31 октября 2022

ML-алгоритмы в Mindbox: лучшее время отправки, next best action и продуктовые рекомендации

ML-алгоритмы, или алгоритмы машинного обучения, анализируют поведение покупателей, чтобы предлагать им нужные товары в подходящее время. Например, за пару недель до того, как у кошки закончится корм, ее хозяин получает email с предложением заказать новую пачку и игрушку для кошки — это работа разных ML-алгоритмов. Один алгоритм проанализировал частоту покупок и отправил хозяину письмо в нужное время, а другой алгоритм вывел в письме товары для кошек: корм и игрушку.

В этой статье расскажем, какие алгоритмы есть в Mindbox, и рассмотрим лучшие практики их использования в фешн-индустрии, рознице, онлайне и недвижимости: с результатами и настройками.

Как настроить алгоритм «лучшее время отправки» в Mindbox

Next best action

Как настроить алгоритм next best action в Mindbox

Продуктовые рекомендации

Виды продуктовых рекомендаций
Использование продуктовых рекомендаций в фешн-индустрии, рознице и недвижимости
Когда не стоит запускать продуктовые рекомендации
Как настроить продуктовые рекомендации в Mindbox

Как обучаются алгоритмы
Где настраиваются алгоритмы в Mindbox
Запуск простых алгоритмов в базовых механиках в рассылках и на сайте
Запуск алгоритмов с расширенными настройками

Когда пора включать ML-алгоритмы

Какие ML-алгоритмы есть в Mindbox

ML-алгоритмы — это искусственный интеллект, который используется в том числе для составления прогнозов на основании решений схожих задач. Например, вероятность поломки оборудования, прогноз скорости доставки или лучшее время для отправки email клиенту.

ML-алгоритмы Mindbox нацелены на то, чтобы увеличивать эффективность маркетинга. Они помогают доставлять письма тогда, когда клиент с большей вероятностью совершит покупку, и автоматически подбирать персональные предложения, которые могут заинтересовать пользователя.

В Mindbox три блока ML-алгоритмов:

Лучшее время отправки

Next best action

Продуктовые рекомендации

Принцип работы

Определяет время, когда клиент вероятнее всего готов получить письмо. Оптимальное время подбирается для каждого дня недели

Рассчитывает лучшую дату для отправки. Дату можно использовать в сценариях коммуникации и отправлять оффер, когда клиент вероятнее всего готов к следующей покупке

Подбирает релевантные продукты для каждого пользователя в зависимости от настроек и конкретной ситуации

Каналы для использования

Email, SMS, вебпуши, мобильные пуши и мессенджеры

Сайт, касса, мобильное приложение, email, SMS, вебпуши, мобильные пуши, попапы и мессенджеры

Лучшее время отправки

Алгоритм «лучшее время отправки» позволяет автоматически отправлять офферы в то время, когда получатель с наибольшей вероятностью откроет письмо и перейдет на сайт. Это помогает растить open rate, click rate и снижать процент отписок.

Алгоритм анализирует историю открытий email-рассылок по текущей базе и рассчитывает для каждого клиента время, когда он вероятнее всего откроет письмо. Получается, что одна и та же массовая рассылка отправляется в разное время, подобранное индивидуально для каждого клиента.

Чтобы повысить click rate рассылок и уменьшить количество отписок, обувной бренд Birkenstock подключил алгоритм «лучшее время отправки» в массовых рассылках. В результате click rate увеличился на 2,8 процентных пункта, а количество отписок уменьшилось на 0,1%.

Кейс Birkenstock

Средние результаты по рассылкам, данные Mindbox:

Как настроить алгоритм «лучшее время отправки» в Mindbox

Чтобы понять, стоит ли применять алгоритм к вашей базе, советуем сначала протестировать его. Разделите базу на две части. Одной половине базы письма будут отправляться по вашим обычным настройкам, а другой половине — по времени, рассчитанному алгоритмом для каждого получателя. Так вы сможете сравнить результаты двух видов отправок и принять решение, включать ли алгоритм на всю базу.

1. Подключить алгоритм на проекте в разделе «кампании» → «лучшее время отправки».

2. Нажать на кнопку в верхней панели «Запустить тест на половину базы».

Результаты теста будут собираться на странице алгоритма. После теста алгоритм можно включить для всей базы на проекте.

Next best action

Алгоритм «лучшее следующее предложение» (next best action) используется для стимуляции повторных продаж активным пользователям. Предложения могут быть настроены персонально для разных сегментов клиентов.

Алгоритм анализирует поведение каждого пользователя из базы и на основе этих данных рассчитывает дату, в которую, предположительно, пользователь захочет купить что-либо у вас.

