Czytasz teraz:
Generowanie rekomendacji produktowych w sklepie internetowym

Generowanie rekomendacji produktowych w sklepie internetowym

25 listopada 2020
recommendation engine how it works

Silniki rekomendacji produktowych to systemy filtrowania, które mają na celu analizowanie zebranych danych i pokazywanie klientom produktów, które najprawdopodobniej chcieliby kupić. Systemy te w ostatnim czasie zyskują na popularności i są obecnie wykorzystywane w różnych obszarach działalności w sieci, w tym w serwisach streamingowych, internetowych księgarniach, wyszukiwarkach czy porównywarkach produktów.

Najważniejszym praktycznym wykorzystaniem systemów rekomendacji są serwisy e-commerce. Największe sklepy internetowe, takie jak eBay, Amazon, Alibaba itp., korzystają z własnych systemów. Dla mniejszych sklepów znacznie łatwiejszym i wygodniejszym rozwiązaniem są gotowe silniki rekomendacji. Dzięki nim sklepy mogą osiągać podobne korzyści niewielkim kosztem, o których pisaliśmy już w poprzednich postach.

Jak to się dzieje, że z prostych danych na temat zachowań klientów systemy potrafią generować rekomendacje produktowe idealnie dopasowane do preferencji klientów? Na to pytanie postaramy się odpowiedzieć w dzisiejszym poście.

Jak działają systemy rekomendacji?

Systemy spersonalizowanych rekomendacji produktowych działają dzięki wykorzystaniu technik uczenia maszynowego (machine learning). Jest to swego rodzaju catch-all-phrase, który oznacza wykorzystanie sztucznej inteligencji w celu budowy algorytmów potrafiących się dostosowywać do zebranych danych. Na ich podstawie system rozwija całą sieć powiązań pomiędzy klientami, a oferowanymi przez sklep internetowy produktami.

Podstawowym celem budowy takiego systemu jest ułatwienie klientom wyszukiwania produktów lub treści, co w efekcie przekłada sie na zwiększona sprzedaż oraz zaangażowanie klientów. Tak jak pisaliśmy niedawno na naszym blogu, możemy wyróżnić kilka podstawowych sposobów analizowania i filtrowania dostępnych danych w celu generowania rekomendacji produktowych. To jakiego sposobu warto użyć w systemie rekomendacji, zależy od specyfiki treści znajdujących się na stronie oraz dostępnych danych.

how does recommendation engine work

Rodzaje danych, a generowanie rekomendacji produktowych

W sklepach e-commerce dostępne są na ogół 3 rodzaje danych, które są kluczowe do poprawnego działania algorytmu generowania rekomendacji:

  • Cechy produktu - nazwa, cena, opis, obrazek, kategoria itd.
  • Ruch użytkowników - odwiedzone strony, strony produktów, produkty dodane do koszyka itp.
  • Interakcja użytkownika z rekomendacjami - kliknięcia w rekomendacje.

1. Cechy produktu

Na podstawie danych pierwszego rodzaju algorytm jest w stanie wygenerować rekomendacje, które pokazują podobne produkty na podstawie podobieństwa ich cech. To tak zwany system content-based, który dobrze się sprawdza w sklepach z odzieżą lub elektroniką. Zaletą tego podejścia jest to, że wyświetlane rekomendacje nie zależą od zachowań użytkowników na stronie, a jedynie od wyświetlanej treści. Dzięki takiemu podejściu można rozwiązać problem “zimnego startu” polegającemu na braku rzetelnych danych na temat zachowań klientów na początku działania systemu.

A jak inaczej może wyglądać start? Wystarczy, że przed instalacją zostanie przeprowadzony skan strony, który zbierze do systemu dane na temat produktów. Wówczas już pierwszemu klientowi będą wyświetlane rekomendacje, które biorą pod uwagę wszystkie dostępne produkty. Dobrym przykładem takiego rozwiązania jest silnik Recostream, który w celu generowania rekomendacji z modelu “podobne” analizuje dane na podstawie opisu produktu, a nie zachowaniu klienta.

