Новое в Mindbox: настраиваем витрины рекомендаций по гибким правилам

20 Авг ‘19

Рекомендации нужны, чтобы дать клиенту выбор, когда он ему нужен. Они увеличивают глубину просмотра страниц и конверсию в покупки, повышают трафик из писем на сайт и (иногда) наращивают средний чек.

Главная особенность алгоритмов Mindbox — гибкость: из одной рекомендации получится сделать три, а иногда и пять вариантов. Всё ограничивается вашей фантазией.

Важный момент: все алгоритмы по умолчанию рекомендуют только товары в наличии, а также исключают товары, которые клиент уже покупал.

Недавно мы сделали большой рывок — переделали существующие рекомендации и добавили новые. Используем машинное обучение, но сохраняем возможность для клиентов гибко настраивать алгоритмы, когда машина ошибается и важно экспертное мнение.

Что изменилось:

  • Персональные рекомендации теперь умеют пересчитываться в режиме реального времени.
  • Сопутствующие товары можно улучшить, указав, из каких категорий к каким подбирать рекомендации.
  • На странице настройки алгоритмов доступен визуальный просмотр результатов их работы.
  • Гибкие настройки приоритета вывода рекомендаций и точного соответствия в «Похожих товарах».
  • Сопутствующие товары на машинном обучении: теперь для каждого товара (даже нового) есть сопутствующие товары.

В статье расскажем, какие алгоритмы и как можно настраивать для сайта и писем, а также касс и колл-центра(!). Дополнительно рассмотрим, как тестировать их эффективность с помощью AB-тестов.

Для простоты собрали в одной таблице все возможные рекомендации:

Алгоритм Краткое описание Где использовать
Событийные персональные рекомендации На основе действий пользователя рассчитывает лучшие товарные рекомендации в режиме реального времени (в том числе для анонимных пользователей на сайте). Работает на машинном обучении. Блоки рекомендаций на главной странице.
Рекомендации в карточке товара.
Сопутствующие товары Модель рассчитывает наилучшую сопутку для каждого товара на основе истории чеков. Работает на машинном обучении. Рекомендации в карточке товара.
Письма: Спасибо за заказ и Next best offer.
Ручное соответствие категория-категория Интерфейс для задания соответствий категория-категория. Можно указать, что к платьям нужно рекомендовать туфли того же бренда и коллекции. Дальше подбираются наиболее подходящие по истории чеков товары. Рекомендации в карточке товара.
Письма: Спасибо за заказ и Next best offer.
Похожие товары Показывает похожие товары на основе настраиваемых признаков в порядке убывания приоритета: категория, коллекция, производитель и т.д. Работает на ручной настройке критериев сходства. Блок рекомендаций на главной странице.
Рекомендации в карточке товара.
Письма: Брошенный просмотр товара и Просмотр товара не в наличии.
Популярные товары Показывает популярные товары по просмотрам или заказам. Блок рекомендаций на главной странице.
Рекомендации на страницах поиска и категории.
Письма: массовые рассылки.

Ниже подробно расскажем про каждый алгоритм и объясним, как оцениваем их эффективность.

Событийные персональные рекомендации

Обычные персональные рекомендации основываются на всём массиве информации о пользователе, которая есть в системе: просмотры категорий, покупки, добавление товаров в корзину и избранное и так далее. Дополнительно алгоритм сравнивает пользователей с другими клиентами и рекомендует пользователю А товар, который тот не просматривал, но который может его заинтересовать. В основе рекомендации — информация о том, что товар купил пользователь Б, чем-то похожий на пользователя А.

Персональные рекомендации работают и на сайте, и в письмах
Персональные рекомендации работают и на сайте, и в письмах

Событийные персональные рекомендации — развитие идеи просто персональных рекомендаций. Они подходят для новых или анонимных посетителей сайта, информации по которым в системе еще нет.

Алгоритм работает в режиме реального времени: каждые 5 секунд отправляет запрос в Mindbox и передает информацию о действиях клиента. В ответ платформа отправляет рекомендации на основе интересов пользователя в конкретный момент.

