Рекомендательные системы в электронной коммерции

В последние годы рекомендательные системы приобрели большое значение и представляются очень перспективными для электронной коммерции, особенно в связи с Big Data. Работая с большими объемами данных и используя сложные алгоритмы, вы можете повысить конверсию интернет-магазинов с помощью современных рекомендательных систем. Вы, несомненно, знакомы с классическими уведомлениями в интернет-магазинах «покупатели, купившие этот товар, также купили…» или «следующие товары могут вас заинтересовать…». Эти подсказки, соответствующие индивидуальным предпочтениям пользователя, являются результатом значительных вычислительных мощностей и сложных алгоритмов. В электронной коммерции рекомендательные системы уже внедрены, но и другие отрасли также выигрывают от постоянно совершенствующихся алгоритмов и технологий.

Что такое рекомендательные системы?

Рекомендательная система (также известная как «рекомендательная система», «рекомендательный механизм» или «рекомендательная платформа») — это, согласно определению, система фильтрации информации, которая пытается предсказать «рейтинг» или «предпочтение», которое пользователь может дать товару или продукту. Она анализирует прошлое поведение и предыдущие заказы и автоматически ищет похожие и интересные для пользователя продукты.

Область применения рекомендательных систем разнообразна. Рекомендации можно встретить в интернет-магазинах, потоковых сервисах, онлайн-изданиях — везде, где находится большое количество объектов, будь то книги, одежда или фильмы, но лишь небольшое количество имеет отношение к пользователю. Учитывая объем данных и возможные пути поиска, рекомендации помогают, заранее выбирая небольшое количество из запутанной подборки и представляя его пользователю.

Преимущества рекомендательных систем

Эти системы должны значительно облегчить поиск для пользователя. Вместо того чтобы перебирать множество предложений и страниц в поисках нужного товара, предварительный отбор направлен на исключение неактуальных и неинтересных предложений, чтобы отображаемые предложения были наиболее подходящими для пользователя.

Операторы также надеются на положительный эффект, например, увеличение числа посетителей в секторе контента или рост продаж в электронной коммерции. В интернет-магазинах подходящие предложения в идеале должны приводить к увеличению корзин, что впоследствии значительно повышает маржу.

Однако расчеты с использованием алгоритмов также имеют свои недостатки. Часто в предлагаемом выборе отсутствуют личные, человеческие компоненты. Даже сложные расчеты могут неправильно понять простое поведение человека и, скорее всего, не впечатлят пользователя, а заставят его покачать головой. Например, Amazon может показать стеклорез, который необходим многим мастерам для повседневной работы, но в ассортименте также есть балаклавы и другие аксессуары, больше подходящие для взломщиков.

Как работают рекомендательные системы?

Рекомендательные службы всегда основаны на наборе данных. В зависимости от характера этого набора данных различают разные типы систем. Как правило, это системы, основанные на контенте и совместной работе. Кроме того, существуют рекомендательные сервисы, чувствительные к контексту, а также те, которые включают в анализ хронологическую последовательность или демографические данные пользователя.

Рекомендательные системы на основе контента

Системы рекомендаций на основе содержания предлагают объекты или контент, схожие с тем, что пользователь уже искал, просматривал, покупал или высоко оценивал. Система должна быть способна установить сходство между объектами. Это делается с помощью анализа контента. Например, в сервисах потоковой передачи музыки система анализирует музыкальное произведение (например, структуру музыки), чтобы найти произведения с похожим басовым треком.

Коллаборативные рекомендательные системы

Когда речь идет о коллаборативных методах, предложения основываются на пользователях с похожим рейтинговым поведением. Если они проявили большой интерес к определенному объекту в прошлом, система продолжает предлагать его. Информация или знания о самом объекте на этом этапе не нужны. Amazon, например, широко использует этот метод.

