se domenska imena ne bodo več zelo cenjena kot orodje za doseganje uvrstitev, čeprav je bil algoritem nekoč naklonjen tem imenom. Vendar imamo zdaj zaradi tega uhajanja dokaze, da obstaja mehanizem za aktivno degradiranje teh spletnih mest v iskalniku Google. Izkazalo se je, da Google na številne tovrstne domene gleda enako kot na prakse polnjenja ključnih besed. Algoritem te vrste url-jev obravnava kot spam.
NavBoost : Sistem razvrščanja, ki temelji na dnevnikih klikov uporabnikovega vedenja.
QualityBoost : Sistem razvrščanja, ki temelji na kakovosti vsebine – določa ga več dejavnikov.
RealTimeBoost : Sistem razvrščanja, ki temelji na svežini vsebine – večinoma ga določajo datum objave/posodobitve in drugi datumi, navedeni v vsebini.
WebImageBoost : Sistem razvrščanja, ki temelji na slikah v dokumentu.
Čeprav ni informacij o utežeh parametrov razvrščanja, ki bi določale, koliko določena značilnost vpliva na razvrstitev, lahko sklepamo o nekaterih stvareh :
Google izrecno shranjuje avtorje dokumenta kot besedilo. Prav tako preveri, ali je subjekt, ki je omenjen na strani, avtor strani. Zaradi pomena, ki ga dajejo, je jasno, da imajo informacije o avtorjih pomembno vlogo pri razvrščanju.
Dejansko to pomeni, da višja kot je stopnja, bolj dragocena je povezava.
Strani, ki veljajo za “sveže”, veljajo tudi za visokokakovostne.
Sidra, ustvarjena v času konice, so označena z LINK_SPAM_PHRASE_SPIKE. Zato ne smete v zelo kratkem času dobiti na stotine povratnih povezav, sicer se lahko njihova teža zmanjša ali celo nastavi na 0, s čimer se ustvari majhen ali nikakršen vpliv povezav.
Medtem ko so podatki o prepovedi /disavow / dostopa lahko shranjeni nekje drugje, v vmesniku API ni nobene omembe prepovedi dostopa. Obstaja možnost, da je bil disavow množični inženirski napor za usposabljanje Googlovih klasifikatorjev neželene pošte.
Z vsakim dokumentom je povezana njegova domača stran PageRank. Ta HomePageRank in siteAuthority se verjetno uporabljata kot približek za nove strani, dokler ne pridobijo lastnega PageRanka.
Oblikovanje je pomembno. Vse različice poševnega in krepkega tiska ter velikosti pisave, ki jih izvajamo, imajo splošen vpliv na razvrščanje. Google spremlja povprečno ponderirano velikost pisave izrazov v dokumentih.
V dokumentaciji je navedeno, da je v sistemu Mustang določeno največje število znakov, ki se upoštevajo za dokument, pri čemer je poudarjeno, da morajo avtorji svojo najpomembnejšo vsebino umestiti na začetku.
Čeprav je bilo veliko razprav o tem, ali ima starost domene kakšno vlogo pri razvrščanju, zdaj vemo, da Google shranjuje najnovejše informacije o registraciji na ravni dokumenta.
Uporablja se lahko tudi kot sandbox prej registrirane domene, ki je spremenila lastništvo.
Veliko strategij, ki vključujejo nakup uglednih domen s pretečenim rokom veljavnosti (expired domains) bi moralo postati preteklost, saj pravila o zlorabi domen s pretečenim rokom veljavnosti upoštevajo te podatke.
Beli seznami tem
Glede na analizo dokumentov ima Google za določene teme bele sezname (whiteslist). To pomeni, da je treba spletna mesta, ki se v iskalniku Google pojavljajo za te vrste iskalnih poizvedb, odobriti ročno in se ne prikazujejo na podlagi običajnih algoritemsko razvrščenih iskalnih dejavnikov.
Nekatere teme niso preveč presenetljive. Spletna mesta, ki vsebujejo vsebino, povezano z informacijami COVID, in poizvedbe o politiki, zlasti v zvezi z informacijami o volitvah, so uvrščena na beli seznam.
