Товарная рекомендательная система для интернет-магазина позволяет повысить продажи в среднем на 10%. В основе — кластеризация по схожести товаров, которую выполняют алгоритмы, работающие на основе искусственного интеллекта. Результатом станет рост транзакций и среднего чека, а также уменьшение количества отказов. Как внедрить товарные рекомендации в e-commerce и реальные показатели с аналитики мы покажем на примере интернет-магазина STALL. В кейсе мы рассмотрим формирование списков Похожих (Альтернативных, Рекомендуемых) товаров.
Как формируются товарные рекомендации в e-commerce
Есть несколько вариантов, как сформировать товарные рекомендации в e-commerce. Самыми популярными из них является выбор товаров сотрудниками или рандомный вывод товаров из той же категории. В первом случае выбор товаров сотрудником или сотрудниками всегда будет субъективным, а во втором и вовсе случайным. Стоит ли удивляться плохим продажам и неэффективности таких подходов?
Еще одна сложность — определение лучшего способа формирования таких списков. Мало кто задается целью протестировать разные способы и определить их эффективность.
Если говорить про большие сети магазинов, то там аналитики и маркетологи анализируют данные о покупках на предмет пересечения товаров. Таким образом находят пары и тройки товаров, которые чаще всего покупают вместе. Или используют программы лояльности для идентификации и сегментации пользователей, чтобы делать персонализированные предложения. Также результаты такого анализа используются для принятия решений по ассортименту и расстановке товара в залах. Но все это про большие офлайн-магазины.
Для интернет-магазинов на данный момент нет отдельной услуги формирования списков Похожих (Аналогичных, Рекомендованных) товаров. А в самих магазинах им тоже не уделяется должного внимания, в результате чего e-commerce недополучает прибыль.
Товарная рекомендательная система для интернет магазина
Товарная рекомендательная система должна быть динамической и работать автоматически. Во-первых, алгоритмы обеспечат большую точность списков Похожих товаров. А во-вторых, автоматизация существенно сэкономит время контент менеджеров. Ведь товарный ассортимент постоянно меняется, а для каждой новой позиции нужно сформировать список Похожих товаров, перебрав для этого все товары. Да и новые товары должны попасть в списки Похожих ко всем подходящим товарам.
Наверное, вам интересно, как же алгоритмы обеспечивают релевантность списков Похожих товаров. Ответ простой. Благодаря быстрому анализу накопленных массивов данных сервисом uXprice. Возможности умных товарных рекомендаций позволяют выявлять критерии схожести и наличие взаимосвязей между разными товарами и их покупкой.
Алгоритмы собирают данные об огромном количестве товаров ваших конкурентов, обучаются на них и проводят кластерный анализ товаров для вашего интернет-магазина. Сформированные на их основе списки Похожих (Аналогичных, Рекомендованных) товаров доказали свою эффективность при А/В тестировании и позволили повысить коэффициент транзакций, что подтверждают скрины с Google Analytics и Google Optimize ниже.
Умные товарные рекомендации: кластеризация товаров по схожести
Кластерный анализ товаров — это сложный процесс сбора и разбивки данных на кластеры по определенным критериям. Цель в том, чтобы каждый кластер состоял из похожих по определенному параметру элементов, а сходств между элементами из разных кластеров было как можно меньше. При этом количество таких кластеров может изначально не задаваться, так как оно зависит от поставленной задачи и может быть определено в процессе работы алгоритма.
В маркетинге кластеризация чаще всего используется в продажах и рекламе. В частности, для прогноза поведения пользователей в будущем. Например, для сегментирования пользований в таргетированной рекламе. Похожую модель используют и алгоритмы uXprice. В результате вы получаете максимально релевантную подборку похожих товаров для каждой позиции из ассортимента. Давайте рассмотрим конкретные примеры в кейсе.
Кейс: рекомендательная система для интернет магазина STALL
Цель. Улучшить список Похожих товаров для повышения коэффициента транзакций и сократить время на решение рутинных задач контент менеджерами.
Особенности проекта. В интернет-магазине около 3000 товаров. При добавлении нового товара на сайт опытные сотрудники, хорошо знающие ассортимент, определяют похожие на него товары субъективно. Как правило, выбирая товары из одной категории.
Решение. Руководству магазина было предложено внедрить умные товарные рекомендации Похожих товаров uXprice. В ее основе лежит кластеризация товаров по схожести, выполненная машинными алгоритмами на основе искусственного интеллекта. Для определения более эффективного списка между ранее существующим и новым вариантом, было решено провести А/В тестирование с помощью Google Optimize.
