System rekomendacji produktów jako sposób na lepsze rozumienie klientów

Największe sklepy internetowe, jak na przykład Amazon, od lat wprowadzają coraz to bardziej zaawansowane algorytmy Machine Learning, które uczą się zachowania użytkownika na stronie sklepu oraz specyfikacji konkretnych produktów. W taki właśnie sposób powstaje system rekomendacji – zaawansowana sieć połączeń pomiędzy produktami a użytkownikami, która generuje oraz dostarcza sugestię zakupu innych produktów. O funkcjonowaniu silnika rekomendacji, korzyściach personalizacji oraz możliwościach na analizowanie ruchu i danych dowiecie się więcej z tego artykułu.

Czym jest system rekomendacji produktów?

System rekomendacji produktów zwany również silnikiem rekomendacji to narzędzie, które generuje i dostarcza polecane produkty konkretnemu użytkownikowi na podstawie jego wcześniejszej aktywności i preferencji. Mechanizm ten nie tylko pomaga poznać bliżej nawyki i potrzeby konsumenckie, ale także pozwala analizować zachowanie konkretnych użytkowników na stronie sklepów.

Rekomendacja produktu jest dziś jedną z najbardziej pożądanych form personalizacji zakupów online również ze względu na możliwość dostarczenia klientowi doświadczenia zakupowego podobnego do tego w sklepie tradycyjnym.

Wraz ze wzrostem potrzeby personalizacji zakupów wśród e-commerce managerów i właścicieli e-sklepów, mechanizm odpowiedzialny za polecanie innych produktów rozwija się coraz szybciej.

Jak działa silnik rekomendacji?

Przed wprowadzeniem systemu rekomendacji do sklepu internetowego warto zapoznać się z różnymi podejściami oraz sposobami przetwarzania danych, dzięki którym silnik rekomendacji jest napędzany do działania. My przedstawimy trzy z nich, ale należy pamiętać, że system rekomendacji produktów jest najsilniej rozwijającą się technologią opartą na Machine Learning, a co za tym idzie, sposobów na generowanie rekomendacji jest coraz więcej.

Trzy najczęściej wykorzystywane rodzaje silnika rekomendacji to:

• Collaborative-filtering – metoda, która polega na gromadzeniu i analizowaniu danych na temat zachowania użytkownika w taki sposób, aby móc zasugerować innemu użytkownikowi produkt, który spodobał się klientowi mającemu podobne zainteresowania, nawyki zakupowe i upodobania. Zaletą tej metody jest możliwość stworzenia kompleksowej rekomendacji produktów, nie wiedząc czym dany produkt jest. Ta metoda filtrowania działa na podstawie preferencji użytkownika, decyzji zakupowych oraz historii nawigacji z poprzednich sesji. Przykładowo: jeżeli konsumentka Marta kupuje książkę Dzieci z Bullerbyn, to konsument Bartek – zakładając, że mają oni podobne upodobania – również będzie nią zainteresowany. Wówczas algorytm założy, że Marcie spodobają się produkty, które spodobały się Bartkowi i odwrotnie.

• Content-based filtering – rekomendacje są tworzone na podstawie opisu oraz cech produktu takich jak: kategoria, cena, segment, specyfikacja techniczna i wygląd. Algorytm szuka podobieństwa pomiędzy specyfikacjami dwóch produktów i podpowiada użytkownikowi, na które jeszcze warto zwrócić uwagę. Przykładowo jeśli Marta kupuje książkę Dzieci z Bullerbyn, to na podstawie danych zawartych w opisie (ta sama autorka, ta sama kategoria wiekowa, to samo wydawnictwo) system rekomendacji podpowie jej, by zakupiła również książkę Pippi Pończoszanka.

• Complementary filtering – technika, która analizuje prawdopodobieństwo zakupu kilku produktów jednocześnie. Na podstawie historii zakupowej innych użytkowników, mechanizm jest w stanie stwierdzić, o które produkty inni uzupełniali swój koszyk i zaproponować to kolejnemu użytkownikowi.

Nowa metoda rekomendacji. To użytkownik wybiera, co zobaczy.

Metoda wskazywania rekomendacji, którą proponuje Recostream, to innowacyjny sposób, który umożliwia samemu konsumentowi wybrać, jaki zestaw rekomendacji będzie przeglądał. Wykorzystując kombinację powyższych technik, ten system dostarcza użytkownikowi cztery zestawy rekomendacji na raz. Za pomocą niewielkiego okienka dopasowanego do strony sklepu, użytkownik otrzymuje możliwość wyboru tego, co będzie mu polecane w danej chwili. Dzięki tej różnorodności modeli rekomendacji konsument nie tylko ma do dyspozycji szeroki wachlarz spersonalizowanych rekomendacji, ale również prostszą drogę do odnalezienia produktu, który go interesuje, bez konieczności nawigacji po całej stronie sklepu.

Przyjrzyjmy się, jak działają wspomniane modele.

• Podobne – model rekomendacji stworzony na podstawie zgromadzonych danych na temat produktów, które mają w opisie podobne lub takie same elementy. Przykładowo książka Dzieci z Bullerbyn oraz książka Pippi Pończoszanka pojawią się w rekomendacji, jako produkty podobne, ponieważ ich specyfikacja na stronie ma kilka elementów wspólnych: kategoria, autorka, wydawnictwo, autorka tłumaczenia, język oryginału.

• Popularne – dzięki algorytmowi, który zapamiętuje sesje i zachowania użytkownika, system rekomendacji może zaproponować produkty danej kategorii, które najczęściej były przeglądane. Marta będąc na stornie Dzieci z Bullerbyn zobaczy zestaw rekomendacji składających się z trzech książek, które inni konsumenci najczęściej przeglądali w kategorii Literatura dziecięca.

• Inni Widzieli – ten zestaw rekomendacji proponuje trzy najczęściej przeglądane produkty przez użytkowników, którzy również obserwowali dany produkt. Konsumentka Marta jest na stronie książki Dzieci z Bullerbyn. Najczęściej przeglądane książki przez użytkowników, którzy również oglądali Dzieci z Bullerbyn, to: Akademia Pana Kleksa, Ślepnąc od Świateł oraz Bieguni. W związku z tym Marta otrzyma zestaw rekomendacji złożony z tych trzech książek.

• Ostatnio Oglądane – zbiór trzech losowych produktów wybranych spośród produktów przeglądanych kiedykolwiek wcześniej przez danego użytkownika. Rekomendacja ta służy przypomnieniu konsumentowi, co go interesowało wcześniej, aby ten nie musiał ponownie go szukać na stronie sklepu. Marta wraca na stronę księgarni po jednym dniu, a system rozpoznaje jej ponowną wizytę i wie, jakie produkty przeglądała ostatnim razem. W tym modelu rekomendacji pojawią jej się trzy książki, które oglądała dzień wcześniej.

Dane jako siła napędowa silnika rekomendacji

Silnik rekomendacji nie działałby gdyby nie paliwo dostarczane w formie danych użytkownika oraz sesji. Przyjrzyjmy się bliżej, w jaki sposób dane mogą być zbierane dzięki technologii, którą proponuje rozwiązanie Recostream.

Źródło pozyskiwania danych dla systemu rekomendacji

Jednym z prostych sposobów na pozyskiwanie danych użytkownika i sesji jest wklejenie krótkiego skryptu na stronę sklepu. Ściślej mówiąc, aby silnik rekomendacji mógł zostać uruchomiony na stronie sklepu, wprowadzana jest na stronę linijka skryptu javascript. Dzięki danym zawartym w ciasteczkach, skrypt zbiera informacje o przeglądanych stronach, a także te o aktywności użytkownika podczas danej sesji. Są to takie dane jak na przykład: opis produktu, cena, nazwa, kategoria, marka, opis zdjęcia i inne w zależności od rodzaju produktu.

Na tej podstawie mechanizm jest w stanie wygenerować cztery modele rekomendacji. Użytkownik, który z nich skorzysta, dostarcza silnikowi kolejnych informacji i rejestrowana jest wówczas aktywność względem rekomendacji. Dzięki tym danym klient powracający do sklepu jest rozpoznawany, a system wie, jakie produkty wcześniej przeglądał.

Rodzaj pozyskiwanych danych

System rekomendacji produktów nie potrzebuje dużej ilości danych, aby móc wskazywać zestawy polecanych produktów. Każdy odwiedzający sklep otrzymuje indywidualny numer ID, który umożliwia powiązanie ze sobą kolejnych wizyt w witrynie. Sam numer ID nie umożliwia identyfikacji konkretnej osoby, więc sam w sobie nie jest daną osobową. Ponieważ jednak przechowywany jest w formie cookies i może posłużyć identyfikacji w powiązaniu z innymi danymi zbieranymi przez sklep internetowy, to w polityce prywatności sklepu internetowego należy poinformować użytkowników o fakcie korzystania z serwisu rekomendacji.

