heart Created with Sketch. test
Курс «Рекомендательные системы на практике»: AI в ритейле/e-commerce

Как работают рекомендательные системы и как выбрать результативную рекомендательную стратегию | Глава 3

Подробно разберем различные стратегии товарных рекомендаций в eCommerce и узнаем, как их эффективно применять для достижения максимальной рентабельности маркетинговых расходов.
Иллюстрация Adamastor Studio: https://www.behance.net/gallery/53795093/REITER-THE-WORLD-OF-BERRIES

(Перед вами перевод бесплатного курса «Product Recommendations Course» от компании Dynamic Yield. Если вы здесь впервые, то лучше начните сначала)

Автор английской версии: Янив Навот, CMO, Dynamic Yield

Если вы хоть раз пользовались интернет-магазинами, то точно сталкивались с товарными рекомендациями. Алгоритмы машинного обучения генерируют рекомендации индивидуально под каждого посетителя сайта — с учетом его интересов и потребностей. Рекомендации подстегивают пользователей исследовать ассортимент магазина во всем его изобилии, а также повышают монетизацию и снижают показатели выходов (exit rates). За каждым рекомендательным виджетом стоит набор алгоритмических решений (algorithmic decisions), которые формируют разные подходы к рекомендациям. Эти подходы — или, как их чаще называют, рекомендательные стратегии (recommendation strategies) — отражают логику попадания товаров в рекомендательный виджет.

Над переводом работали Оля Жолудова и Ринат ШайхутдиновПри поддержке koptelnya.ru.

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

Для успешного достижения поставленных целей, нужно грамотно подбирать стратегии под эти цели. Применение неправильной стратегии чревато серьезными последствиями. И дело не только в потере выручки, а еще и в том, что клиенты могут со временем разочароваться в ваших неадекватных рекомендациях, как и в целом в вашей способности создать персонализированный и вовлекающий опыт взаимодействия. А поскольку в онлайн-среде именно клиентский опыт (customer experience) выступает одним из ключевых конкурентных преимуществ, бренды обязаны использовать любую возможность — и в том числе рекомендации — чтобы прокачать его по максимуму. 

Рекомендательные стратегии в общих чертах 

При выборе подходящей рекомендательной стратегии, маркетолог должен в первую очередь учитывать контекст, в котором будет происходить каждое взаимодействие (то есть, например, на какой странице будут отображаться рекомендации), а также аудиторию, на которую нацелены рекомендации (это могут быть конкретные персоны или сегменты). Только на базе этой информации можно подобрать стратегию, которая потенциально приведет к росту выручки. 

Сегодня данные о пользователях собираются повсеместно, и маркетологи могут использовать эти данные для более точного подбора рекомендательных стратегий под каждого пользователя или сегмент пользователей. Это дает возможность взаимодействовать с посетителями на очень личном уровне. 

Когда пользователь видит в рекомендациях актуальные для него товары, это положительно влияет на его пользовательский опыт, в результате чего между сайтом и посетителем формируется связь. А поскольку у современных маркетологов есть доступ к огромным объемам данных о пользователях и товарах, этот механизм они могут с легкостью масштабировать. Вот только важно использовать правильные данные в контексте правильных стратегий. Например, данные о покупках лучше использовать как основу для рекомендаций к покупке (“Вместе с этим товаром покупают…” и т.п). Хороший маркетолог умеет соблюсти правильный баланс и не нарушить границ, которые могут стоит бизнесу отношений с клиентами.