2. Ruch użytkowników na stronie sklepu

Algorytm, który wykorzystuje dane na temat ruchu na stronie, będzie pokazywał użytkownikowi, który przegląda produkt X również te produkty, które oglądali inni klienci o podobnym do jego zachowaniu na stronie.

traffic on website
Wyświetlane produkty mogą być także zoptymalizowane dla maksymalizacji efektów. Osiągnąć to można poprzez tzw. Reinforcement Learning, który może być zastosowany w algorytmie rekomendacji. Polega to na tym, że najchętniej klikane produkty idą "w górę" w rankingu, a te najmniej "w dół". Można wówczas usunąć te najmniej popularne produkty z rekomendacji.

3. Interakcja użytkownika z rekomendacjami

Z kolei dane trzeciego rodzaju w systemie rekomendacji są używane do optymalizacji oraz prowadzenia analizy danych. Dzięki temu właściciel sklepu może na bieżąco kontrolować, w jaki sposób rekomendacje wpływają na sprzedaż w sklepie oraz jakie produkty cieszą się największą popularnością. Ponadto wykorzystując te dane, system może dostosowywać kolejność wyświetlanych modeli w zależności od ich popularności, co służy lepszej optymalizacji narzędzia.

Częste problemy związane z budową systemu rekomendacji

Stworzenie własnego systemu rekomendacji może wiązać się z szeregiem problemów i wyzwań. Pierwszym wyzwaniem jest przetwarzanie ogromnych zestawów danych w celu uzyskania prognoz w czasie rzeczywistym.

Drugim problemem może okazać się brak informacji o nowych użytkownikach w systemie na początku jego działania. Problem ten określany jest zwykle jako “cold start”. Modele takie jak “inni klienci oglądali również” do poprawnego działania potrzebują danych na temat ruchu wielu użytkowników na stronie. W związku z tym, na samym początku taki system rekomendacji nie będzie w stanie polecić klientom produktów na podstawie ich profili i preferencji. Kluczem do rozwiązania tego problemu jest mnogość modeli rekomendacji, które mimo braku dokładnych danych o kliencie mogą mu cały czas wyświetlać polecane produkty. Szczególnie istotny jest tutaj model “podobne produkty”, który oparty jest o system content-based wyświetlający rekomendacje oparte na opisach oraz cechach produktów. Oznacza to, że już od pierwszego dnia klienci będą mogli mieć prezentowane polecane produkty bez posiadania dużej ilości zebranych danych.

problems with recommendation system


Co więcej, metody oparte na zachowaniach klientów są skuteczne, ale czasami nie zapewniają wystarczającej różnorodności. Ponownie z pomocą mogą tutaj przyjść inne modele, które symultanicznie wyświetlają inne rodzaje rekomendacji.

Gotowe silniki rekomendacji - optymalne rozwiązanie?

Nie bez powodu na “szyte na miarę” systemy rekomendacji pozwolić sobie mogą jedynie największe platformy e-commerce takie jak Amazon czy Alibaba. Z pomocą właścicielom średnich sklepów internetowym przychodzą gotowe rozwiązania w postaci kompleksowych silników rekomendacji.

Biorąc za przykład system Recostream, instalacja tego systemu sprowadza się jedynie do zainstalowania jednej linijki kodu Javascript na stronie, co bez problemu jest w stanie zrobić osoba bez specjalistycznej, technicznej wiedzy. Dodatkowo właściciel sklepu otrzymuje dostęp do panelu, w którym ma wgląd do danych na temat zachowań klientów oraz skuteczności całego systemu. System tego rodzaju często może się okazać najbardziej optymalnym i zarazem najprostszym rozwiązaniem dla średniej wielkości sklepów internetowych pozwalającym zwiększyć ich sprzedaż.

arrow-up icon