Перед внедрением next best action Book24 провели AB-тест. Половине клиентов рассылка отправлялась спустя фиксированное время (14 дней) после совершения заказа, а другой половине отправляли рассылку в персонально определенную алгоритмом дату. Тест позволил понять, повышает ли алгоритм эффективность рассылки по сравнению с логикой, определенной человеком (отправка через 14 дней после заказа).

Настройка и результаты работы алгоритма NBA в рассылках Book24

По итогам тестирования алгоритм nехt best action показал значимо лучший результат:

+25% open rate;
+20% click rate;
в 2 раза выше конверсия в заказ;
в 3 раза меньше отписок от рассылки.

Различия статистически значимы с доверительной вероятностью 95%.

Юлия Сомова-Гольцвирт,

Начальник отдела direct-маркетинга Book24

На примере next best action мы убедились в эффективности ML-алгоритмов: AB-тестирование показало отличные результаты. Для нас особенно важно, что количество отписок сократилось в три раза — это сильный аргумент в пользу машинного обучения.

Кейс зоомагазина «Бетховен»

В зоомагазине «Бетховен» владельцы животных заказывают корм и наполнители с определенной периодичностью. Поэтому появилась задача предугадать, когда товар потребуется клиенту в следующий раз, и отправить ему письмо с предложением.

Нейросеть проанализировала, сколько времени проходит между покупками клиента, как часто он открывает письма и покупает из рассылки, а потом предложила лучшую дату для отправки письма с рекомендациями. В письме перечислены товары, которые клиент купил в прошлый раз, и есть кнопка «повторить заказ». После нажатия на кнопку клиент переадресовывается на страницу с корзиной, в которой уже лежат товары.

Письмо с кнопкой для повторного заказа приходит к моменту, когда у клиента должны закончиться товары, которые он заказывал ранее. Дату отправки рассчитывает алгоритм нейросети NBA

Чтобы оценить результат работы алгоритма, провели AB-тест. Часть клиентов получила письма из расчета среднего времени между покупками, а часть — по предсказаниям нейросети. Достоверность результатов AB-теста — 95%.

За полмесяца алгоритм NBA обогнал все триггеры на проекте по эффективности и достиг 26,9% общего дохода от триггерных рассылок.

Показатель

Рост

Целевые отправки

в 23 раза в абсолютном значении

Open rate

17 раз в абсолютном значении

Выручка на отправку

1,2 раза в абсолютном значении

Conversion rate

1,5 раза в процентах

Как настроить алгоритм next best action в Mindbox

Мы рекомендуем использовать вместе с алгоритмом next best action вывод персональных рекомендаций в рассылке, чтобы заинтересовать пользователя конкретными товарами и улучшить механику.

Чтобы настроить алгоритм, надо:

1. Загрузить в Mindbox письмо, которое хотите отправлять, когда наступает время для лучшего следующего предложения.

2. Нажать в верхней панели на кнопку «запустить» в разделе «кампании» → «лучшее следующее предложение», чтобы включить алгоритм. На следующий день после запуска расчета алгоритм будет готов к работе.

3. Перейти в кампанию, в которой подготовили рассылку для механики next best action.

4. Добавить сценарий, который будет отправлять email-рассылку в рассчитанное время по включенному алгоритму.

5. Выбрать событие «настало время лучшего следующего предложения» в первом блоке сценария.

6. Указать отправку рассылки, которую подготовили ранее, во втором блоке в группе шагов.

Так будет выглядеть сценарий с отправкой автоматической email-рассылки по рассчитанной дате лучшего следующего предложения.

Продуктовые рекомендации

Продуктовые рекомендации используются в омниканальных рассылках, на сайте, мобильном приложении или кассах офлайн-магазинов.

Задачи, которые решают продуктовые рекомендации:

Увеличить вероятность покупки и повысить конверсию сайта. На сайте пользователь может увидеть подборку персональных товаров, которые заинтересуют именно его. При расчете подборки алгоритмы учитывают интересы клиентов, их предпочтения и историю взаимодействия с вашим брендом в офлайне и онлайне.

Сориентировать пользователя в товарах и витринах на сайте или в мобильном приложении. Когда пользователь заходит в интернет-магазин, ему может быть сложно сразу выбрать что-то подходящее. Ему помогут подборки вроде «популярные товары» на главной странице, «товары со скидкой определенной категории» на страницах категорий или подборки комплектов к просматриваемому товару.