Как выбрать рекомендательную стратегию

Что касается стратегий товарных рекомендаций, их можно условно разделить на три группы: 

В таблице ниже приведены примеры разных рекомендательных стратегий в рамках каждой группы:

Рекомендательная стратегияПример реализации
Глобальные (global) рекомендательные стратегии– Самое популярное
– Сейчас в тренде
– Новинки
Контекстные (contextual) рекомендательные стратегии– Похожие товары
– Вместе с этим товаром покупают
– Вместе с этим товаром смотрят
Персонализированные (personalized) рекомендательные стратегии– Совместная фильтрация (collaborative filtering) 
– На базе сходств (affinity based) 
– Недавние просмотры
– Недавняя/ последняя покупка
– Покупают вместе с недавней/ последней покупкой 

Полная подборка рекомендательных стратегий

Давайте рассмотрим, какие рекомендательные стратегии сегодня предлагают топовые провайдеры рекомендательных движков (recommendation engine providers), а также разберем принцип работы каждой стратегии и сценарии ее применения. 

Лучшие товары / Самое популярное (Top Items / Most Popular)

Это одна из самых распространенных рекомендательных стратегий. Мы показываем пользователям “топовые” товары, которые система оценила “наиболее часто покупаемые” или “лучшие”. Оценка (score) каждого товара рассчитывается как взвешенная сумма (weighted sum) всех взаимодействий с ним: покупок, добавлений в корзину и просмотров. Система оценивает свежие взаимодействия выше, чем прошлые — и обновляет оценки (scores) при каждой синхронизации потока данных (data feed). 

Поскольку эта стратегия, как правило, не завязана на каких-то мега-персонализированных данных о пользователях, она отлично подходит для ситуаций, когда мы не знаем о пользователе практически ничего — или когда по его действиям понятно, что он не ищет ничего конкретного, а “просто смотрит”. Кроме того, эту стратегию можно эффективно использовать для продвижения ваших самых популярных товаров — как способ выделиться на фоне конкурентов. Размещая такие рекомендации, вы помогаете пользователям находить нужные товары и лишний раз пиарите свой бренд и крутые товары, которые продаются под его именем. 

Наряду со стратегией “Самое популярное” (“Most Popular”), есть похожая стратегия “Популярные” (“Popular”). В рамках этой стратегии система также высчитывает оценку (score) популярности каждого товара как сумму всех взаимодействий с ним. Разница в том, что в рекомендательном виджете будут отображаться не только “самые попурярные” (most popular), а, скажем, любые пять из отобранных 20, 50 или 100 популярных (popular) товаров. 

Есть еще более специфическая стратегия — Самое популярное в категории (“Most Popular in Category”). В рамках этой стратегии, пользователю показываются самые популярные товары — но только из конкретной категории. 

Сходство пользователей (User Affinity)

При помощи стратегий на базе сходств (affinity-based) маркетологи могут делать меткие товарные рекомендации нужным пользователям и в нужный момент. Когда пользователи бродят по сайту и взаимодействуют с разными товарами, они демонстрируют свои предпочтения относительно цвета, стиля, бренда и других характеристик товаров. Рекомендательные системы обрабатывают данные о всех взаимодействиях, и фиксируют предпочтения каждого пользователя в его профиле сходств (user affinity profiles).

Пример использования стратегии “Товары для вас” (“Recommended for You”) на десктопной версии сайта Amazon.

В рамках этой стратегии, рекомендации формируются индивидуально и персонально под каждого пользователя. В профилях сходств содержатся взвешенные оценки (weighted score), которые рассчитываются на базе корреляции между взаимодействиями пользователя (количество просмотров, количество добавлений в корзину, количество покупок и т.п.) и характеристиками товаров, с которыми происходили взаимодействия. Система формирует рекомендации на основании этих оценок (scores) и корректирует их в реальном времени, учитывая любые изменения предпочтений пользователя. Стратегию часто используют в рамках виджета “Товары для вас” (“Recommended for You”), который подходит для любого типа страниц.

Подобие (Similarity)

Как понятно из названия, в рамках стратегии “Подобие” (“Similarity”) пользователю показываются товары, подобные тому (или тем), которые он сейчас смотрит, и расставленные по популярности. Сложные алгоритмы выявляют метрики — на основании категорий и ключевых слов, доступных в рамках потока данных (data feed) — и высчитывают по каждому товару “оценку” (score) подобия. Далее пользователю показываются товары с самой высокой оценкой подобия.