Пример работы событийных персональных рекомендаций в fashion-бизнесе
Пример работы событийных персональных рекомендаций в fashion-бизнесе. Было — обычные популярные товары, стало — рекомендации на основе действий пользователя.

Алгоритм подходит не только для сайта и писем, но и для касс, колл-центра и мобильного приложения.

Идеи для использования алгоритма:

  • Персональные рекомендации.
  • Персональные новинки.
  • Персональная подборка товаров по акции.
  • Персональные хиты продаж.

Результат работы алгоритма также можно увидеть в режиме визуального просмотра прямо на странице настроек — теперь можно быстро и без труда оценить качество рекомендаций.

Если качество рекомендаций не устраивает, можно изменить настройки алгоритма
Если качество рекомендаций не устраивает, можно изменить настройки алгоритма

Сопутствующие товары

Сопутствующие товары — это товары, которые обычно покупают вместе с основным. Например, шлем к велосипеду или клавиатура к компьютеру. Алгоритм анализирует чеки за заданный период и определяет, какие позиции часто встречаются в одной покупке. На странице алгоритма можно задать ограничения: рекомендовать не все продукты, а определенный сегмент, например, только товары со скидкой.

Пример работы алгоритма «Сопутствующие товары» у finn-flare.ru
Пример работы алгоритма «Сопутствующие товары» у finn-flare.ru

Если клиент смотрит новинку, по которой еще нет статистики, алгоритм предложит сопутку к похожему товару, по которому уже накоплена история покупок. Похожесть определяется на основании информации в дополнительных полях товара: производитель, цена и других.

Алгоритм хорошо подходит для использования на сайте и кассах, в мобильном приложении и колл-центре. В письмах и брошенных корзинах его нужно использовать с осторожностью: покупатель отвлечется от выбора основного товара, и конверсия может упасть.

Период расчета важен, потому что учитывает влияние сезонности
Период расчета важен, потому что учитывает влияние сезонности

Ручное соответствие категория-категория

У алгоритма «‎Сопутствующие товары» есть существенный минус: модели, построенные на статистике покупок, не всегда отражают реальность и могут показывать нерелевантные товары. В модной или спортивной рознице достовернее оказывается мнение эксперта. Чтобы учитывать его, сделали алгоритм с ручным соответствием категория-категория.

Пример работы алгоритма ручное соответствие на kant.ru
Пример работы алгоритма ручное соответствие на kant.ru

Он позволяет не просто выбрать, какие рекомендовать сопутствующие товары к какой категории продуктов, но и указать соотношение рекомендуемых категорий: например, показывать один вариант кроссовок и два свитшота.

Алгоритм рекомендует не случайные товары из категории — они подбираются по частоте совместных покупок продуктов и сходству. Критерии сходства настраиваются на странице алгоритма. Это могут быть любые параметры, например, коллекция, цена, производитель или пол клиента. Дальше товары дополнительно ранжируются: алгоритм в первую очередь покажет те товары, которые чаще встречались в одном чеке.

В настройках алгоритма можно задать до 12 параметров сходства
В настройках алгоритма можно задать до 12 параметров сходства

Алгоритм имеет смысл настраивать не для всех категорий товара на сайте, а только для самых важных. Советуем не убирать галочку «Для остальных категорий рассчитывать рекомендации по алгоритму “Сопутствующие товары”» — вы сэкономите время, а на бизнес-показатели это не повлияет.

Похожие товары

Этот алгоритм показывает клиенту дополнительный ассортимент, по каким-либо признакам близкий к просмотренному товару. Поскольку критерии сходства в каждом проекте уникальны, они вручную задаются на странице алгоритма в порядке убывания приоритета.

Пример работы алгоритма «Похожие товары» в интернет-магазине косметики spadream.ru
Пример работы алгоритма «Похожие товары» в интернет-магазине косметики spadream.ru

Сначала алгоритм покажет клиенту товар, полностью соответствующий всем критериям. Это могут быть, например, женские платья конкретного производителя по определенной цене. Если в ассортименте или наличии нет платья по нужной цене, алгоритм порекомендует товары из другого ценового сегмента. Если не сможет найти товары, полностью соответствующие оставшимся параметрам, предложит платья другого производителя. И так далее, в порядке убывания приоритета.