Obstaja pa tudi bela lista za spletne strani s potovalnimi vsebinami. Ni natančno jasno, čemu je ta bela lista namenjena. Strokovnjaki za SEO so namignili, da bi to lahko bilo povezano s prikazovanjem potovalnih spletnih mest v posebnih zavihkih in gradnikih za potovanja v Googlu.
Google je “lagal”
Fishkin, King in drugi strokovnjaki za SEO so lahko zaradi tega odtujenega dokumenta potrdili in ovrgli kar nekaj teorij SEO. In zdaj jim je jasno, da Google v preteklih letih ni bil povsem resničen glede delovanja svojega iskalnega algoritma.
“‘Lagal’ je sicer kruta beseda, vendar je to edina točna beseda, ki jo lahko tu uporabimo,” je zapisal King v svoji razčlenitvi dokumenta Google Content API Warehouse.
“Čeprav Googlovim javnim predstavnikom ne očitam nujno, da so zaščitili svoje lastniške informacije, pa se ne strinjam z njihovimi prizadevanji, da bi aktivno diskreditirali ljudi iz sveta trženja, tehnologije in novinarstva, ki so predstavili ponovljiva odkritja,” je dejal.
Medtem ko bodo strokovnjaki iz panoge še naprej prebirali ta obsežni dokument, bomo morda kmalu izvedeli še nekaj zanimivih podrobnosti, ki jih skriva Googlov iskalni algoritem.
UPDATE: maj. 30. december 2024, 10:52 EDT Google je potrdil legitimnost razkritega dokumenta.
- Tudi avtoriteta domene obstaja, kljub temu da Google pravi, da je v kodni bazi in je zelo pomemben del Googlovega algoritma.
- Potrjena je tudi teorija o “slabih povratnih povezavah”. Da, v Googlovi kodni bazi obstaja slaba povratna povezava, ki nakazuje, da Google kaznuje spletna mesta, ki imajo slabe povratne povezave.
- Google pri razvrščanju spletnih mest uporablja klike. To pomeni, da če za določeno iskanje vaš rezultat dobi več klikov, se bo sčasoma začel uvrščati višje.
- Google meri tudi čas, porabljen na spletnem mestu. Če ljudje po iskanju obiščejo vaše spletno mesto in se ne vrnejo v Google, je to dober rezultat in se uvrsti. Če se ljudje hitro vrnejo, Google ve, da gre za manj ustrezen rezultat, in to informacijo uporabi za razvrščanje.
- UX je prav tako dejavnik. Če imate pokvarjene povratne povezave, slabo navigacijo, počasno spletno mesto, vas uvrsti nižje.
- Google hrani tudi podatke o avtorjih informacij in glede na avtoriteto izboljša uvrstitev.
- Prav tako se beleži, kako komercialna je stran.
- Naslov strani je še vedno ena najpomembnejših lastnosti in se ujema z iskalno poizvedbo.
- Obstaja atribut, ki posebej označuje majhna osebna spletna mesta/bloge. Ni jasno, čemu je namenjen.
- Google ima oceno siteAuthority
- NavBoost je skoraj v celoti sestavljen iz podatkov o klikih, kot sta najdaljši klik iz SERP-a (rezultat iskanja, ki ga je uporabnik najdlje iskal) in zadnji dober klik (zadnjič, ko je nekdo obiskal vaše spletno mesto in ostal na njem). Spremlja klike v obdobju 13 mesecev.
- Google spremlja obiske brskalnika Chrome na spletu in tako ugotavlja vedenje uporabnikov
- Zdi se, da preveč optimiziran anchor text – zlasti če se stalno uporablja za povezave do vašega spletnega mesta s strani tretjih oseb – sproži znižanje vrednosti teh povezav
- Slaba navigacija in exact match domains znižajo vaše uvrstitve
- Google hrani vsaj zadnjih 20 različic vaših spletnih strani. Ni jasno, kako velika sprememba bi morala biti na strani, da bi se štela za novo različico.
- Velikost pisave za povezave in teža besedila sta atributa, ki ju Google spremlja. Večje povezave se zdijo bolj pozitivne in zdi se, da Google krepko besedilo bere drugače kot običajno besedilo.