Различные методы прогнозирования

Рекомендательные сервисы используют различные методы обучения. Как правило, используется либо метод на основе памяти, либо метод на основе модели. Метод, основанный на памяти, использует все сохраненные данные об оценках и вычисляет сходство между пользователями или объектами. В результате получается база, которая позволяет предсказывать комбинации пользователь-объект. Рекомендательные сервисы на основе моделей, с другой стороны, работают на принципах машинного обучения. На основе данных система может создать математическую модель, которая может быть использована для предсказания интереса пользователя к определенному продукту.

Примеры известных рекомендательных систем

Рекомендательные системы можно встретить во многих секторах и отраслях. Три наиболее важных из них — это крупные потоковые сервисы, такие как Spotify или Netflix, классические провайдеры электронной коммерции, такие как Amazon, и специальные рекомендательные системы для рекламы на основе контента.

Потоковые сервисы: Рекомендательные сервисы Netflix и Spotify

Сервис потокового видео Netflix впервые интегрировал новую систему рекомендаций в свою платформу в начале 2016 года. Алгоритм отображает предложения в зависимости от личных предпочтений каждого пользователя Netflix в отношении фильмов и сериалов. Однако эти алгоритмы не учитывают демографические данные, такие как возраст и пол. Это просто собранные данные, которые используются для принятия решения о том, какие предложения отображать. Когда пользователь создает свой аккаунт, его просят рассказать о своих любимых фильмах и сериалах. Необходимо ответить на такие вопросы, как «что клиент смотрел ранее?» и «как он это оценил?». Сравнивая всех клиентов на основе их предпочтений и оценок, платформа может делать точные предложения.

Раньше возникали проблемы каждый раз, когда услуга вводилась в новой стране. Это происходило потому, что не было предыдущих данных для расчета рекомендаций. Новый алгоритм работает с транснациональными группами клиентов. В этом контексте по-прежнему учитываются тенденции, характерные для конкретной страны и региона.

Сервис потокового воспроизведения музыки Spotify уже давно работает с персональными рекомендациями. Сервис каждую неделю составляет список песен, которые потенциально соответствуют вкусу пользователя. Ваш плейлист Daily Mix автоматически создается алгоритмами.

Эти плейлисты частично являются самогенерируемыми плейлистами других пользователей, которые пользователь создает сам, а частично Spotify пытается построить точный профиль в зависимости от вкусов пользователя. Сервис работает с чрезвычайно узкими жанровыми определениями. Дополнительно используется программное обеспечение, которое анализирует статьи и тексты в блогах и журналах для максимально точной классификации исполнителей. Сервис рекомендаций также распознает так называемые жанровые аномалии, которые не вписываются в общий профиль, потому что пользователь, возможно, решил включить песню по прихоти. Spotify не включает эти песни в персонализированный плейлист.

Электронная коммерция: рекомендации товаров на Amazon и подобных сайтах

В электронной коммерции рекомендации товаров в основном основаны на классических перекрестных продажах: пользователям показываются подходящие или дополнительные товары. Amazon находится далеко впереди в области товарных рекомендаций. Лидер рынка располагает огромным пулом пользовательских данных. Гигант электронной коммерции уже в самом начале своей деятельности осознал тот факт, что при правильных рекомендациях товаров корзины покупателей наполняются быстрее. В настоящее время можно найти до пяти различных типов рекомендаций товаров на разных этапах процесса покупки:

  • ‘Клиенты, которые просмотрели этот товар, также просмотрели’
  • ‘Клиенты, которые купили этот товар, также купили’
  • ‘Часто покупают вместе’
  • ‘Что покупают покупатели после просмотра этого товара?’
  • ‘Ваши недавно просмотренные товары и рекомендации’.

Удивительно, но в начале года Amazon выпустила свое программное обеспечение для глубокого обучения DSSTNE с открытым исходным кодом — это программное обеспечение является основой для рекомендаций на Amazon. В принципе, в электронной коммерции наблюдается тенденция к созданию более глубоких систем рекомендаций. Помимо возможности отображения «Популярных товаров», все больше компаний полагаются на высоко персонализированные рекомендации. Как правило, объединяются несколько стратегий рекомендаций: интересы покупателей, популярные товары и другие факторы, такие как наличие товара и изменение цены, учитываются автоматически.

