Товарные рекомендации для персонализации рассылок и сайта
Содержание:
Общая информация
Товарные рекомендации — это инструмент для создания эффективных коммуникаций с покупателями посредством рассылок, а также виджетов на сайте и в Мобильном приложении.
Основные цели инструментов товарных рекомендаций:
- персонализация взаимодействия с клиентом;
- стимулирование клиентов к совершению определенных действий согласно задачам и интересам Компании;
- достижение поставленных бизнес-целей;
- автоматизация маркетинга и проверка гипотез.
Для выработки товарных рекомендаций используется модуль Machine Learning (ML), алгоритмы которого позволяют обрабатывать и анализировать большие массивы данных с высокой скоростью и точностью. Маркетологи и аналитики могут сконцентрироваться на формировании бизнес-стратегий, поручая искусственному интеллекту технические задачи обработки больших объемов данных для заданных бизнес-задач.
Задачи, решаемые посредством персонализации рассылок с использованием товарных рекомендаций:
- Повышение качества взаимодействия клиента с Компанией;
- Улучшение клиентского опыта через рекомендации;
- Стимулирование попробовать другой товар;
- Расширение корзины;
- Увеличение частоты покупок;
- Увеличение суммы покупок;
- Продвижение определенных товаров, линеек и брендов;
- Распродажа остатков товаров;
- Прочие бизнес-метрики, для достижения которых маркетологи запускают кампании и сценарии взаимодействия со своими клиентами.
Для формирования товарных рекомендаций используются алгоритмы статистического анализа и машинного обучения. Эти алгоритмы используют как исторические данные, так и онлайн-события, совершаемые клиентами на сайте. Алгоритмы исследуют предпочтения покупателей, предсказывают их поведение и предлагают наиболее релевантные рекомендации для каждого клиента.
В настоящий момент доступно 5 алгоритмов для формирования товарных рекомендаций:
| № | Название | Метапеременная/макрос для использования в рассылках из модуля Smart Communications | Пример отображения результатов макроса в итоговом сообщении (на примере email) |
| 1. | Популярные товары | {% set clientRecommendation = сlient.recommendations('Popular') %} {% for recommendation in clientRecommendation|get(3) %} <br>{{recommendation.name}} {% endfor %} | Название товара 1 |
| 2. | Популярные товары в категории | {% set clientRecommendation = client.recommendations('PopularsCategory') %} {% for recommendation in clientRecommendation|get(3) %} <br>{{recommendation.name}} {% endfor %} | Название товара 1 Название товара 2 Название товара 3 |
| 3. | Совместные покупки | {% set clientRecommendation = client.recommendations('BoughtTogether') %} {% for recommendation in сlientRecommendation|get(3) %} <br>{{recommendation.name}} {% endfor %} | Название товара 1 Название товара 2 Название товара 3 |
| 4. | Похожие товары | {% set clientRecommendation = client.recommendations('SimilarProducts') %} {% for recommendation in clientRecommendation|get(3) %} <br>{{recommendation.name}} {% endfor %} | Название товара 1 Название товара 2 Название товара 3 |
| 5. | Персональные товарные рекомендации | {% set clientRecommendation = client.recommendations('RelatedPurchases') %} {% for recommendation in clientRecommendation|get(3) %} <br>{{recommendation.name}} {% endfor %} | Название товара 1 Название товара 2 Название товара 3 |
Рекомендации по каждому из алгоритмов отличаются, т. к. цели и задачи у них разные и в основе лежат разные наборы моделей, алгоритмов, гиперпараметров и т. п. При выборе конкретного алгоритма и сценария использования важно учитывать множество факторов:
- какую цель преследует конкретная маркетинговая кампания (рассылка/коммуникации),
- какое целевое действие ожидается от клиента после получения той или иной коммуникации,
- точки взаимодействия с клиентом и канал подачи контента.
Это означает, что комбинирование различных алгоритмов рекомендаций может привести к максимально позитивному сценарию для Компании и стимулировать клиента к совершению конкретного действия.
Каналы коммуникаций с использованием товарных рекомендаций:
- Email,
- Виджет на сайте (графическое приложение, которое выводит информацию на рабочий стол ПК, экран смартфона/планшета или страницу сайта),
- Мобильное приложение,
- Личный кабинет.
Алгоритм "Популярные товары"
1. Описание алгоритма Популярные товары
Алгоритм Популярные товары — это алгоритм, где рассчитывается рейтинг среди всего* списка товаров. Алгоритм предлагает к рекомендации топ-N популярных товаров из каждой категории согласно позиции каждого отдельного товара в общем рейтинге.