- Google ima parameter za keyword stuffing
- Google spremlja, kdaj poteče veljavnost domen
- Če je na spletnem mestu več kot 50 % strani opremljenih z videoposnetki, se spletno mesto uvrsti med videoposnetke. Ni jasno, ali morajo biti ti videoposnetki indeksirani, ali morajo biti na določenem območju objave ali pa morajo biti nativno naloženi na spletno mesto
- Vsebina YMYL ima lastno oceno uvrstitve
- Obstaja atribut “zlati standard”, za katerega se zdi, da razmejuje vsebine, ki jih je ustvaril človek (human generated content), vendar ni jasno, kako se sproži
- AI Overviews v dokumentu niso nikoli omenjeni
- Notranje povezave (internal links) kot atribut niso jasno omenjene ?!
- Tri teme imajo “whitelists” . To so potovanja, Covid in politika. Ni jasno, ali gre pri potovalnih straneh za splošne SERP-e, Googlov razdelek “potovanja” ali celo za widgete. Zanimivo pa je, da je potovanje edina niša, ki ni zajeta v sistemu YMYL.
Aplikacija za Lokalni SEO : https://www.localseoguide.com/local-seo-according-to-the-leaked-google-api-documents/
May 21, 2024 | Amazon
Amazon je s stotinami milijonov izdelkov, ki so navedeni v 30 različnih kategorijah, nedvomno najboljša platforma za e-trgovino za prodajalce. Poleg teh velikih številk lahko Amazonovi prodajalci z uporabo posebnega sistema razvrščanja, imenovanega rang najboljših prodajalcev (BSR), pridobijo še eno veliko spodbudo pri prodaji izdelkov.
Kaj pomeni BSR?
Amazon BSR je kratica za Best Sellers Rank (rang najboljših prodajalcev). Amazon izdelku dodeli oceno BSR, ki označuje tudi njegovo prodajno uspešnost v določeni kategoriji.
Prav tako ne pozabite, da Amazon BSR uporablja ordinalno lestvico. Nižja vrednost BSR za izdelek pomeni, da je prodaja določenega izdelka visoka. Izdelek z BSR 1 je najboljši v tej kategoriji, saj je njegova prodaja ogromna. Rang BSR se redno posodablja (nekajkrat na dan).
Kaj je BSR na Amazonu?
Rang najbolje prodajanih izdelkov na Amazonu je zelo pomembna številka, ki jo ima večina, če ne vsi izdelki na Amazonu. To številko izdelek dobi, ko doseže vsaj eno prodajo. Končni namen številke BSR (Best Sellers Rank) pa je prikazati, kako dobro se določen izdelek prodaja na Amazonu. Skratka, nižja kot je vrednost BSR izdelka, večja je njegova prodaja. Vendar pa si morajo prodajalci zapomniti, da Amazonova lestvica BSR kaže le, kako dobro se izdelek prodaja v eni kategoriji. Amazonovi izdelki nimajo drugačnega BSR ali številke, ki bi pokazala, kateri izdelek v celotnem Amazonovem katalogu je najboljši.
Namesto tega Amazon prodajalcem omogoča, da svoje izdelke uvrstijo v več kot eno kategorijo (recimo, da je izdelek uvrščen v tri kategorije). V tem primeru bo Amazon istemu izdelku dodelil tri ločene ocene BSR, s čimer se poveča možnost, da bo ta izdelek prejel najboljšo oceno BSR.
Kako se izračuna BSR?
Čeprav Amazon ne navaja izrecno, kako se izračuna rang najboljšega prodajalca, pa k temu verjetno prispeva nekaj dejavnikov.
Ti so naslednji:
- trenutna in pretekla prodaja vašega izdelka
- spremembe cen in promocije vašega izdelka
- konkurenti vašega izdelka
Največji vpliv na lestvico BSR pa imajo nedvomno trenutni prodajni trendi – poleg obsega prodaje v preteklosti. Opozoriti je treba tudi, da se BSR posodablja vsako uro.
