Авторы английской версии: Влади Рожавски, директор по Data Science, Dynamic Yield; Шана Пилевски, директор по маркетингу, Dynamic Yield; Янив Навот, Chief marketing officer (CMO), Dynamic Yield; Гиди Виго, старший директор по продукту, Dynamic Yield;
Рекомендательные системы (product recommender systems) подбирают и показывают пользователям товары, доступные для покупки на веб-страницах, в мобильных приложениях, email-рассылках, интерактивных экранах (digital kiosks), устройствах интернета вещей (IoT devices) и т.д. Товарные рекомендации — один из самых популярных методов продвижения товаров в розничной торговле. Они упрощают посетителям поиск новых, интересных именно им товаров.
Перед вами перевод «Product Recommendations Course» от компании Dynamic Yield. Над переводом работали Оля Жолудова и Ринат Шайхутдинов. При поддержке koptelnya.ru.
Коптельня — команда по быстрой разработке веб-приложений и сайтов.
Содержание:
- Что такое рекомендательные системы и как их применять для улучшения UX и роста продаж | Глава 1
- Примеры рекомендательных стратегий на сайтах и в интернет-магазинах: разбор персонализации главной страницы и карточек товаров с помощью рекомендательных виджетов | Глава 2
- Как работают рекомендательные системы и как выбрать результативную рекомендательную стратегию | Глава 3
- Персональные рекомендации и коллаборативная, совместная фильтрация (collaborative filtering) | Глава 4
- Рекомендации на базе сходств (affinity-based recommendations): введение | Глава 5
- Deep Learning в e-commerce: рассвет рекомендательных систем на базе глубокого обучения (DL) | Глава 6
- Результативные стратегии товарных рекомендаций в e-commerce | Глава 7
- AI-кейс в e-commerce: влияние рекомендательных систем на продажи в APMEX, крупнейшем онлайн-магазине драгоценных металлов в США — Глава 8
Сегодня у розничного продавца могут быть тысячи (если не миллионы) наименований в стоке, и покупателям бывает сложно находить именно те товары, которые им нужны. При помощи персонализированных рекомендаций (personalized recommendations) бренды могут упростить пользователям процесс поиска нужных товаров, отталкиваясь от данных о сходствах (affinities), трендах (trends), интересах (interests) и поведении (behavior). Конечная цель таких рекомендаций — это рост продаж, апселлов (upsell, продажа более дорогой альтернативы товара) и кросс-продаж (cross-sales), увеличение размера корзины и повышение средней стоимости заказа (AOV).
Сегодня самые инновационные в мире бренды активно используют рекомендации. К примеру, Amazon уже порядка 20 лет развивает и подкручивает свои рекомендательные алгоритмы. У Amazon есть прямой доступ к феноменальным объемам клиентских данных, и их рекомендательная система (recommendation system) в корне изменила процесс сопоставления клиентов с товарами, которые скорее всего представляют для них какой-то интерес.
Что такое рекомендательные системы (product recommender systems)?
Рекомендательная система (система товарных рекомендаций, product recommender system) — это технология на базе машинного обучения, которая подсказывает, какие продукты будут интересны людям, взаимодействующим с цифровыми активами (digital properties) бренда. Рекомендательные алгоритмы собирают данные о пользователях, товарах и контексте (как на сайте, так и за его пределами), и посредством набора алгоритмических решений (algorithmic decisions) формируют для каждого пользователя персонализированный опыт взаимодействия.
Таким образом, пользователям становится проще находить нужные товары — в том числе и те, потребность в которых они еще не осознали.
По ходу дела бизнес может собрать еще больше информации об уникальных предпочтениях и интересах каждого пользователя. Эти данные также можно использовать для оптимизации эффективности (performance) сайта в реальном времени, параллельно корректируя свои роадмапы тестирования (testing roadmaps) на долгосрочную перспективу.
Что касается самих товарных рекомендаций, нет какой-то базовой стратегии, которую следует использовать для каждого рекомендательного виджета (widget). Под разных пользователей нужно применять разные стратегии; выбор стратегий будет зависеть от объема доступных данных о клиентах, их поведении и контексте. Сюда относятся данные о поведении на сайте (site behavior), статусе (status), геолокации (geo-location), времени дня (time of day), прошлых покупках (past purchases) и т.п.
Стратегии рекомендательных систем
Рекомендации — это ценный источник инсайтов и отличный способ глубже узнать своих клиентов, чтобы научиться лучше их радовать. Кроме того, рекомендации обеспечивают клиентам дополнительную ценность и, как следствие, улучшают отношения с брендом в целом. Что касается стратегий, которые стоят за каждой рекомендацией, их можно условно разделить на три группы:
- Глобальные (global) рекомендательные стратегии
- Контекстные (contextual) рекомендательные стратегии
- Персонализированные (personalized) рекомендательные стратегии
Уже из названия каждой стратегии понятно, для каких товаров мы будем ее применять. На рисунке ниже приведены примеры разных рекомендательных стратегий в рамках каждой группы.