Данная методика предлагает к рекомендации более широкий спектр товаров (т. е. по несколько товаров из разных категорий), что предпочтительнее для достижения бизнес-целей.
Рейтинг товаров рассчитывается по количеству товара (единицам товара) во всех покупках всех покупателей, т. е. это самые покупаемые товары.
Все покупки — покупки независимо от места совершения покупки: онлайн, офлайн, т. е. все покупки, которые прошли через процессинг Loymax.
2. Примеры использования алгоритма Популярные товары для персонализации рассылок
Email-рассылки:
| Кампания | Триггер | Сценарий использования |
| Брошенный просмотр | Товар был просмотрен, но не куплен | Клиент просматривал карточку товара, после чего покинул сайт. Через определенное время (t) отправить письмо с самыми популярными товарами. |
| Брошенный просмотр категории | Была просмотрена категория товара, но ничего не куплено | Клиент просматривал категорию товара, после чего покинул сайт. Через определенное время (t) отправить письмо с самыми популярными товарами. |
| Брошенная корзина | Товар был добавлен в корзину, но не куплен | Клиент положил товар в корзину, после чего покинул сайт. Через определенное время (t) отправить письмо с напоминанием о брошенной корзине и c самыми популярными товарами. |
3. Примеры использования алгоритма Популярные товары для персонализации сайта
| Кампания | Триггер | Сценарий использования |
| Главная страница сайта | Вход на сайт | Раздел Популярные товары. Клиент находится на главной странице сайта. Отображаются самые популярные товары. |
| Текущий просмотр карточки товара | Просмотр товара | Раздел Популярные товары. Клиент просматривает товар. Отображаются самые популярные товары. |
| Текущий просмотр категории товара | Просмотр категории | Раздел Популярные товары. Клиент просматривает категорию. Отображаются самые популярные товары. |
4. Общая концепция алгоритма Популярные товары
Пример: формирование рекомендованных товаров по 1 самому популярному товару из каждой категории.
 |
Алгоритм "Популярные товары в категории"
1. Описание алгоритма Популярные товары в категории
Алгоритм Популярные товары в категории — это алгоритм, где рассчитывается рейтинг среди списка товаров* внутри каждой конкретной категории.
Алгоритм предлагает к рекомендации N-товаров из категории.
Рейтинг товаров рассчитывается по количеству товара (единицам товара) во всех покупках всех покупателей, т. е. это самые покупаемые товары.
Все покупки — покупки независимо от места совершения покупки: онлайн, офлайн, т. е. все покупки, которые прошли через процессинг Loymax.
2. Примеры использования алгоритма Популярные товары в категории для персонализации рассылок
Товары для рекомендации подбираются на основе просмотренных/заказанных/купленных товаров клиента и категории (т. е. ID категории), к которой относятся эти просмотренные/заказанные/купленные товары.
При этом категория/уровень классификатора, к которому относится этот товар, может быть как самым низким, так и более высоким.
Email-рассылки:
| Кампания | Триггер | Сценарий использования |
| Брошенный просмотр | Товар был просмотрен, но не куплен | Через Х дней отправить письмо с рекомендацией самых популярных товаров в категории. |
| Брошенная корзина | Товар был добавлен в корзину, но не куплен | Через Х дней отправить письмо с рекомендацией самых популярных товаров в категории. |
3. Примеры использования алгоритма Популярные товары в категории для персонализации сайта
Товары для рекомендации подбираются на основе действий клиента на сайте (треккер событий) и категории (т. е. ID категории), к которой относится товар. При этом можно выбирать уровень классификатора, к которому относится товар (т. е. категорию). Категория, к которой относится товар, может быть как самого низкого уровня классификатора, так и более высокого.
| Кампания | Триггер | Сценарий использования |
| Текущий просмотр карточки товара | Просмотр товара | Раздел С этим товаром сравнивают. Рекомендация популярных товаров в категории на основе просматриваемого клиентом товара. |
4. Общая концепция алгоритма
Рейтинг товаров рассчитывается на каждом уровне классификатора (ID группы, ID подгруппы, ID категории) по общему списку товаров, входящих в данный уровень иерархии, то есть в группу/подгруппу/категорию, вне зависимости от вложенности следующего уровня иерархии.
К примеру, если в запросе будет передан ID подгруппы (более верхнеуровневой иерархии классификатора, чем категория), то рейтинг раcсчитывается по всем товарам, входящим во все категории, относящиеся к этой подгруппе (см. пример ниже для уровня классификатора 2).