Сэкономить время на ручное составление писем с товарами. Чтобы маркетологу не приходилось каждый раз в рассылке или на сайте указывать товары, которые должен увидеть клиент, можно настроить вывод алгоритмов один раз. Дальше товары будут автоматически подставляться в выбранные рассылки с учетом правил расчета и обновлений номенклатуры.

Сориентировать пользователя в контенте и подборках статей или обучающих курсов в зависимости от его действий и интересов. Делать подборки с учетом интересов и истории взаимодействия клиентов можно также по обучающим материалам, услугам или статьям. Например, на главной странице сайта можно выделить материалы по темам, популярности, частоте просмотров или оценке других пользователей.

Виды продуктовых рекомендаций

В зависимости от объекта, к которому рассчитываются товарные рекомендации, есть три вида алгоритмов:

К клиенту. Mindbox фиксирует действия клиента: просмотры товаров, совершенные покупки и т. д. По этим данным можно рассчитать, например, персональные рекомендации или продукты, похожие на последние просмотренные клиентом в сессии.
К продукту. Бывает, что рекомендации нужно рассчитывать к конкретному товару из вашей номенклатуры. Например, на сайте в карточке товара нужно выводить товары из одной коллекции. Здесь используют алгоритмы, которые учитывают данные по продуктам.
К категории. Чтобы учитывать данные о конкретной товарной категории, используют алгоритмы этого вида. Например, когда клиент просматривает категорию «лыжи», в блоке рекомендаций на сайте можно предложить посмотреть подборку наиболее популярных лыж.

Всего в Mindbox 14 алгоритмов:

Последние просмотренные продукты: выводит последние просмотренные в сессии продукты для всех клиентов.
Ручное соответствие категорий: позволяет настроить сопутствующие продукты по соответствию категорий для отдельного продукта.
Персональные рекомендации: предсказывает, какой продукт клиент захочет купить. Учитывает действия клиента, а также поведение похожих клиентов, определенных по look-a-like-алгоритмам.
Популярные продукты по категориям: рекомендует популярные продукты для каждой категории.
Популярные продукты: рассчитывает популярные продукты за выбранный период времени.
Ручное соответствие категорий к последнему заказу: позволяет настроить сопутствующие продукты по соответствию категорий для каждого продукта в последнем заказе клиента.
Событийные персональные рекомендации: предсказывает, какой продукт клиент захочет купить.
Популярные продукты в просмотренных категориях в последней сессии: рекомендует популярные продукты в каждой продуктовой категории и формирует рекомендации равномерно для каждой категории, просмотренной клиентом в последней сессии.
Сопутствующие продукты к последнему заказу: рассчитывает сопутствующие продукты и формирует рекомендации для каждого продукта в последнем заказе клиента.
Сопутствующие продукты к списку продуктов: рассчитывает сопутствующие продукты и формирует рекомендации для каждого продукта в выбранном списке продуктов клиента.
Похожие продукты на просмотренные в последней сессии: позволяет настроить похожие продукты для каждого продукта из просмотренных в последней сессии клиента на сайте.
Похожие продукты к списку продуктов: позволяет настроить похожие продукты для каждого продукта из списка продуктов клиента.
Сопутствующие продукты: рассчитывает сопутствующие продукты и формирует рекомендации для отдельного продукта.
Похожие продукты: позволяет настроить похожие продукты для отдельного продукта.

У каждого алгоритма свои типы настроек и частота расчета. Например, алгоритм «персональные рекомендации» учитывает все действия клиента с товарами и его заказы и пересчитывается раз в сутки. А алгоритм «событийные персональные рекомендации» пересчитывается в реальном времени в зависимости от действий пользователя.

Использование продуктовых рекомендаций в фешн-индустрии, рознице и недвижимости

Покажем на кейсах клиентов из разных индустрий, как можно использовать алгоритмы товарных рекомендаций и какие результаты получаются.

Бренд белья и пляжной одежды INCANTO

Кейс INCANTO

У итальянского производителя белья и пляжной одежды INCANTO была задача увеличить доход с сайта, поэтому они разместили продуктовые рекомендации в карточке товара, в категориях, в корзине и на главной странице.

Чтобы понять эффективность добавленных рекомендаций, INCANTO запустили AB-тест, разделив посетителей сайта на две группы: контрольная группа не видела товарные рекомендации, а основная — видела.

По результатам двух месяцев тестирования оказалось, что ценность сеанса в контрольной группе (без рекомендаций) составила 57,5–63,7 рубля, а в основной (с рекомендациями) — 65,1–67,8 рубля.

Пример товарной карточки на сайте с подборкой рекомендаций

Сеть музыкальных магазинов «Музторг»

Перед «Музторгом» стояла задача увеличить конверсию сайта с помощью персональных рекомендаций. Чтобы ее выполнить, они начали с продвижения музыкальных инструментов.

Для этого установили на сайте восемь блоков с персонализированными продуктовыми рекомендациями. Каждый блок — это уникальная подборка музыкальных инструментов, составленная на основе поведения и интересов покупателя.

Пример товарных карточек на сайте с блоком рекомендаций. У каждого товара — своя подборка рекомендаций

Кейс сети музыкальных магазинов «Музторг»

В результате ROI от размещения рекомендаций — 326%. Каждый рубль, вложенный в модуль продуктовых рекомендаций на сайте, приносит 3,26 рубля.

Рекомендации учитывают полный контекст: историю покупок клиента в онлайне и офлайне, его интересы, популярность продуктов в интернет-магазине и рознице, популярные сочетания продуктов. Алгоритмы машинного обучения используют историю продаж сети «Музторг» за последний год.

Когда механика оказалась успешной, «Музторг» решили продвигать контент, статьи и курсы с помощью рекомендаций.В выдачу продуктовых рекомендаций добавили музыкальные курсы для соответствующих инструментов.

В карточке гитары будут курсы начального уровня для гитаристов, в барабанах — для барабанщиков и т. д.

Пример рекомендации курса по игре на гитаре в товарной карточки гитары.

Кейс ПИК

Недвижимость: девелопер ПИК

В недвижимости долгий цикл сделки и покупка не совершается одномоментно на сайте. Поэтому ПИК решил использовать рекомендации в коммуникациях, чтобы помогать пользователю в выборе и побудить его позвонить менеджеру ПИК или договориться о встрече.

ПИК настроили автоматические товарные рекомендации в email и вебпуш-каналах, а также в механике «брошенный просмотр планировки квартиры». Если человек долго рассматривал квартиру, а потом закрыл сайт, Mindbox отправит ему письмо о квартире, которую он смотрел, и еще двух квартирах с похожими характеристиками: площадью, ценой, планировкой.

Такая рассылка отправляется тем, кто рассматривал проект квартиры, но закрыли страницу. Два дополнительных проекта — это рекомендация квартир с похожим метражом и количеством комнат. Рекомендации подставляются в письмо автоматически

Когда не стоит запускать продуктовые рекомендации

Алгоритмы обучаются на данных вашего проекта: заказах, действиях просмотра продуктов или категорий, добавлениях продуктов в списки. Поэтому важно, чтобы данных было достаточно.

Чтобы Mindbox смог собрать персональные рекомендации, действий в виде заказов, просмотров продуктов или добавления продуктов в списки должно быть примерно в сто раз больше, чем количества продуктов. Если у вас в номенклатуре 30 уникальных продуктов, то действий клиентов должно быть от 3000. Чем богаче история взаимодействия с продуктами, тем адекватнее будет расчет. Это касается алгоритмов «событийные персональные рекомендации» и «персональные рекомендации».

Для всех остальных 12 алгоритмов рекомендаций требуется меньше действий — всего в 10 раз больше, чем количество продуктов.

Некоторым бизнесам не подойдут определенные алгоритмы из-за специфики продаваемых продуктов и частоты покупок одного пользователя:

Если вы предлагаете ручную работу или сайт с уникальными объявлениями. Например, валенки ручной работы под заказ.

В таком случае не будет работать расчет сопутствующих, персональных и популярных алгоритмов рекомендаций, потому что каждый продукт уникален и купить его может только один человек. Нет частоты покупок — алгоритму нечего анализировать. Вместо этого можно использовать алгоритм похожих продуктов.

Если вы продаете премиальные товары, которые покупают редко. Например, супердорогие компьютеры, которые пользователь покупает раз в 10 лет.

В таких случаях история взаимодействия покупателей с продуктом получается короткой и персональные рекомендации не будут работать. Вместо этого можно использовать алгоритмы, которые рекомендуют сопутствующие, популярные или похожие товары.

Чтобы понять, стоит ли вам запускать рекомендации сейчас или нет, нужно:

Посмотреть, сколько у вас заказов, действий просмотров продуктов или категорий, добавлений продуктов в списки.
Посмотреть, сколько товаров в номенклатуре.
Сравнить цифры: во сколько раз действий больше, чем количества товаров в номенклатуре.
Если действий больше в 10 раз количества товаров — можно использовать все алгоритмы, кроме персональных. Если действий больше в сто раз — можно использовать все алгоритмы, и персональные в том числе.

Как настроить продуктовые рекомендации в Mindbox

Как обучаются алгоритмы

Стандартно все модели переобучаются раз в сутки, учитывая новые пришедшие на проект данные.

При этом есть событийные алгоритмы, которые учитывают новые данные в реальном времени, накладывая их на предыдущую рассчитанную модель. К таким событийным алгоритмам относят следующие:

ручное соответствие категорий к последнему заказу;
событийные персональные рекомендации;
популярные продукты в просмотренных категориях в последней сессии;
сопутствующие продукты к последнему заказу;
сопутствующие продукты к списку продуктов;
похожие продукты на просмотренные в последней сессии;
похожие к списку продуктов;
последние просмотренные продукты

Событийные рекомендации можно использовать, когда вы хотите, чтобы каждое действие клиента в моменте влияло на пересчет выдачи товаров. Так, после просмотра новой карточки товаров алгоритм будет в момент просмотра учитывать его и менять подборку товаров.

Где настраиваются алгоритмы в Mindbox

Чтобы настроить продуктовые рекомендации, необходимо:

1. Зайти в раздел «кампании».

2. Зайти в «продуктовые рекомендации».

3. Выбрать из списка интересующий вас алгоритм, нажав «выбрать» в карточке алгоритма.

4. Перейти к настройкам алгоритма, указав его название и нажав «продолжить».

5. Заполнить сверху вниз в конструкторе правила, по которым будет работать алгоритм.

6. Запустить пересчет, нажав на кнопку «запустить». После пересчета алгоритм будет готов к работе. Можно будет его указать в рассылке или на сайте.

Запуск простых алгоритмов в базовых механиках в рассылках и на сайте

Чтобы понимать эффект от размещения алгоритмов, лучше сразу запускать AB-тесты: одной половине пользователей показывать обычное письмо или страницу сайта без рекомендаций, другой половине — письмо или страницу сайта с блоком рекомендаций.

Пример отчета AB-теста с двумя вариантами письма: B1 — вариант без вывода рекомендаций, B2 — вариант с выводом рекомендаций

Инструкция, как настраивать АВ-тесты

Если не знаете, с каких механик начать, можно воспользоваться идеями из наших подборок для рассылок и сайта.

Подборка вывода алгоритмов в рассылках:

Welcome-цепочка

Брошенная корзина

Брошенный просмотр продукта

Запуск алгоритмов с расширенными настройками

После использования простых настроек алгоритмов можно рассмотреть расширенные настройки:

похожие продукты;
ручное соответствие категорий;
похожие продукты к списку продуктов и другие.

Рассмотрим на примере магазина одежды, как настроить алгоритм по определенным продуктам и рекомендовать пользователю собрать набор или образ на сайте в карточке товара или в рассылках.

1. Перед настройкой механики завести и передавать в Mindbox для продуктов поля, по которым хотите настроить соответствия показа. В примере используются следующие поля: коллекция, тип использования, стиль и сезон.

2. Выбрать алгоритм «ручное соответствие категорий».

3. Указать соответствие категорий: что и к чему хотим рекомендовать. Например, к футболкам рекомендовать одну пару кроссовок и одну толстовку.

4. Задать поля, по которым хотим сравнивать продукты друг с другом. В нашем случае у товаров должна быть одна коллекция и один стиль.

5. Запустить и проверить расчет в блоке «просмотр рекомендаций». Такой комплект будет рекомендоваться для футболки по настроенным правилам.

6. Указать, где должен выводиться алгоритм: в подготовленной email-рассылке прописываем вывод товарной сетки с алгоритмом или указываем div-блок на сайте виджета с рекомендациями.

Когда пора включать ML-алгоритмы

Чтобы стимулировать повторные продажи по активным пользователям, можно подключить алгоритм next best action.

Чтобы улучшить показатели массовых email-рассылок, когда только что запустили CRM маркетинг, можно протестировать алгоритм «лучшее время отправки».

Чтобы делать интересные для клиентов предложения и увеличить конверсию в заказ на сайте или в прямых каналах коммуникаций, можно подключить продуктовые рекомендации в ваши механики. Перед подключением посмотрите, сколько у вас действий клиентов на проекте (заказов, просмотров товаров, добавления товаров в список и т. д.). Если их в 10 раз больше, чем количества товаров, можете использовать все алгоритмы, кроме персональных. Если действий больше в сто раз — можно использовать все алгоритмы, и персональные в том числе.

По любым вопросам настройки пишите на support@mindbox.ru или в чат в правом нижнем углу.

Ирина Алиева

Автор

Алексей Осипов

Product owner товарных рекомендаций Mindbox

ML-алгоритмы в Mindbox: лучшее время отправки, next best action и продуктовые рекомендации