Silnik rekomendacji produktowych w pigułce: co to jest i jak działa?

System spersonalizowanych rekomendacji stał się obowiązkową częścią każdego większego serwisu internetowego. Nie tylko ułatwia nawigację po sklepie, ale także wpływa na wzrost konwersji i pomaga zrozumieć zachowania klientów.

W tym artykule dowiesz się:

Co to jest system rekomendacji produktowych?

System rekomendacji śledzi i analizuje ruch na stronie, proponując odwiedzającym nowe treści lub produkty.

Dzięki wykorzystaniu technologii sztucznej inteligencji i maszynowego uczenia, silnik jest w stanie dobrać rekomendacje w taki sposób, że z dużym prawdopodobieństwem matematycznym spodobają się konkretnemu użytkownikowi.

Innymi słowy, silnik rekomendacji AI w oparciu o algorytm generuje spersonalizowany zestaw rekomendacji, który jest dopasowany do oczekiwań, potrzeb, nawyków i zainteresowań użytkownika.

Gdzie jest wykorzystywany silnik rekomendacji?

Obecnie silniki rekomendacji mają szerokie zastosowanie w dużych serwisach 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 najbardziej popularna aplikacja 2020 roku. Mowa oczywiście o TikToku, gdzie został wdrożony jeden z najbardziej spersonalizowanych systemów rekomendacji w branży.

Dzięki temu rozwiązaniu użytkownicy nie muszą sami szukać tego, co obejrzeć. Algorytm TikToka ich w tym wyręcza, dopasowując się do ich upodobań i nawyków. TikTok może się pochwalić jednym z najwyższych współczynników zaangażowania wśród użytkowników w porównaniu do Facebooka czy Instagrama.

Rekomendacje zakupowe

Mówiąc o systemie 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.

System rekomendacji zwiększa sprzedaż, umożliwia cross-selling, a także podnosi ich zaangażowanie oraz średni czas pobytu na stronie.

Amazon wskazuje, że ich silnik 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 tak, aby uzyskiwać jak najlepszą konwersję.

Istnieją trzy główne podejścia do budowy podstawowego algorytmu, na którym bazuje większość modeli rekomendacji:

1. Content-Based Filtering

Jest to metoda filtrowania treści oparta na zbieraniu i analizowaniu treści oraz danych użytkowników na temat ich zachowania w sklepie (silnik rekomendacji używa plików cookies, które umożliwiają śledzenie wizyt).

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, o podobnym opisie.

Przykład systemu rekomendacji content-based

Przykładem systemu filtrowania opartego na treści są rekomendacje wideo na YouTube’ie, gdzie “produktem” w tym rozumieniu jest film.

Gdy użytkownik ogląda różne materiały wideo z recenzjami sprzętu elektronicznego, to w zakładce z polecanymi filmami znajdą się inne materiały związane z technologią.

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

System rekomendacji oparty na metodzie 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 silnikowi rekomendacji 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.

Przykład systemu rekomendacji collaborative filtering

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 na uwadze, że podstawowym składnikiem niezbędnym do filtrowania jest duża ilość danych historycznych na temat ruchu na stronie. Dzięki tym danym system będzie mógł sprawnie generować rekomendacje dla nowych użytkowników.

3. Hybrydowa metoda filtrowania

System rekomendacji oparty na metodzie hybrydowej łączy systemy oparte na treści oraz te oparte na grupowym filtrowaniu.

W tym przypadku silnik rekomendacji filtruje 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.

Przykład rekomendacji hybrydowej

Przykładem hybrydowego systemu rekomendacji może być sposób, w jaki Spotify dobiera utwory do spersonalizowanych playlist “Discover Weekly”. Użytkownicy często są pod wrażeniem tego, jak wybrane przez algorytm piosenki trafiają w ich gust muzyczny.

Sekret tego, w jaki sposób Spotify jest tak skuteczny w rekomendowaniu kolejnych utworów, tkwi w złożonym hybrydowym systemie filtrowania.