Recimo, da vaš izdelek v eni uri proda deset enot, v naslednji uri pa se drastično zmanjša na samo 2 ali 3 enote. Tudi če je vaš izdelek v prvi uri na prvem mestu, bo posodobljeni BSR pregledal in združil podatke iz obeh ur na skrivni način, ki ni razkrit javnosti, kar lahko vaš izdelek premakne s prvega mesta ali pa tudi ne.
Kaj je dober BSR?
Ne pozabite, da se posamezne kategorije Amazonovih najboljših prodajalcev razlikujejo. To pomeni, da je lahko dober BSR za elektroniko slab za dom in kuhinjo. Poleg tega imajo lahko različni Amazonovi prodajalci drugačne predstave o tem, kaj je “dobro”.
Kako najti BSR na Amazonu
BSR izdelka lahko preprosto najdete tako, da se odpravite na stran izdelka na Amazonu, se pomaknete navzdol do zavihka “Informacije o izdelku” in poiščete informacije .
Kako uporabiti BSR za oceno prodaje
Številni Amazonovi prodajalci se strinjajo, da je najpomembnejša prednost lestvice najboljših prodajalcev na Amazonu možnost napovedovanja vrednosti posameznega izdelka na Amazonu.
Kako izboljšati Amazon BSR
Če želite svojo oceno Amazon BSR dvigniti na višjo raven, morate prodajati prodajati prodajati prodajati! Ne pozabite, da se vaša ocena BSR ne bo nikoli izboljšala, če boste prodali toliko izdelkov kot vaš konkurent – ne več in ne manj. Preverite te štiri bistvene nasvete za hitro in učinkovito izboljšanje BSR:
1. Optimizirajte svojo ponudbo
Če želite izboljšati možnosti, da kupci najdejo in kupijo vaš izdelek, morate svojo ponudbo optimizirati s priljubljenimi ključnimi besedami v prepričljivem besedilu. Vendar pa s ključnimi besedami ne pretiravajte!
2. Konkurenčna cena vašega izdelka
Usedite se in začrtajte zmagovalno cenovno strategijo za vsak izdelek. Ne postavljajte previsokih cen izdelka v primerjavi s konkurenti; ta slaba praksa vam ne bo pomagala prodati več izdelkov ali povečati BSR.
3. Optimizirajte svoje slike za kotizacijo
Spletna prodaja izdelkov pomeni, da lahko kupci vaše izdelke držijo v rokah ali jih celo vidijo šele po nakupu, zato je optimizacija slik izdelkov bistvenega pomena. Preden jih dodate, dobro premislite, saj bodo v veliki meri odločale o tem, ali bo nekdo kupil vaš izdelek ali ga bo zamenjal za katerega od vaših konkurentov.
4. Seznamu izdelkov priložite videoposnetek
Dodajanje videoposnetka na seznam izdelkov namesto ene slike je koristno. Ko na svojo ponudbo dodate videoposnetek izdelka, ustvarite izboljšano – in profesionalno – izkušnjo za stranke, zaradi katere se bodo večkrat vrnile.
Nov 21, 2023 | Amazon
Nov 21, 2023 | Ecommerce
Slovenci v povprečju opravijo dva do tri spletne nakupe mesečno, najpogosteje kupujejo oblačila
Več kot dve tretjini Slovencev za dostavo artiklov izbereta dostavo na dom
Slovenci prek spleta v povprečju opravijo dva do tri spletne nakupe mesečno, za posamezen spletni nakup pa povprečno namenijo 66 evrov. Najpogostejši so nakupi oblačil in obutve, sledijo prehranska dopolnila in kozmetika, kaže raziskava Akosa.
Raziskavo o nakupnih navadah prek spleta, ki je zajela več kot 1000 prebivalcev Slovenije, je Agencija za komunikacijska omrežja in storitve RS (Akos) opravila septembra in oktobra. Kot ugotavlja, so pogosti nakupovalci za nakupe v spletnih trgovinah v treh mesecih pred raziskavo zapravili v povprečju 387 evrov, občasni uporabniki spletnih trgovin pa 252 evrov.