Выбираем рекомендательную стратегию
При выборе стратегии рекомендаций, маркетолог в первую очередь оценивает объем доступных данных о пользователях и товарах. Кроме того, он учитывает, где находится конкретный пользователь в рамках воронки продаж. На основании всей этой информации, маркетолог и выбирает нужную стратегию.
Глобальные (global) стратегии
Такие стратегии, как правило, проще всего реализовать: мы просто показываем любому пользователю — известному или неизвестному — виджет с самыми модными, популярными или часто покупаемыми товарами.
Контекстные (contextual) стратегии
Эти стратегии учитывают особенности конкретного товара (product context): его характеристики (цвет/ стиль), категорию и то, как часто его покупают с другими товарами, и на основании этих данных рекомендуют этот товар покупателям.
Персонализированные (personalized) рекомендательные стратегии
Самая изощренная группа стратегий — это персонализированные стратегии. Они учитывают не только контекст, но и поведение самих пользователей. Обрабатывая одновременно и информацию о пользователях (user data), и данные о товарах (product context), эти стратегии позволяют делать каждому пользователю адекватные индивидуальные рекомендации. А это означает, что для реализации персонализированных стратегий у бренда должен быть доступ к поведенческим данным (behavioral data) о пользователях, таким как история покупок, сходства (affinities), клики, добавления в корзину и т.п.
В некоторых случаях для создания рекомендаций под одного пользователя в ход идет история взаимодействия с сайтом всех остальных пользователей. Например, при стратегии совместной фильтрации (“Collaborative Filtering” strategy) товарные рекомендации формируются на базе предпочтений других пользователей со схожими поведенческими характеристиками.
Рекомендации на базе сходств (affinity-based recommendations) собираются на основании профилей сходств (affinity profiles), которые рекомендательная система автоматически строит по каждому клиенту на основании доступных данных. Анализируя профили сходств, система выявляет явные предпочтения каждого пользователя — и на их основании делает рекомендации.
Глобальные стратегии можно применять для всех типов посетителей — будь то новые, повторные или лояльные. А вот контекстуальные и персонализированные стратегии получится применить в рамках первой сессии или первого просмотра (pageview) только при наличии контекстуальной или поведенческой информации о пользователе: например, о его геолокации (контекстуальные стратегии) или сходствах (персонализированные стратегии).
Чем лучше рекомендации учитывают контекст пользователя и его поведение, тем выше потенциал таких рекомендаций как инструмента роста дохода. Поэтому для постоянных клиентов и VIP пользователей, о которых мы располагаем большими объемами данных, нужно применять именно контекстуальные и персонализированные стратегии. Кроме того, при “наслоении” рекомендательные стратегии только усиливают друг друга и повышают эффективность каждой рекомендации.
Создаем товарные рекомендации
Изначально мы выбираем стратегию рекомендаций. Стратегия должна раскрывать логику, по которой товары попадают в рекомендации. Вот несколько примеров стратегий с разной логикой:
- Просмотрено недавно
- Самое популярное
- Товары, похожие на текущий
- Товары на основании истории просмотров посетителя
- Товары, которые смотрят вместе с текущим
Эти стратегии расширяют (или наоборот сужают) спектр рекомендованных товаров под каждого пользователя, что позволяет маркетологам за счет тонкой подстройки каждого виджета оптимизировать эффективность взаимодействий и достигать поставленных целей.
Итак, сначала маркетолог выбирает для каждого виджета рекомендательную стратегию. Далее можно настроить правила отображения товаров в виджете: например, “исключить недавно купленные товары” или “показывать только товары до 25$”.
Некоторые стратегии лучше работают на определенных страницах сайта. Например, стратегия “Вместе с этим товаром смотрят…” идеальна для продуктовых страниц, потому что пользователь и так находится на этапе просмотра товаров. А вот стратегию “Вместе с этим товаром покупают…” здорово использовать на странице с корзиной, особенно в момент, когда пользователь только что добавил в корзину очередной товар. Ну и отличная стратегия для рекомендаций на главной странице — “Самые популярные”: она побуждает и новых, и повторных посетителей исследовать разные товары.
Совмещаем контекст (context) и намерение (intent)
Рекомендательные стратегии и алгоритмы следует варьировать в зависимости от намерений (intent) пользователя. Есть ряд сигналов, которые помогают выявить эти намерения и определить вероятность конверсии.
- Пользователи со слабым уровнем намерений (low levels of intent) — это обычно новые или неопознанные посетители, которые приходят из поиска и соц.сетей; либо это мобильный трафик.
- Пользователи со средним уровнем намерений (medium levels of intent) — это, как правило, повторные посетители (returning visitors), которых мы можем легко опознать и которые приходят на сайт напрямую или из рассылки; либо это трафик с десктопов.
- Пользователи с высоким уровнем намерений (high level of intent) — это те, кто у вас либо уже покупал, либо добавил товары в корзину, либо ищет товары на вашем сайте напрямую.