Silnik rekomendacji gromadzi zarówno dane na temat nawyków poprzednich użytkowników, jak i osób o podobnym guście muzycznym. Dzięki temu użytkownicy Spotify otrzymują automatycznie wygenerowane przez system rekomendacji playlisty, które są dobrane do ich gustu, mimo iż wcześniej ich nie słyszeli.

Wspólnym mianownikiem powyższych metod filtrowania danych jest wykorzystanie stosunkowo zaawansowane algorytmy machine learning do generowania rekomendacji zakupowych.

Jak wdrożyć system rekomendacji zakupowej w sklepie internetowym?

Mimo że algorytmy matematyczne leżące u ich podstaw są wyszukane i złożone, to integracja rekomendacji 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 linijki kodu JavaScript na stronę.

Spośród kilku typów rekomendacji można wybrać te, które najlepiej wpłyną na wzrost konwersji w sklepie, zmniejszą współczynnik porzuconych koszyków i ułatwią klientom nawigację po sklepie.

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.

Zobaczmy zatem, jakie są zalety silnika rekomendacji.

Zalety rekomendacji zakupowych

1. Budowanie zaufania klienta

Systemy rekomendacji produktów są jednym z najbardziej skutecznych i rozpowszechnionych zastosowań uczenia maszynowego w biznesie.

Prawidłowo skonfigurowane i zaimplementowane w odpowiednim czasie rekomendacje umożliwiają wzrost sprzedaży, klikalność, zaangażowania i zaufanie 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.

Użytkownik ma poczucie, że prezentowane treści są lepiej do niego dopasowane i spersonalizowane. To z kolei przekłada się na wskaźniki konwersji oraz pozytywnie wpływa na wizerunek marki.

2. Wzrost konswersji

Najnowsze badania przeprowadzone przez Monetate pokazują, że silnik rekomendacji produktów prowadzi do wzrostu konwersji. Mowa o nawet 70% wzroście współczynników zakupów przy pierwszej wizycie i kolejnych. Ponadto rekomendacje zakupowe prowadzą do około o33% wyższych średnich wartości zamówień.

Z kolei badania Barilliance wykazały, że rekomendacje produktów mogą stanowić, aż 31% przychodów w sklepach 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 przez silnik rekomendacji.

Zaobserwować można także wzrost wartości zamówienia. Wg tego samego badania sporządzonego przez Barilliance, sesje zakupowe, podczas których użytkownicy nie weszli w żadną interakcję z rekomendacjami, miały wartość $44.41.

Liczba ta wzrosła o 369% kiedy użytkownicy korzystali z rekomendacji. Wzrost ten wyraźnie widać na załączonym wykresie:

3. Wgląd w statystyki i obserwacja nawyków zakupowych swoich klientów

Kolejną istotną zaletą systemu spersonalizowanych rekomendacji jest dostęp do statystyk dotyczących ruchu na stronie i zachowań klienta względem rekomendacji.

Metryki sklepu można również mierzyć niezależenie za pośrednictwem Google Analytics, integrując Recostream ze swoim kontem.

Biorąc pod uwagę, że systemy te w większości przypadków wykorzystują do działania pliki cookies, to śledzenie zachowań użytkowników oraz kontrolowanie efektywności narzędzia staje się prostsze.

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 znacznie łatwiej jest nawigować po sklepie z wdrożonym silnikiem rekomendacji. Klient nie musi poświęcać czasu na przeglądanie wszystkich produktów dostępnych na stronie, ponieważ te które najpewniej go zainteresują, zostaną mu zaproponowane automatycznie.

Zobacz wyniki z wdrożenia systemu rekomendacji w sklepie internetowym z odzieżą dla kobiet w naszym Case Study.

Podsumowanie

Jeśli szukasz prostego i skutecznego sposobu na poprawę personalizacji swojego sklepu internetowego, silniki rekomendacji produktów są dobrą inwestycją. Instalacja systemu w sklepie internetowym niezależnie od platformy jest prosta i szybka oraz nie wymaga posiadania wiedzy z zakresu programowania.

Silnik rekomendacji zapewni klientom lepsze wrażenia zakupowe pokazując im produkty, na które w inny sposób prawdopodobnie by nie natrafili.