Эту стратегию можно применять на разных типах страниц, но эффективнее всего виджет с «подобными» товарами работает на продуктовых страницах (product detail page, PDP). Таким образом получается, что мы рекомендуем посетителю не просто какие-то дополнительные товары, а именно те товары, которые актуальны для него в данный момент. Более того, сам факт, что мы можем предложить посетителю подборку подобных товаров, говорит о том, что у бизнеса есть понимание потребностей клиента — а это тоже повышает вероятность успешной продажи.

Вместе с этим товаром покупают… (Bought Together)

В рамках этой стратегии мы рекомендуем пользователю товары, которые часто покупают в связке с тем товаром, который он сейчас смотрит. Так что если ваша цель — “добить” корзину пользователя парой-тройкой товаров, стратегия “Вместе с этим товаром покупают…” дает вам отличную возможность для апселов (upselling) и кросс-продаж (cross-selling). Например, к смартфону можно порекомендовать автомобильную зарядку, к шортам — сандалии, а к кроссовкам — носки. 

Система оценивает товары по количеству их покупок в связке, в рамках одной транзакции — причем продукты, которые часто покупают в комплексе с кучей других, учитываются с понижающим коэффициентом. Кроме того, при формировании рекомендаций алгоритм отдает предпочтение товарам, которые сильно связаны между собой — а не тем, которые просто как-то абстрактно связаны с популярным товаром. Обычно система учитывает данные за последние 6 месяцев, а оценки (scores) пересчитываются каждые 12 часов. 

Маркетологи часто используют эту стратегию в рамках виджета Дополните свой образ — для рекомендации товаров, которые хорошо сочетаются друг с другом. Кроме того, стратегия “Вместе с этим товаром покупают…” хорошо выстреливает, когда пользователь добавляет товар в корзину. В этом случае, грамотные и уместные рекомендации могут принести вам апсел (upsell) — то есть продажу более дорогой альтернативы или комплекса товаров.

Пример применения стратегии “Вместе с этим товаром покупают…” на баннере-оверлее (overlay) при добавлении товара в корзину.

Вместе с этим товаром смотрят… (Viewed Together)

Эта рекомендательная стратегия учитывает, какой товар пользователь смотрит в данный момент. Система оценивает, насколько часто другие товары смотрят в связке с текущим в рамках одной сессии. Если какой-то товар часто смотрят вместе с кучей других, система понижает вес такой связи — и соответственно с меньшей вероятностью порекомендует этот товар пользователю. Система пересчитывает оценки каждые 12 часов. Эта статегия подходит для любой продуктовой страницы (product page). 

Недавние просмотры (Recently Viewed)

В рамках этой стратегии, система рекомендует пользователю те товары, которые он недавно просматривал — причем более поздние товары отображаются в первую очередь. Как правило, рекомендации формируются на основании данных за последние 30 дней.

Плюс есть еще похожая стратегия —  “Смотрят вместе с недавно просмотренным” (“Viewed with Recently Viewed”) — при которой пользователь видит в рекомендациях товары, которые обычно смотрят в рамках одной сессии с теми товарами, которые он недавно просматривал. 

Совместная фильтрация (Collaborative Filtering)

Одна из самых популярных рекомендательных стратегий — это совместная фильтрация (Collaborative Filtering). В рамках этой стратегии рекомендации формируются на основании схожести (similarity) между пользователями. Система анализирует поведение пользователей, схожих с текущим пользователем: какие товары они просматривали, что купили, что добавили в корзину, и рекомендует эти товары текущему пользователю и всем, кто с ним схож по поведению и предпочтениям. Стратегия работает на страницах любого типа. 

Стратегии рекомендации на базе покупок (Purchase-based recommendation strategies)

Среди множества рекомендательных стратегий есть уникальная группа стратегий, которые берут за основу прошлые покупки пользователя. Система использует данные о транзакциях, чтобы определить, какие товары покупают пользователи в зависимости от поведения и потребностей, которые они демонстрировали в процессе покупки. 