При выборе тестовых рекомендательных стратегий и правил, маркетологам следует руководствоваться именно этой классификацией по уровню намерений. То есть когда пользователь с неявными намерениями (слабый уровень) смотрит какой-то товар, лучше показывать рекомендации вида “Вместе с этим товаром смотрят…” — так мы подстегнем его дальше гулять по сайту и исследовать ассортимент. А вот если к нам приходит пользователь с высоким уровнем намерений (скажем, лояльный покупатель), лучше сработают рекомендации вида “Вместе с этим товаром покупают…” — ведь пользователь горячий, и велики шансы кросс-продажи.
Данные и рекомендательные системы
Для формирования эффективных рекомендаций нужны данные: как добытые у пользователей напрямую (explicit-данные), так и собранные из сторонних источников (implicit-данные). Система поглощает все эти данные и на их основании решает, какие товары показывать каждому пользователю в рекомендательном виджете (recommendation widget). Рекомендательный движок (recommendation engine) может собирать поведенческие данные каждого пользователя. Сайты собирают данные, которые им так или иначе предоставляют пользователи (first-party data), а данные из сторонних источников (например, информацию из CRM или данные об офлайн-покупках) можно загрузить дополнительно. Чем больше у вас данных — тем сильнее ваша стратегия таргетинга (targeting strategy).
Типы данных о пользователях
Для прокачки рекомендаций, вам пригодятся следующие типы данных:
- Данные о местоположении: Страна, регион или город, в котором находится пользователь
- Технические данные: Тип устройства, с которого пользователь заходит на сайт, его браузер, операционная система и т.п.
- Демографические данные: Пол, возраст, семейное положение пользователя и т.п.
- Поведенческие данные: Действия пользователя на сайте, включая клики (clicks), добавления в корзину (add-to-carts), наведения (hovers), количество просмотренных страниц (number of pages viewed) и т.п.
- Данные о сходствах (Affinity-based data): Интересы и предпочтения пользователя, зафиксированные на сайте
- Данные об онлайн- и офлайн-покупках: Какие продукты пользователь покупал на сайте или в физических магазинах
- Данные об источнике трафика: Откуда пользователь пришел на сайт: прямой трафик, платный трафик, трафик с соц.сетей или реферальный трафик.
- Данные от третьих лиц: Информация о пользователе из сторонних источников, загруженные через платформу управления данными (DMP).
Эти данные помогают маркетологам выявлять персоны покупателей (buyer personas) и лучше понимать их покупательские привычки — это пригодится впоследствии, при формировании стратегий сегментации (segmentation strategies). А другие данные (например, об источнике трафика или устройстве пользователя) незаменимы при разработке стратегий таргетинга (targeting strategies).
Чем чаще пользователь заходит на ваш сайт, чем больше он с ним взаимодействует — тем больше данных оказывается в вашем распоряжении. Впоследствии система сможет использовать эти данные, чтобы предсказывать потребности и предпочтения каждого пользователя, эффективнее сегментировать аудиторию и давать более меткие рекомендации.
| Тип посетителя | Доступные данные |
|---|---|
| Зашел впервые (first-time visitor) | Только контекст (IP / геолокация, источник трафика) |
| 2+ посещений (2+ visits) | Немного данных о взаимодействиях (usage data), немного данных о просмотренных товарах |
| Повторный посетитель (repeat visitor) | История покупок, больше данных о взаимодействиях (usage data), данные о сходствах (user affinities) |
Типы данных о товаре
Не менее важно, чтобы у рекомендательной системы был доступ к данным о товаре, чтобы она могла предлагать правильные товары правильным пользователям. Данные о всех товарах в каталоге продавца (product feeds) можно синхронизировать с рекомендательным движком (recommender engine). Обычно эти данные представляют собой базовую информацию о товарах, представленных на сайте, включая:
- Артикул (SKU)
- Название товара
- URL товара
- Цена
- Единиц в наличии
- Фотографии
- Ключевые слова
Файлы с данными о товарах (product feeds) можно настраивать: например, добавлять больше значимых деталей (скажем, цвет, размер, стиль и т.п.), которые впоследствии пригодятся для настройки таргетинга. Чем больше у вас данных о товарах — тем сильнее будут ваши контекстуальные и персонализированные рекомендательные стратегии.
Сила товарных рекомендаций
Товарные рекомендации — это отличный способ улучшить общий пользовательский опыт (overall user experience). Рекомендации побуждают пользователей исследовать ваши продукты и одновременно стимулируют рост продаж. Сегодня всю тяжелую работу берут на себя алгоритмы машинного обучения, и маркетологи могут свободно экспериментировать с разными стратегиями, способами сегментациями и виджетами в разных масштабах. Как результат, пользователи видят больше товаров и больше покупают — что, конечно, подстегивает ROI (окупаемость инвестиций) и увеличивает доходы бизнеса.
Это первая глава | Продолжение (Глава 2) →