Пример: покупатель просматривает Товар 6. На схеме ниже показано какие 5 товарных рекомендаций он может получить при запросе по ID категории, ID подгруппы или ID группы.
 |
Алгоритм "Похожие товары"
1. Описание алгоритма Похожие товары
Алгоритм Похожие товары рекомендует наиболее близкие альтернативные товары*, похожие на просматриваемый/заказанный/купленный товар.
Алгоритм предлагает к рекомендации N-товаров близких к просматриваемому/заказанному/купленному товару по различным признакам.
2. Примеры использования алгоритма Похожие товары для персонализации рассылок
Email-рассылки:
| Кампания | Триггер | Сценарий использования |
| Брошенный просмотр | Товар был просмотрен, но не заказан | Через Х дней отправить письмо с альтернативными товарами к товарам, просмотренным клиентом. |
| Брошенная корзина | Товар был добавлен в корзину, но не куплен | Через Х дней отправить письмо с альтернативными товарами к товарам, просмотренным клиентом. |
3. Примеры использования алгоритма Похожие товары для персонализации сайта
| Кампания | Триггер | Сценарий использования |
| Текущий просмотр карточки товара | Просмотр товара | Раздел Вам может понравиться. Рекомендации альтернативных товаров к товару, просматриваемому клиентом. |
4. Общая концепция алгоритма
 | Для каждого товара с помощью нейросети формируется его (N-мерное) векторное представление (embedding) на основании описания, свойств и атрибутов товаров, а также статистики и контента покупок и просмотров. В трехмерном пространстве представлены многомерные векторы (размерность > 50). Каждая точка на графике — это один товар. Точки крупнее других — это несколько близких товаров. Формируются кластеры ближайших "соседей" и расстояние между "соседями" минимальное, а между группами — значительное. В качестве похожих товаров выбираются товары с минимальным косинусным расстоянием между векторами, т. е. с самым близким набором всех совокупностей свойств товаров.
|
Алгоритм "Совместные покупки"
1. Описание алгоритма Совместные покупки
Алгоритм Совместные покупки выдает к рекомендации товары, которые чаще всего встречались в одной покупке с просмотренными/заказанными/купленными товарами.
2. Примеры использования алгоритма Совместные покупки для персонализации рассылок
Email-рассылки:
| Кампания | Триггер | Сценарий использования |
| Брошенный просмотр | Товар был просмотрен, но не заказан | Через Х дней отправить письмо с товарами, которые чаще всего покупают с товаром, просмотренным клиентом. |
| Брошенная корзина | Товар был добавлен в корзину, но не куплен | Через Х дней отправить письмо с товарами, которые чаще всего покупают с товарами из корзины клиента. |
| Спасибо за покупку! | Клиент совершил покупку | Через Х дней отправить письмо с товарами, которые чаще всего покупают с товарами из покупки клиента. |
3. Примеры использования алгоритма Совместные покупки для персонализации сайта
| Кампания | Триггер | Сценарий использования |
| Текущий просмотр карточки товара | Просмотр товара | Раздел С этим товаром покупают. Рекомендации сопутствующих товаров. |
| Товар добавлен в корзину | Добавление товара в корзину | Раздел С этим товаром покупают. Рекомендации сопутствующих товаров. |
4. Общая концепция алгоритма Совместные покупки
Данный алгоритм состоит из ряда моделей и алгоритмов, в основе которых лежит алгоритм Обучение ассоциативным правилам.
Ассоциативные правила товарных рекомендаций представляют собой набор логических правил, которые используются для определения связей между товарами и предложением рекомендаций на основе этих связей. Такие правила помогают предсказывать, какие товары могут быть интересны покупателю, и предлагают соответствующие рекомендации на основе предыдущих покупок или текущих просмотров покупателей. Это способствует улучшению персонализации предложений и повышению удовлетворенности покупателей.
Покупки каждого клиента в магазине только на первый взгляд кажутся уникальными. У покупателей вырабатываются одинаковые модели поведения на основе потребностей. Так или иначе, потребности людей совпадают и можно говорить о типичном покупательском поведении в определенных условиях.
Одним из примеров ассоциативных правил является правило Покупатели, которые приобрели товар А, также приобретают товар B. Это правило основано на анализе истории покупок и позволяет предлагать товар B покупателям, которые ранее покупали или сейчас онлайн проявили интерес к какому-либо товару А.