Системы рекомендаций контента от Outbrain и Revcontent

То, что работает на Netflix с фильмами и сериалами, а на Amazon с фотоаппаратами и книгами, успешно работает и в нативной рекламе. Большинство людей знакомы с уведомлениями на страницах онлайн-журналов, такими как «это может вас заинтересовать» или «похожие товары», с контентом с внешних сайтов. Здесь рекомендательные технологии являются частью стратегий нативной рекламы. Outbrain и Revcontent — известные поставщики нативной рекламы в США.

Программное обеспечение для рекомендательных систем в электронной коммерции

В электронной коммерции рекомендательные системы являются особенно важной темой. Это связано с тем, что интернет-магазины имеют возможность повысить коэффициент конверсии за счет подходящих рекомендаций и увеличить объем продаж. Многие системы магазинов имеют встроенные стандартные функции для рекомендаций товаров. Это позволяет проводить тщательный анализ и расчеты, но лучший способ — использовать специальное программное решение.

Различные поставщики предлагают компаниям решения SaaS (программное обеспечение как услуга). В США известны такие решения, как Certona и Barilliance.

Большинство поставщиков обещают программные решения, которые подбираются индивидуально и способны к самообучению, как рекомендательные услуги, основанные на собственной технологии персонализации (метод, основанный на моделях). Большим преимуществом SaaS-решений является то, что они значительно сокращают время и усилия, необходимые для внедрения. Владельцам магазинов не нужно инвестировать в оборудование или программное обеспечение. Кроме того, преимущественно облачные решения обладают большим набором функций. Программные решения включают три важных этапа: отслеживание баз данных, разработка функций и обработка или анализ данных в конце.

Отслеживание баз данных

Чтобы иметь возможность анализировать данные, их сначала нужно собрать. Это можно сделать с помощью классических методов отслеживания для большинства программных решений. Отслеживание включает в себя соответствующие данные о местоположении, корзине, дате и времени, поведении и, как правило, полностью прослеживаемом пути клиента. Программа собирает всю эту информацию и хранит ее в базе данных.

Разработка функций

Когда речь идет о разработке характеристик, цель состоит в том, чтобы отфильтровать характеристики (т.е. признаки, свойства) из базы данных. Эти признаки могут быть самого разного характера, например, время посещения и его продолжительность, расстояния между действиями и многое другое. Однако лишь немногие характеристики имеют значение для последующих прогнозов. Задача, стоящая перед системой, заключается в том, чтобы точно определить эти важные особенности. Для этого системе необходимо найти характеристики, которые оказывают значительное влияние на поведение покупателя и, в конечном счете, на решение о покупке. Индивидуальный состав характеристик варьируется в зависимости от магазина, поэтому требуется интеллектуальный анализ.

Обработка и анализ данных

На основе характеристик, определенных для интернет-магазина, то есть соответствующих характеристик и свойств, система теперь может рассчитывать прогнозы для рекомендаций товаров. Создание таких моделей прогноза требует огромных вычислительных мощностей и иногда занимает несколько часов. Система сохраняет модели, которые затем служат основой для расчета рекомендаций. Каждый посетитель магазина получает актуальные советы и рекомендации, разработанные специально для него.

Заключение

Персонализация приобретает все большее значение в интернет-маркетинге. Это связано не только с тем, что компании испытывают давление со стороны конкурентов и вынуждены постоянно стремиться выделиться из толпы, но и с изменившимся восприятием пользователей. Современные пользователи способны быстрее распознавать рекламу и игнорировать ее. Однако если вы сможете привлечь внимание, предоставляя индивидуальную и актуальную информацию и обращаясь непосредственно к пользователям, вероятность конверсии будет гораздо выше. То же самое справедливо и для рекомендательных систем, которые становятся все более чувствительными и точными. Поиск правильной стратегии и обращение к потенциальным клиентам может положительно повлиять на продажи и успех компании в электронной коммерции.

Оцените статью
cdelat.ru
Добавить комментарий