Субъективно новые списки Похожих товаров понравились и сотрудникам и руководству гораздо больше, чем предыдущий вариант. Давайте посмотрим несколько конкретных примеров из разных категорий.
1. Кружка перчатка бесконечности
Для этого товара сервис uXprice подобрал вот такие Похожие товары:
Очень уместно, что среди перечня есть не только Стакан перчатка Таноса с двойным дном, но и Кружка кулак Халка. Это значит, что система учла, что Халк и Танос из одной Вселенной и это герои Марвел, а покупатель может быть фанатом их комиксов.
2. Камни для охлаждения виски Whiskey Stones
Для такого необычного товара в качестве Похожих товаров сервис подобрал очень подходящие позиции: охлаждающие кубики для напитков из другого материала, патрон для охлаждения напитков, а также много разных форм для заморозки льда:
3. Конструктор робот паук — тарантул на соленой воде
Для этой занимательной игрушки в список Похожих товаров попали: автомобиль на воде, робот-паук, таракан на радиоуправлении, конструкторы на солнечных батареях, собака робот и робот-конструктор 13 в 1:
4. Антистрессовый кубик Fidget Cube (Фиджет куб) с кнопками
На сайте в категории Антистрессовые игрушки очень много товаров. И все они интересные и необычные, поэтому если бы Похожие товары выбирал сотрудник, выбор был бы сложным и базировался на личных ощущениях. Но нам интересен выбор самообучающегося алгоритма. Вот он:
Согласитесь, очень необычно, что искусственный алгоритм смог выделить тот факт, что антистрессовый кубик “Фиджет куб” предназначен для рук. И исходя из этого все Похожие товары, подобранные алгоритмом, также рассчитаны на действия руками.
5. Ультразвуковой аромадиффузор — увлажнитель воздуха с подсветкой
Заметим, что Похожими на этот товар алгоритм посчитал товары из других категорий. Например, автомобильный увлажнитель воздуха или светильник клавиша-ночник:
Кстати, если вы перейдете на страницу светильника клавиша-ночник, то среди похожих к нему ультразвукового аромадиффузора нет. Это значит, что алгоритм разделил весь ассортимент товаров интернет-магазина на количество кластеров, равное количеству товаров — 3 000. Само разделение базировалось на гораздо более сложных критериях, чем одна категория (вспомните выбор алгоритмом антистрессовых игрушек для рук). Что и объясняет выбор алгоритмом товаров из разных категорий в качестве похожих.
Результаты. Но субъективно считать этот вариант более эффективным и видеть этому реальное подтверждение — разные вещи. Именно для этого и нужны А/В тестирования с помощью Google Optimize. Эксперимент длился 8 дней (с 8 по 16 сентября 2020 года), и показал вероятность превосходства новой выборки Похожих товаров 99%.
В ходе тестирования было зарегистрировано 55 066 сеансов. Половина посетителей сайта (27 738 сеансов) видела Оригинальную выборку Похожих товаров (составленную сотрудниками). А вторая половина (27 328 сеансов) — Новый вариант из сервиса uXprice.
Для оценки эффективности наиболее показательным для бизнеса будет полученный доход. От пользователей со старой выборкой Доход составил 87 851,82 грн. А от пользователей с выборкой uXprice — 105 773,09 грн (на 12% больше). В пересчете на сеансы Доход за сеанс со старой выборкой в среднем 3,17 грн, а с выборкой uXprice — 3,87.
Таким образом, выборка Похожих товаров от uXprice дала доход от сеанса на 22% выше, чем оригинальная. А общий доход с новой выборкой на 12% выше, чем при сеансах со старой выборкой.
Как заказать умные товарные рекомендации для списка Похожих, Аналогичных или Рекомендуемых товаров
Для сервиса uXprice это дополнительная услуга, которую мы оказываем на базе собранной и проанализированной информации при мониторинге цен конкурентов. Поэтому для ее внедрения в своем интернет-магазине воспользуйтесь сервисом uXprice для парсинга цен конкурентов по всему своему ассортименту товаров минимум один раз.
Следующим шагом после мониторинга является подключение к API сервиса. API позволит отображать периодически обновляющиеся списки Похожих товаров на страницах карточек товаров. Периодическое обновление позволяет использовать данные последующих мониторингов для уточнения списка Похожих товаров. Также список будет автоматически добавляться для новых товаров уже после первого мониторинга по ним.