Пересчет алгоритма после настройки обычно занимает полчаса или меньше
Пересчет алгоритма после настройки обычно занимает полчаса или меньше

Категория первого уровня — это ближайшая к товару, корневая. Например, в нашем примере это категория «платья». В этом случае категорией второго уровня может быть женская одежда. В Mindbox нет сущности «женские товары», но в карточке товара указывается пол, и можно учитывать этот признак. Точно так же настраивается категория по возрасту, причем указывать можно не только взрослый это товар или детский, но и выделить более узкие сегменты: от нуля до года, от года до трех и так далее. Возможности алгоритма почти безграничны: можно прописать конкретную коллекцию, рекомендовать товары из сегмента «Новинки» или товары со скидками.

После того как вы настроите алгоритм, появится возможность посмотреть, как он работает на практике. Достаточно ввести ID товара, и система покажет, какие товары считает похожими.

В этом примере похожими считаются товары того же бренда со скидкой
В этом примере похожими считаются товары того же бренда со скидкой

Алгоритм можно использовать не только на сайте и в письмах, но и в колл-центре, на кассах и мобильном приложении. Если товара нет в наличии, оператор или кассир сможет предложить клиенту аналоги, основываясь на заранее заданных критериях похожести. Для этого нужно настроить интерфейс, запрашивающий аналоги через API Mindbox.

Идеи для использования алгоритма:

  • Похожие товары-новинки.
  • Аналоги в наличии.
  • Похожие товары со скидками / по акции.
  • Товары того же бренда / коллекции.

Популярные товары

Алгоритм гибко настраивается: популярные товары по категории, просмотрам, заказам, а также новинки, акции. Можно уйти глубже и настроить сегменты по полу и возрасту, бренду.

Пример настроек алгоритма «Популярные товары»
Пример настроек алгоритма «Популярные товары»

Использовать популярные товары имеет смысл проектам с небольшим ассортиментом — туристическим компаниям, фирмам, продающим ПО. Здесь выборка слишком мала, чтобы персональные рекомендации правильно сработали. Во всех остальных случаях популярные товары можно заменить персональными рекомендациями — по нашему опыту они эффективнее.

Идеи для использования алгоритма:

  • Популярные новинки.
  • Популярные товары в бренде.
  • Популярные в категории.
  • Популярные мужские / женские / детские товары.

Как оценить эффективность рекомендаций

Как и любое нововведение, рекомендации нужно тестировать. Лучший способ — с помощью AB-тестов. Этот способ подходит и для сайта, и для рассылок.

Для клиента, продающего товары для дома, протестировали алгоритм рекомендаций «Популярные товары» на странице категорий. Половине пользователей сайта показывали виджет, половине — нет. Тест проводился с помощью Google Optimize.

Виджет с рекомендациями увеличил выручку на 40%
Виджет с рекомендациями увеличил выручку на 40%

Для интернет-магазина профессиональной косметики Shophair протестировали персональные рекомендации в письмах против популярных товаров. Персональные рекомендации увеличили click rate на 31%.

Пример письма с персональными рекомендациями
Пример письма с персональными рекомендациями

Заключение

В алгоритмах Mindbox используем машинное обучение и при этом сохраняем возможность гибкой ручной настройки. Все рекомендации адаптируются под конкретный проект — возможности ограничены только вашей фантазией.

Экспериментируйте, но не забывайте проверять гипотезы — в этом вам поможет AB-тестирование.

Статью подготовили

Игорь Калиновский
Игорь Калиновский,владелец продукта Рекомендации
Марианна Любарова
Марианна Любарова,автор
Подпишитесь на наш ежеквартальный дайджест новостей

Пожалуйста, оставьте информацию о вас

Свяжемся в течение
рабочего дня

Заявка на партнерство

Свяжемся в течение
рабочего дня

Обратная связь

Мы используем файлы cookie
Отказаться от обработки данных