Generowanie rekomendacji produktowych w sklepie internetowym
Arkadiusz Krysik
5 min
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.
W tym artykule dowiesz się:
- Jak generowane są rekomendacje produktowe?
- Jak działają systemy rekomendacji?
- Jakie dane są wykorzystywane do generowania rekomendacji
- O problemach związane z budowaniem silnika rekomendacji
- Czy warto inwestować w gotowy silnik rekomendacji?
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 przez pliki cookies 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.
To, jakiego sposobu warto użyć w systemie rekomendacji, zależy od specyfiki treści znajdujących się na stronie oraz dostępnych danych.
Rodzaje danych, a generowanie rekomendacji produktowych
W sklepach internetowym dostępne są 3 rodzaje danych, które są kluczowe do poprawnego działania algorytmu, który generuje rekomendacje:
- 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, czyli cech produktu, algorytm jest w stanie wygenerować rekomendacje, które pokazują podobne produkty na podstawie podobieństwa ich cech.
To tak zwany sposób filtrowania 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.
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” (widoczny na obrazku) 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 generował zestaw rekomendacji użytkownikowi zawierające produkty, które przeglądali użytkownicy podobni do niego.
Innymi słowy, użytkonik zobaczy produkty, które oglądali lub kupili inni użytkownicy o podobnym do niego guście i zwyczajach zakupowych.
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
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 i generowania rekomendaji potrzebują danych na temat ruchu wielu użytkowników na stronie.
Kluczem do rozwiązania tego problemu jest wybór kilku 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 filtrowania content-based generujący 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.
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 można zrobić bez specjalistycznej, technicznej wiedzy.
Dodatkowo właściciel sklepu otrzymuje dostęp do panelu, w którym ma wgląd do danych na temat zachowań klientów., wygenerowanych rekomendacji 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.
Podsumowanie
Generowanie rekomendacji produktowych za pomocą silnika rekomendacji AI to nowoczesne i zarazem proste rozwiązanie dla każdego sklepu internetowego. System, który opiera się na zbieraniu danych na temat specyfikacji produktu i ruchu na stronie, jest łatwo dostępny i pomaga nie tylko zwiększyć sprzedaż, ale także poznać potrzeby i zwyczaje zakupowe swoich klientów.
Personalizacja zakupów przez internet to absolutny must-have, a jej wprowadzenie wcale nie musi być skomplikowane.
