Продуктовые рекомендации Diginetica
В чем польза рекомендаций для покупателей
Продуктовые рекомендации в интернет-магазинах помогают пользователям тратить меньше усилий и времени на выбор товаров и услуг (далее - Товары), так как вместо того, чтобы искать в интернет-магазине подходящий товар, рекомендательные алгоритмы сразу могут предложить ему релевантные товары.
Например, пользователь просматривает определенную модель брюк на сайте, рекомендации предложат ему похожие модели брюк, чтобы ему самостоятельно не пришлось искать их в каталоге. Или пользователь смотрел стиральную машинку и холодильник, но решил подумать о покупке. При возвращении этого пользователя на сайт в блоках рекомендаций ему покажутся релевантные его интересу стиральные машинки и холодильники.
Как формируются рекомендации
1. Сбор данных и обучение алгоритмов
Собираем поведенческие данные:
Для обучения алгоритмов рекомендаций требуется как можно больше данных о поведении покупателя в интернет-магазине, поэтому Diginetica собирает и использует следующие данные (далее - Поведенческие данные):
- просмотры страниц товаров/услуг
- просмотры страниц категорий
- просмотры страниц результатов поиска
- составы оформленных заказов
Все собранные данные используются только внутри конкретного интернет-магазина и не подлежат использованию для обучения рекомендательных алгоритмов других интернет-магазинов.
Все собранные данные полностью обезличены и не позволяют идентифицировать конкретного пользователя или устройство.
2. Объединяем собранные данные с данными о товарах из каталога:
Для подбора пользователю похожих товаров необходимы не только поведенческие данные, но также данные о самих товарах и их характеристиках, чтобы найти все релевантные товары для рекомендаций.
3. Подбор рекомендаций
Diginetica использует два подхода при формировании рекомендаций: персонализированные и не персонализированные рекомендации
Не персонализированные рекомендации:
1. Подбор похожих товаров
Алгоритмы анализируют свойства того продукта, которым интересуется пользователь: категорию, производителя, цвет и многие другие свойства. По этим признакам, а также по товарам, которые просматривали все пользователи, подбираются продукты, которые похожи на интересующий пользователя товар. Например, пользователь смотрит черные джинсы с высокой талией, алгоритм рекомендаций предложит ему другие модели джинс с высокой талией черного цвета.
2. Подбор сопутствующих товаров
Алгоритмы анализируют какие товары покупали и смотрели все пользователи вместе с интересующим пользователя товаром и на основании этих данных подбираются товары, которые пользователь может докупить. Например, пользователь положил в корзину смартфон, в рекомендациях ему будут предложены чехлы для этого смартфона.
3. Подбор популярных товаров
Алгоритмы анализируют какие товары чаще всего покупают/смотрят в данном интернет-магазине все пользователи и из этих данных формируются рекомендации популярных товаров во всем интернет - магазине (или в какой-то конкретной категории каталога). Например, за прошедший квартал в данном интернет-магазине чаще всего покупали некую модель смартфона и модель холодильника, эти товары будут показаны в блоке популярных рекомендаций для всех пользователей
Персонализированные рекомендации:
Алгоритм анализирует поведенческие данные конкретного пользователя и рекомендует ему товары, наиболее релевантные его текущему интересу.
Уточняем рекомендации
После того, как рекомендации составлены, можно сделать их еще точнее, добавив дополнительные условия от интернет-магазина. Например, расположить товары в некой градации цен, исключить товары не в наличии или поставить на определенное место в блоке определённый товар.
Где отображаются рекомендации
Когда рекомендательные алгоритмы настроены и обучены, они могут показывать покупателю блоки рекомендаций на любой странице интернет-магазина: главная, страница товара, корзина и т.п.