Oprócz informacji na temat użytkownika oraz jego sesji, silnik rekomendacji zbiera dane na temat produktu. Są to dodatkowe informacje do analizy dla administratora sklepu po to, aby lepiej poznać zachowania swoich klientów. Ponadto zbierane są dane poszczególnych produktów, dzięki czemu obsługujący sklep mają wszystkie informacje na temat swoich produktów w jednym miejscu.

Transparentne zarządzanie danymi

Wszystkie dane, które przechowuje system rekomendacji produktu są udostępniane w dashboardzie i przeznaczone do wyłącznego użytku administratora sklepu. Dzięki pełnej transparentności obsługujący sklep ma możliwość dogłębnej analizy danych i wejrzenia w statystyki. Dane są zwracane w formie wykresów i statystyk oraz dostępne do eksportu do excela.

Korzyści z analityki danych

W dobie automatyzacji, sztucznej inteligencji i maszynowego uczenia pozyskiwanie danych na temat zachowania użytkownika staje się priorytetem w branży e-commerce. Do zwiększenia sprzedaży oraz zrozumienia swoich klientów niezbędna jest analityka przechowywanych danych. Rozwiązanie, które proponuje Recostream, jest przeznaczone nie tylko do personalizacji doświadczenia zakupowego klienta, ale również do mierzenia i analizowania ruchu i zachowania klienta przez administratora e-sklepu.

Gromadzone przez system rekomendacji dane dostarczają informacji na temat konwersji. W wykresach zamieszczonych w dashboardzie są dostępne do analizy dane na temat liczby osób odwiedzających sklep, liczby kliknięć w rekomendacje oraz liczby sprzedanych produktów dzięki rekomendacjom. Takie przedstawienie danych pozwala mierzyć skuteczność rekomendacji.

Oprócz konwersji, administrator ma dostęp do wszystkich innych informacji na temat zachowania jego użytkownika, które gromadzi Recostream. Wie zatem, jakie produkty przeglądał, ile trwała sesja, który produkt był oglądany jako pierwszy i ostatni, które produkty są odwiedzane najczęściej, jaka jest historia modyfikacji ceny, dostępność produktów, zdjęcia produktów, liczba kliknięć w rekomendacje, wybór rekomendacji.

Wszystkie dane, jakie może zgromadzić to narzędzie, są przekazywane prosto w ręce administratora po to, by mógł lepiej zrozumieć swoich klientów.

Identyfikacja użytkowników w DMSales

Użytkownicy korzystający z platformy DMSales mogą całkowicie za darmo wdrożyć na swoją stronę internetową skrypt analityczny. Za pomocą algorytmów i sztucznej inteligencji skrypt DMSales zweryfikuje informację o wejściach i zachowaniu osób odwiedzających Twoją stronę. Aby otrzymać szczegółowe informacje o użytkownikach i móc do nich wysyłać automatyczną komunikację, należy stworzyć projekt w platformie. Na dashboardzie zobaczysz liczbę zidentyfikowanych osób, a także liczbę źródeł danych (liczbę adresów e-mail, numerów telefonu i adres pocztowy). Następnie możesz utworzyć do swojej zidentyfikowanej grupy kampanię e-mail lub SMS.

Zobacz, jak to działa

Platforma DMSales umożliwia również wysłanie komunikacji mailingowej do osób z Twojej bazy newsletterowej. Jeśli natomiast potrzebujesz dotrzeć do nowych osób, potencjalnie zainteresowanych ofertą Twojego sklepu, możesz to uczynić za pomocą filtrów, dzięki którym zbudujesz profil idealnych odbiorców. Algorytmy analizujące dane (nasz autorski system Lead Score) przetwarza szereg danych i wychwytuje osoby bardziej zainteresowane np. tematyką mody. Dzięki takiej wiedzy docierasz do osób będących potencjalnie zainteresowanych Twoją ofertą, oszczędzając przy tym czas, ale przede wszystkim budżet, bo trafiasz z komunikatem do właściwych osób będących w środkowym etapie lejka sprzedażowego.

Już teraz zarejestruj się na naszej platformie i korzystaj z funkcji, jakie daje Ci DMSales

Testuj bezpłatnie 

Darmowy test systemu rekomendacji produktu

Jeśli planujesz wprowadzenie systemu rekomendacji produktu w swoim sklepie, polecamy darmowy, niezobowiązujący miesięczny test. W razie jakichkolwiek pytań na temat silnika rekomendacji lub w celu zapisania się na test zapraszamy do kontaktu pod adresem [email protected]