Правила применения рекомендательных технологий

Товарные рекомендации — это набор виджетов с подборкой товаров, который размещается на сайте, в приложении или в e-mail с целью решения задач пользователей и маркетинга интернет-магазина.

1. Используемые данные

Существует два источника данных для рекомендаций - пользовательское поведение и товарная база магазина. Алгоритмы рекомендаций Retail Rocket являются гибридными — в зависимости от ситуации они могут использовать как поведение, так и данные по товарам.

Данные собираются посредством размещения на сайте трекинг-кодов и/или вызовов методов API.

Полный перечень собираемой информации:

Наибольшим влиянием в поведении обладают события взаимодействия с товарами. Активно используются события просмотра карточки товара, добавления товара в корзину и заказа товара. Кроме того, могут быть использованы данные о взаимодействии пользователей с внутренней поисковой системой магазина и данные о взаимодействии с самой системой рекомендаций.

Данные о товарной базе магазина включают все предоставляемые магазином атрибуты товаров, в частности информацию о категориях, ценах, доступности. Эти данные могут быть использованы, если пользовательского поведения недостаточно для определения интересов к товарным атрибутам, фильтрации товаров и других задач.

2. Основные алгоритмы рекомендаций

2.1. Популярные товары

Рекомендации популярных товаров формируются на основе всех взаимодействий посетителей с интернет-магазином. Алгоритм стремится показывать товары, с которыми чаще всего взаимодействуют, в первую очередь покупают. Алгоритм показывает наиболее разнообразные товары, что помогает лучше познакомиться с товарной базой магазина и облегчает процесс выбора.

2.2. Популярные товары из интересных пользователю категорий

Вариант сценария «Популярные товары», где пользователю показываются товары только из тех категорий, которые интересны ему в долгосрочной перспективе. Например, после покупки памперсов или корма к этим категориям может сформироваться долгосрочный интерес, который будет учитываться при формировании рекомендаций. А вот после приобретения смартфона у человека не сформируется интерес к категории, так как вряд ли ему скоро понадобится второй. Однако к такому товару можно показать рекомендации из сопутствующих категорий: например, чехлы, защитные стекла и другие аксессуары.

2.3. Персональные рекомендации товаров

В этом сценарии анализируется поведение пользователя и показываются товары, которые наиболее интересны ему в контексте текущей задачи. Если у человека пока нет истории просмотра, ему можно показать популярные товары. Если пользователь проявлял интерес к определенным товарам, алгоритм подбирает альтернативные предложения и таким образом поможет ему найти наиболее подходящий и приблизит к покупке. Если же пользователь уже что-то заказывал, то алгоритм предложит ему сопутствующие товары.

2.4. Персональные рекомендации на основе прошлых заказов

Алгоритм рекомендует пользователю товары, которые он уже покупал. Учитывается давность и частота покупок.

2.5. Новинки

Алгоритм показывает товары, отсортированные по дате поступления - от самых новых до тех, что давно в продаже. Алгоритм обеспечивает разнообразие товаров и таким образом помогает познакомиться с ассортиментом, упрощает навигацию.

2.6. Альтернативные товары

Алгоритм показывает товары, похожие на текущий товар. Подборка формируется на основе описаний и свойств товаров, а также на основе поведения других пользователей, которые интересовались этим же товаром: что они еще изучают и покупают. Поэтому алгоритм может предложить не всегда схожий по описанию, но действительно подходящий товар.

2.7. Upsell

Этот алгоритм рекомендует максимально похожие товары, но с улучшенными характеристиками и более дорогие. Например, если пользователь смотрит проводные наушники за 2000 рублей, то ему покажут очень похожие, но беспроводные за 3000 рублей.

2.8. Сопутствующие товары

Алгоритм показывает товары, которые дополняют текущие товары в заказе. Например, при покупке надувного бассейна можно сразу порекомендовать средство для его чистки. Когда недостаточно данных по поведению пользователей (актуально для редко покупаемых и новых товаров), предлагаются товары, которые могут быть куплены совместно с учетом их свойств, принадлежности к категории и популярности.

2.9. Аксессуары

Разновидность алгоритма «Сопутствующие товары». Подбирает к текущему товару дополнительные аксессуары.

2.10. Поисковые рекомендации

В этом сценарии рекомендуются товары, которые лучше всего подходят под поисковый запрос пользователя. При их формировании алгоритм опирается на поведение пользователей, которые уже искали что-то подобное. Если таких товаров недостаточно, добавляются альтернативы к ним.

2.11. Образы в одежде

Алгоритм рекомендует вещи, которые хорошо сочетаются с текущим товаром и могут дополнить образ. Например, если пользователь интересуется черной водолазкой, система подберет к ней джинсы, куртку, кеды и сумку подходящего цвета. Образы составляются с учетом общепринятых правил стиля, то есть к шортам мы порекомендуем футболку, а не теплую куртку с шапкой.

3. Модификации алгоритмов рекомендаций

Товарная выдача многих алгоритмов может быть ограничена только товарами определенной категории, брендом, товарами со скидкой и по другим признакам.

Может быть добавлена персонализация, учитывающая интерес пользователя к свойствам товаров. Анализируется поведение пользователей — их интерес к определенным параметрам товаров: размер, цвет, вес и т.д.

Существуют версии алгоритмов, которые ограничивают влияние на товарную выдачу очень популярных товаров. Данные версии необходимы для некоторых магазинов, например, с продуктами питания.