Недавняя покупка (Recently Purchased)

Эта рекомендательная стратегия ориентирована на товары, которые пользователь купил недавно (как правило, в рамках года). Стратегия идеально стимулирует повторные покупки, поскольку рекомендует пользователю те товары, которые ему, вероятно, пора докупить (например, это работает с кормами для животных, косметикой и т.п.)  

Вместе с этим товаром покупают оффлайн (Purchased Together Offline)

Продавец может загрузить в систему данные об оффлайн-транзакциях и  задействовать их для формирования более точных рекомендаций. В рамках стратегии Вместе с этим товаром покупают оффлайн, система рекомендует пользователю те товары, которые покупают оффлайн вместе с товаром, который он сейчас смотрит в интернет-магазине. В рамках виджета товары ранжируются по количеству совместных (в рамках одной транзакции) покупок с текущим товаром. Система в первую очередь отображает товары, сильно связанные с просматриваемым товаром, а те, которые часто приобретают в куче с другими, она показывает с более низким приоритетом.  

Вместе с этим товаром покупают онлайн или оффлайн (Purchased Together Online or Offline)

По аналогии с предыдущей рекомендательной стратегией, эта стратегия учитывает данные об оффлайн-транзакциях и формирует рекомендации на базе совместных покупок товаров или оффлайн, или онлайн. Механизм оценки такой же, как и в оффлайновой стратегии, и оценки (scores) пересчитываются каждые 12 часов. А еще, эта стратегия эффективнее работает на продуктовых страницах.  

Покупают вместе с недавней покупкой (Purchased with Recently Purchased)

В рамках этой стратегии рекомендательная система анализирует последние покупки текущего пользователя и предлагает ему товары, которые обычно покупают в связке с ними. К примеру, если запустить эту стратегию на главной странице, все посетители, кто недавно купил какой-то товар, будут видеть рекомендации товаров, как-то связанных с ним — пока данные актуальны. 

Покупают вместе с последней покупкой (Purchased with Last Purchase)

По аналогии с предыдущей стратегией, эта определяет, какой товар пользователь покупал последним — и рекомендует товары, которые приобретают вместе с ним.   

Последняя покупка (Last Purchased)

Эта стратегия предельно проста и понятна: в рекомендательном виджете пользователь увидит товар, который покупал последним. 

Как применять рекомендательную стратегию

После того как вы определитесь, какую рекомендательную стратегию будете использовать в рамках конкретной кампании, нужно выполнить еще несколько подготовительных действий. Ниже мы привели важных нюансов  (настроек, правил, шагов), которые должен учесть каждый маркетолог до запуска кампании:

Если вы используете предустановленные фильтры, устанавливать произвольные правила включения и исключения не обязательно. Фильтры работают более гибко, потому в них не нужно явно прописывать конкретные значения параметров. Они подбирают товары для рекомендаций по принципу их соответствия / несоответствия свойствам текущего товара. Ниже мы расписали, как работают эти фильтры: 

Если вам недостаточно этих возможностей фильтрации, можно настроить пользовательские правила фильтрации и конкретно указать, какие элементы включить (include), исключить (exclude) или прикрепить (pin) в рамках рекомендательного виджета. 

Кроме того, никто не заставляет вас использовать в рамках каждого виджета только одну рекомендательную стратегию; стратегии можно совмещать — это может быть даже эффективнее. Возьмем для примера рекомендательный виджет на продуктовой странице. Можно для половины слотов использовать стратегию на базе популярности (Popularity), а для другой половины — стратегию на базе подобия (Similarity). Используя эти стратегии в комплексе можно выжать максимум эффективности из каждой категории и здорово поднять показатели конверсии (conversion rates). 

