Jak działa silnik rekomendacji produktowej?

Czym jest system rekomendacji i gdzie się go stosuje?

Systemy spersonalizowanych rekomendacji od pewnego czasu stały się obowiązkową częścią każdego większego serwisu internetowego. W skrócie, śledzą i analizują one ruch na stronie, proponując odwiedzającym nowe treści lub produkty. Dzięki wykorzystaniu sztucznej inteligencji istnieje spore prawdopodobieństwo, że klienci będą nimi zainteresowani, zwiększając przy okazji sprzedaż bądź oglądalność na stronie. Obecnie takie silniki rekomendacji są wykorzystywane w wielu formach na większości serwisów internetowych takich jak: wypożyczalnie filmów online, serwisy streamingowe, serwisy informacyjne, księgarnie internetowe oraz w wielu innych miejscach w sieci.

Wartym uwagi przykładem skutecznego zastosowania inteligentnych rekomendacji jest niewątpliwie najbardziej popularna aplikacja 2020 roku. Mowa oczywiście o Tik Toku, gdzie został wdrożony jeden z najbardziej spersonalizowanych silników rekomendacji w branży. Dzięki temu rozwiązaniu użytkownicy nie muszą sami szukać tego, co obejrzeć. Algorytm Tik Toka ich w tym wyręcza, dopasowując się do ich upodobań i nawyków. Tik Tok może się pochwalić jednym z najwyższych współczynników zaangażowania wśród użytkowników w porównaniu do innych platform społecznościowych takich jak Facebook czy Instagram.

Mówiąc o systemach rekomendacji, nie można pominąć spersonalizowanych rekomendacji zakupowych, w które wyposażonych jest coraz więcej sklepów internetowych. Większość dużych witryn e-commerce’owych, takich jak eBay, Amazon czy Alibaba korzysta z własnych algorytmów rekomendacji, które analizują zachowania oraz preferencje klientów w celu zaproponowania im produktów, które mogłyby ich zainteresować. To rozwiązanie zwiększa sprzedaż, umożliwia cross-selling, a także podnosi ich zaangażowanie oraz średni czas pobytu na stronie. 

Amazon wskazuje, że ich system rekomendacji odpowiedzialny jest za generowanie aż do 35% przychodów sklepów internetowych, a firma odnotowała 5-krotny wzrost reakcji na rekomendowane produkty w porównaniu z ich poprzednim, klasycznym rozwiązaniem.

Rodzaje filtrowania treści

W zależności od oferowanego asortymentu oraz profilu działalności, platformy e-commerce’owe mogą konfigurować systemy rekomendacji, aby uzyskiwać jak najlepszą konwersję. Istnieją trzy główne podejścia do budowy podstawowego algorytmu, na którym bazuje większość modeli rekomendacji:

1. Content Based Filtering

Jak sama nazwa sugeruje, jest to metoda filtrowania oparta na treści, która zbiera i analizuje dane odwiedzających sklep na temat ich upodobań (używa plików cookies, które umożliwiają śledzenie wizyt), a następnie tworzy listę rekomendowanych produktów na podstawie historii przeglądania danego użytkownika. 

Założeniem filtrowania opartego na treści jest to, że jeśli klientowi spodoba się określony produkt, to istnieje prawdopodobieństwo, że spodoba mu się również inny produkt o podobnej specyfice. Przykładem systemu filtrowania opartego na treści są rekomendacje filmów w popularnym serwisie YouTube, gdzie “produktem” w tym rozumieniu jest film. Przykładowo, gdy użytkownik ogląda różne filmy z recenzjami sprzętu elektronicznego, to w zakładce z polecanymi filmami znajdą się inne materiały związane z nowinkami technologicznymi. 

System filtrowania zbiera informacje o oglądanych przez użytkownika filmach i zaczyna polecać mu kolejne materiały o podobnej tematyce na podstawie podobieństwa opisu.

2. Collaborative Filtering

Metoda grupowego filtrowania analizuje dane uzyskane od użytkowników, którzy kupili podobne produkty, a następnie łączy te informacje w celu utworzenia listy polecanych produktów dla kolejnego użytkownika. 

Dużą zaletą tej metody jest to, że umożliwia ona generowanie propozycji dla stosunkowo skomplikowanych produktów takich jak filmy czy muzyka bez konieczności posiadania obszernej wiedzy na ich temat. Ta metoda oparta jest na założeniu, że klienci będą preferować rekomendacje oparte na wyborach, które dokonali inni użytkownicy w przeszłości. 

Dla przykładu, jeśli klient A przeglądał T-shirty Tommy'ego Hilfigera oraz Calvina Kleina, to klientowi B, który również zaczął oglądać te produkty, będą wyświetlone rekomendacje wygenerowane na podstawie historii przeglądania klienta A. System ten zauważa, że obu klientów łączy podobny gust, więc wspomaga się tymi informacjami do generowania rekomendacji produktowych. 

Należy mieć natomiast na uwadze, że podstawowym aspektem tej metody jest potrzeba posiadania sporej ilości danych historycznych na temat ruchu na stronie, aby system mógł sprawnie generować rekomendacje dla nowych użytkowników.

3. Hybrid

Metoda hybrydowa łączy metody oparte na treści oraz te oparte na grupowym filtrowaniu. Wykorzystuje zarówno informacje o zachowaniu innych użytkowników z przeszłości, jak i preferencjach danego klienta, dla którego rekomendacje są wyświetlane. 

Tym samym metoda ta łączy najlepsze aspekty dwóch poprzednich w jedno, spójne rozwiązanie. Przykładem hybrydowego systemu rekomendacji może być sposób, w jaki Spotify dobiera utwory muzyczne do spersonalizowanych playlist “Discover Weekly”. Użytkownicy często są pod wrażeniem tego, jak dobrze piosenki z tych automatycznie wygenerowanych playlist trafiają w ich gust muzyczny. 

Sekret tego, w jaki sposób Spotify jest tak skuteczne w rekomendowaniu kolejnych utworów, tkwi w złożonym hybrydowym systemie filtrowania. System rekomendacji gromadzi zarówno dane na temat nawyków poprzednich userów, a także osób o podobnym guście muzycznym. Dzięki temu użytkownicy Spotify mogą cieszyć się automatycznie wygenerowanymi playlistami, które są idealnie dobrane do ich gustu muzycznego, jednak złożone z piosenek, których prawdopodobnie nigdy wcześniej nie słyszeli.

Jak zintegrować silnik rekomendacji ze sklepem?

Wspólnym mianownikiem powyższych metod filtrowania danych jest fakt, iż wykorzystują one stosunkowo zaawansowane algorytmy machine learning do generowania rekomendacji produktowych. Mimo że algorytmy matematyczne leżące u ich podstaw są wyszukane i złożone, to integracja ze sklepem internetowym wcale nie musi być skomplikowana. 

Przykładem jest sposób integracji systemu rekomendacji Recostream ze sklepami internetowymi. W tym systemie proces instalacji polega jedynie na wklejeniu specjalnie przygotowanej linijki kodu JavaScript na stronę, a reszta opcji konfiguracji jest dostępna z poziomu profilu użytkownika.

Dashboard Recostream

Kiedy i dlaczego warto stosować silnik rekomendacji?

Czy proces wdrażania systemu rekomendacji w sklepach e-commerce jest wart zachodu? Czy implementowanie zaawansowanych systemów opartych na machine learning nie wykracza poza zakres mniejszych witryn e-commerce? Tego typu pytania często zadawane są przez właścicieli witryn e-commerce i inne osoby zajmujące się handlem w internecie, którzy są sceptycznie nastawieni do tego typu rozwiązań.

Dlatego warto podkreślić, że systemy rekomendacji produktów są jednym z najbardziej skutecznych i rozpowszechnionych zastosowań uczenia maszynowego w biznesie. Prawidłowo skonfigurowane i zaimplementowane umożliwiają wzrost sprzedaży, klikalność, zaangażowania klientów oraz innych istotnych wskaźników w każdym sklepie internetowym. Dzieje się głównie ze względu na to, że dostosowanie rekomendacji produktów lub treści do preferencji konkretnego użytkownika ma pozytywny wpływ na jego finalne wrażenia z korzystania z danej witryny, dzięki poczuciu, że prezentowane treści są lepiej do niego dopasowane. To z kolei przekłada się na wskaźniki, które są nieco trudniejsze do zmierzenia, jednak niezwykle istotne z punktu widzenia budowania silnej marki - zadowolenie klienta, lojalność czy przywiązanie do marki.

Najnowsze badania przeprowadzone przez Monetate pokazują, że rekomendacje produktów mogą prowadzić nawet do 70% wzrostu współczynników zakupów, zarówno przy pierwszej wizycie danego klienta, jak i jego kolejnych. Ponadto prowadzą one także do około 33% wyższych średnich wartości zamówień. Z kolei badania Barilliance wykazały, że rekomendacje produktów mogą stanowić, aż do 31% przychodów w sklepach e-commerce przy dobrze zoptymalizowanym i zaimplementowanym systemie. Właściciele sklepów internetowych z wdrożonymi systemami spersonalizowanych rekomendacji zauważają, że do 12% ich przychodów pochodzi z produktów które zostały polecone ich klientom.

Kolejną istotną zaletą systemów spersonalizowanych rekomendacji jest ich możliwość oferowania dostępu do bardzo dużej ilości przydatnych statystyk dotyczących ruchu na stronie. Biorąc pod uwagę, że systemy te w większości przypadków wykorzystują do działania pliki cookies, to śledzenie zachowań użytkowników oraz kontrolowanie efektywności narzędzia staje się bardzo łatwe. Dzięki tym informacjom, właściciele sklepów internetowych ze zintegrowanymi systemami rekomendacji mogą lepiej zrozumieć swoich klientów oraz dostosować ofertę produktową do ich potrzeb. Z punktu widzenia użytkownika, po sklepie z wdrożonym, dobrze działającym systemem rekomendacji, znacznie łatwiej i przyjemniej jest nawigować. Klient nie musi poświęcać czasu na przeglądanie wszystkich produktów dostępnych na stronie, ponieważ te które najpewniej go zainteresują, zostaną mu zaproponowane przez silnik rekomendacji.

Podsumowując, jeśli szukasz prostego i wysoce skutecznego sposobu na poprawę personalizacji swojego sklepu internetowego, silniki rekomendacji produktów mogą być dobrą inwestycją. Instalacja systemu w sklepie internetowym niezależnie od platformy jest niezwykle prosta i szybka oraz nie wymaga posiadania wiedzy z zakresu programowania. Poprawnie wdrożony silnik rekomendacji bez wątpienia przyniesie spore korzyści w postaci dodatkowych konwersji. Ponadto, system rekomendacji zapewni klientom lepsze wrażenia zakupowe pokazując im produkty, na które w inny sposób prawdopodobnie by nie natrafili.

Chcesz zobaczyć, jak się sprawdzi silnik rekomendacji w Twoim sklepie? Zarejestruj się, zainstaluj w 3 minuty i testuj przez 30 dni bez żadnych opłat!