book-open 1 test
Курс «Рекомендательные системы на практике»: AI в ритейле/e-commerce

Что такое рекомендательные системы и как их применять для улучшения UX и роста продаж | Глава 1

Разбираем ценность и устройство систем товарных рекомендаций (product recommender systems): рассмотрим различные стратегии рекомендаций и примеры их использования известными digital-брендами.
Иллюстрация Adamastor Studio: https://www.behance.net/gallery/53795093/REITER-THE-WORLD-OF-BERRIES

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 ШайхутдиновПри поддержке koptelnya.ru.

Коптельня  —  команда по быстрой разработке веб-приложений и сайтов.

Содержание:

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).

Интересуетесь свежими статьями по продуктовому дизайну (UX/UI)? 🚀

Подписывайтесь на канал в Telegram | ВКонтакте, Instagram, Facebook

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.

Один из примеров рекомендаций на десктопной версии сайта Amazon.

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: 

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: 

Пример рекомендательного виджета “Самое популярное” на странице категории.

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

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: 

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 посетителяДоступные 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: 

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) →


Курс «Рекомендательные системы на практике»: AI в ритейле/e-commerce