Ассоциативные правила товарных рекомендаций могут быть сложными и включать несколько условий.
Например, правило Покупатели, которые приобрели товар А и товар В, также приобретают товар С. Это правило предполагает, что покупатели, которые уже приобрели товары А и В, могут быть заинтересованы в приобретении товара С. То есть связка 2, 3 и более товаров.
Предположим, что у нас есть история покупок клиентов, включающая информацию о том, какие товары они приобрели. Ассоциативные правила будут использоваться для определения связей между товарами и предложением рекомендаций на основе этих связей.
Например, у нас есть следующие ассоциативные правила:
Правило 1: Покупатели, которые приобрели сыр Чеддер, также приобретают крекеры.
Правило 2: Покупатели, которые приобрели сыр Гауда, также приобретают красное вино.
Правило 3: Покупатели, которые приобрели сыр Бри, также приобретают груши.
Таким образом, система рекомендаций, используя ассоциативные правила, может предложить:
- Покупателю, который интересуется сыром Чеддер — крекеры в качестве рекомендации, исходя из правила 1.
- Аналогично, если покупатель приобрел сыр Гауда, система рекомендаций может предложить ему красное вино, исходя из правила 2.
- Если же покупатель приобрел сыр Бри, система рекомендаций может предложить ему груши, исходя из правила 3.
Алгоритм "Персональные товарные рекомендации"
1. Описание алгоритма Персональные товарные рекомендации
Алгоритм Персональные товарные рекомендации формирует рекомендации товаров на основе поведения клиента (ID клиента) и похожих на него клиентов.
Т. е. формируется прогноз неизвестных предпочтений для определенного пользователя на основе использования информации о предпочтениях группы пользователей.
Для предсказания наилучших предпочтений клиентов модель машинного обучения использует данные об истории поведения и покупок клиентов, онлайн поведении клиентов, свойствах и профилях клиентов, атрибутах и статистике товаров и других различных параметрах.
2. Примеры использования алгоритма Персональные товарные рекомендации для персонализации рассылок
Email-рассылки:
| Кампания | Триггер | Сценарий использования |
| Товар был просмотрен, но не заказан | Отправить письмо через Х часов после просмотра. | |
| Брошенная корзина | Товар был добавлен в корзину, но не куплен | Отправить письмо через Х дней после добавления в корзину. |
| Рекомендации к покупке | Клиент совершил покупку | Отправить письмо через Х дней после покупки. |
| Снижение суммы покупок | Сумма покупок клиента снизилась на Х% за период | При условии снижения покупок на Х% отправить письмо с рекомендацией персональных товаров. |
| Снижение посещаемости сайта | Клиент не заходит на сайт | Отправить письмо, если клиент не был на сайте Х дней. |
3. Примеры использования алгоритма Персональные товарные рекомендации для персонализации сайта
| Кампания | Триггер | Сценарий использования |
| Текущий просмотр карточки товара | Просмотр карточки товара | Раздел Вам может понравиться или Специально для Вас. Рекомендация к просматриваемому товару. |
| Вход на сайт | Вход на сайт авторизованного клиента | Раздел Вам может понравиться или Специально для Вас. Рекомендация к просматриваемому товару. |
4. Общая концепция алгоритма Персональные товарные рекомендации
Алгоритм Персональные товарные рекомендации состоит из ансамбля алгоритмов и моделей. Базовым является алгоритм Коллаборативная фильтрация.
Применение данного алгоритма в ансамбле моделей, наряду с другими алгоритмами, приводит к формированию более релевантных товарных рекомендаций для клиента.
Коллаборативная фильтрация, совместная фильтрация (collaborative filtering) — это один из методов построения прогнозов (рекомендаций) в рекомендательных системах, использующий известные предпочтения (оценки) группы клиентов для прогнозирования неизвестных предпочтений другого клиента.
Основное допущение данного метода состоит в следующем: те, кто одинаково покупает какие-либо товары/категории, склонны совершить похожие покупки и других товаров, которые они не покупают, но покупают их ближайшие "соседи", т. е. ближайшие похожие покупатели по совокупности покупок с оценкой большего количества товаров.
Сноски: * При расчете алгоритмов могут использоваться как вся номенклатура, так и номенклатура за исключением blacklist, т. е. товары-исключения и/или категории-исключения. Способ передачи товаров/категорий-исключений согласовывается в рамках подключения модуля товарных рекомендаций (на этапе внедрения).
Читайте также:
В статье использованы материалы из следующих источников: