Machine learning для маркетологов в платформе Mindbox: виды алгоритмов, best practice, настройка и результаты разных бизнесов.
31 октября 2022
ML-алгоритмы в Mindbox: продуктовые рекомендации
ML-алгоритмы, или алгоритмы машинного обучения, анализируют поведение покупателей, чтобы предлагать им нужные товары. Например, хозяин кошки получает email с предложением заказать корм и игрушку для питомца — товары в письме подобрал ML-алгоритм, который проанализировал историю покупок клиента.
Рассказываем, какие алгоритмы есть в Mindbox, и рассмотрим лучшие практики их использования в фешн-индустрии, рознице, онлайне и недвижимости: с результатами и настройками.
Содержание:
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 помогают автоматически подбирать персональные предложения, которые могут заинтересовать пользователя.
В Mindbox можно подключить блок продуктовых рекомендаций. Они подбирают подходящие продукты для каждого пользователя в зависимости от настроек и конкретной ситуации. Продуктовые рекомендации можно использовать на сайте, кассе, в мобильноем приложении, email, SMS, веб и мобильных пушах, попапах и мессенджерах.
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
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
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.
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.
Рассылку отправляют тому, кто рассматривал проект квартиры, но закрыл 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
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
Популярные продукты
Сопутствующие продукты к корзине пользователя
Похожие продукты на просмотренные в последней сессии
Персональные
Персональные
Популярные
Персональные
Брошенный просмотр категории
Письма для активных клиентов для повторных покупок
В массовых рассылках
Популярные продукты в просмотренных категориях в последней сессии
Сопутствующие продукты к последнему заказу
Популярные продукты
Популярные продукты
Персональные
Персональные
Подборка вывода алгоритмов на сайте:
Главная страница сайта
Карточка товаров
Страница 404
Последние просмотренные продукты
Ручное соответствие категорий
Ручное соответствие категорий
Персональные рекомендации
Сопутствующие продукты
Событийные персональные рекомендации
Популярные продукты
Похожие продукты
Событийные персональные рекомендации
На примере магазина одежды расскажем, как настроить алгоритм «популярные продукты»:
1. Перед заведением алгоритма сегментировать аудиторию. В нашем случае надо создать два сегмента: женскую и мужскую коллекцию.
2. Завести два алгоритма популярных продуктов: один с расчетом по мужской коллекции, другой — по женской.
3. Выбрать сегмент продуктов в первом алгоритме для женщин. Сохранить настройки.
4. Проверить для любой женщины из базы расчет. Для этого указываем ее идентификатор или контакт из карточки.
Так будет выглядеть предпросмотр рассчитанных рекомендаций в конструкторе.
5. Повторить шаги для второго алгоритма «популярные товары для мужской коллекции» и указать второй сегмент «мужская коллекция».
6. Указать, где должен выводиться алгоритм: в подготовленной email-рассылке прописываем вывод товарной сетки с алгоритмом.
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 подключать ML-алгоритмы
Продуктовые рекомендации помогают делать клиентам интересные предложения и увеличивать конверсию в заказ — на сайте или в прямых каналах коммуникации. Признак, что пора их подключать, — накопленный объем данных: заказов, просмотров товаров, добавлений товаров в список и других действий клиентов. Если таких действий в 10 раз больше, чем товаров в номенклатуре, этого достаточно для запуска всех алгоритмов, кроме персональных. Если действий больше в 100 раз, данных хватает и для персональных рекомендаций.
По любым вопросам настройки пишите на support@mindbox.ru или в чат в правом нижнем углу.