Сила резервных стратегий

Бывают ситуации, когда выбранная стратегия не может подобрать достаточно товаров, чтобы заполнить все слоты рекомендательного виджета (например, по профилю сходств пользователю подходят только три пары кроссовок, а слотов больше). В этом случае система может “ослаблять” требования, установленные алгоритмами или фильтрами. Если и это не решает проблему, запускается резервный алгоритм (fallback algorithm). Например, для стратегии “Подобие” резервной может быть стратегия “Популярное”. Или, скажем, для стратегии “Покупают вместе с последней покупкой” можно установить первую резервную стратегию “Вместе с этим товаром покупают”, а в качестве второй резервной использовать стратегию “Подобие”

Резервные стратегии подчиняются установленным правилам фильтрации. Допустим, вы выбрали для виджета какую-то стратегию и добавили фильтр “исключить товары дешевле 25$”. Система будет соблюдать это правило, даже если в рамках установленной стратегии не наберется достаточно товаров для рекомендации, и придется подключить резервную.

Выбираем стратегию под аудиторию 

Не каждая стратегия одинаково хорошо работает для всех посетителей сайта. Маркетолог должен хорошо понимать различия между сегментами пользователей и адаптировать опыты взаимодействия под их предпочтения и модели поведения. То есть пользовательский опыт постоянного покупателя, который просматривает по 5 и более товаров в неделю, должен отличаться от пользовательского опыта нового посетителя, который только что пришел с контекстной рекламы.

Выбирая стратегию под конкретного посетителя, проанализируйте все доступные данные о нем — в том числе его потребности, поведение контекст и другие аспекты. Глобальные стратегии (например, “Самое популярное”) полагаются на данные о пользователях в меньшей степени — поэтому отлично подходят для новых или анонимных посетителей. А вот персонализированные стратегии требуют много данных. Их можно использовать для формирования сверхточных рекомендаций для самых ценных клиентов — ведь о них у нас должно быть много информации. 

В таблице ниже я привожу несколько примеров рекомендательных стратегий разные типы покупателей и разные сценарии. 

Тип покупателяСитуацияСтратегияВыгоды (benefits)
Растерянный покупатель (clueless shopper)Скоро день рождения у друга“Самое популярное”; показываем на главной страницеРекомендуем пользователю популярные товары, которые он может быстро просканировать, а заинтересовавшие — изучить в деталях. Укрепляет пользователя в правильности его выбора.
Сезонный покупатель (seasonal shopper)Зашел на новый сайт, чтобы подобрать одежду для отпуска на юге. Контекстуальные рекомендации; показываем подобные товарыПомогает пользователю сориентироваться во множестве товаров: направляем его и подстраиваем его покупательский путь (shopping journey)
VIP клиентУ клиента закончился крем, нужно купить новыйПерсонализированная рекомендация на основании последней покупки через emailПозволяет пользователю быстрее и проще находить любимые продукты и подстегивает решение о покупке (purchase decision)

Ищите ту стратегию, которая соответствует вашим потребностям 

Существует огромное множество самых разных рекомендательных стратегий. Прежде чем останавливаться на какой-то одной, обязательно изучите все доступные варианты. Рекомендации — будь то глобальные, основанные на популярности товаров, или персонализированные, построенные на данных конкретного пользователя — это мощная штука. Они направляют внимание пользователей на те товары, которые могут их заинтересовать, а иногда подкидывают идеи покупок, о которых человек даже еще не задумывался. 

Если вы хотите эффективно применять рекомендации на каждом этапе клиентского пути (customer journey) — и даже масштабировать их — вам нужен рекомендательный движок (recommendation engine) с поддержкой всех нужных стратегий и с возможностью гибкой настройки отдельных аспектов рекомендаций. Правильный движок не только упростит вам изначальный процесс запуска, но и позволит управлять эффективностью кампаний в режиме реального времени. Таким образом, вы сможете извлекать максимальную пользу из каждой рекомендации и здорово повысите рентабельность вложений в маркетинг.


← Назад | Продолжение (Глава 4) →


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