Tretjina uporabnikov (34 odstotkov) je nakupe opravila v spletnih trgovinah v Sloveniji, 20 odstotkov pa v trgovinah na trgih EU-ja. Skoraj polovica oz. 47 odstotkov jih je kupila oblačila in obutev, po 23 odstotkov pa prehranska dopolnila in kozmetiko. Sledijo izdelki za šport in prosti čas, bela tehnika, računalniki, hrana in izdelki za živali, pohištvo ali izdelki za dom in vrt ter knjige.
Preko telefona pogosteje nakupujejo ženske, in sicer v 62,1 odstotka, medtem ko moški spletne nakupe pogosteje opravljajo preko računalnika, v 70,3 odstotka. Pogosteje so preko pametnega telefona nakupovali tudi Slovenci v starostni skupini do 44 let (71,5 odstotka), medtem ko so nad to starostno skupino pogostejši nakupi preko računalnika (65,1 odstotka).
V starostnih skupinah se razlikujejo tudi plačilne navade, in sicer so uporabniki v starostni skupini do 44 let kot plačilno sredstvo za svoje nakupe najpogosteje izbrali nakup s kartico (59,1 odstotka), starejši od 44 let pa plačilo po povzetju (45,5 odstotka).
Skoraj vsi pričakujejo, da je dostava pri nakupu nad 50 evrov brezplačna
Kar se tiče dostave, so v raziskavo zajeti prebivalci najpogosteje izbrali dostavo na dom, takšnih je bilo 72 odstotkov uporabnikov. Za dostavo v paketomat se jih je odločilo 11 odstotkov, nekaj anketiranih si je dostavo naročilo v službo (šest odstotkov). Skoraj vsi (96 odstotkov) za dostavo spletnih nakupov nad zneskom 50 evrov pričakujejo brezplačno dostavo.
Glede zanesljivosti in prijaznosti sta bila med dostavnimi službami v povprečju najbolje ocenjena Pošta Slovenije in DPD, glede cene dostave pa Express One SI. Reklamacijo zaradi napak je lani pri dostavi vložilo sedem odstotkov uporabnikov, približno polovica jih je bila nato z obravnavanjem reklamacije zadovoljna.
Nov 15, 2023 | Ecommerce
Za pridobivanje prometa na spletnem mestu obstaja veliko načinov. Nasvete prilagodite svojemu poslovanju in uporabi, kar je zate najbolj smiselno. Ne pozabi, da je tudi metanje hrane v zrak način za pritegovanje golobov. Ampak najprej preveri, če so golobi tisto, kar dejansko potrebuješ.
– Plačljiva promocija
– Izvedi kampanje Google Ads
– Izvedi kampanje Microsoft Advertising
– SEO
– Optimiziraj ključne besede
– Preveri SERP
– Izvedi notranje povezave
– Zagotovi boljšo uporabniško izkušnjo
– izvedi vzpostavljanje povezav
– Izboljšaj lokalni SEO
– Ustvarjanje vsebin
– Začni s blogom
– Osredotoči se na posodabljanje ustvarjanje stalno aktualne vsebine
– Izberi privlačne naslove
– Ustvari več vizualij
– Upoštevaj možnosti e-učenja
– Socialna omrežja in skupnosti
– Sodeluj z vplivneži
– ✉️ E-poštne kampanje
– Uporabljaj e-pošto za obveščanje o novih vsebinah
– Obveščaj o posodobitvah izdelkov
– Pošiljaj tedenske, dvotedenske ali mesečne izvlečke
– Izkoristi obstoječa partnerstva
– Bonus nasveti
– Poslovno dejavnost obvezno vpiši v sezname
– Ponudi brezplačna orodja ali delno brezplačna orodja
– Ustvarite partnerski program
Meta je pred kratkim predstavila NotebookLlama, „odprto“ različico Googlove funkcije za generiranje podkastov, ki jo najdete v programu NotebookLM. S pomočjo modelov Meta Llama lahko NotebookLlama ustvarja pogovorne, podkastne povzetke prenesenih besedilnih datotek, kot so članki v obliki PDF novic ali prispevki na blogu. Cilj te tehnologije je ponoviti vidik interaktivnega pripovedovanja zgodb Googlovega viralnega orodja in dodati lastne elemente dramatizacije in prekinitev, da vsebina zveni bolj dinamično.
