Typy rekomendacji zakupowych - czym się różnią?

Silnik rekomendacji produktowych jest prostym w instalacji zewnętrznym narzędziem do personalizacji zakupów, które skutecznie zwiększa konwersję w sklepie internetowym. Decydując się na wprowadzenie tego rozwiązania, warto mieć na uwadze, że istnieje kilka typów rekomendacji, które w zależności od ruchu w sklepie i asortymentu mogą przynosić inne korzyści i dawać różne rezultaty.

Kilka modeli rekomendacji na stronie produktowej zwiększa szansę, że zostaną kliknięte przez użytkownika. Każdy typ rekomendacji jest przystosowany do innych potrzeb i preferencji, dlatego dziś na blogu przyjrzymy się dokładniej każdemu modelowi, który można zastosować w swoim sklepie.

Po co nam więcej niż jeden model rekomendacji?

Silnik rekomendacji produktowej otrzymuje informacje między innymi o:

• specyfikacji produktów,
• historiach sesji,
• kliknięciach,
• najczęściej oglądanych produktach,
• najczęściej kupowanych produktach,
• najczęściej dodawanych do koszyka.

Te dane zasilają algorytm, który dzięki technologii machine learning jest w stanie generować różne zestawy rekomendacji zakupowych. Rekomendacje mogą zostać umieszczone w wielu miejscach na stronie.

Najbardziej popularne i dochodowe to strona produktu i strona kategorii. Wartą rozważenia lokalizacją jest również pop-up z rekomendacjami wyskakujący po dodaniu do koszyka oraz baner z rekomendacjami na stronie koszyka. Więcej o tym, gdzie umieścić rekomendacje, by przynosiły jak największe dochody, piszemy szczegółowo tutaj.

Rodzaje rekomendacji zakupowych.

8 podstawowych modeli w Recostream

1. AI-Driven Maximized Conversion (Maksymalizacja konwersji przez AI)

Wyświetla rekomendacje o potencjalnie największym prawdopodobieństwie konwersji dla danego produktu i klienta. Model ten automatycznie optymalizuje się na podstawie rzeczywistego ruchu i zachowań klientów. Korzysta przy tym z metod statystycznych i maszynowego uczenia oraz dzięki tzw. samplingu dobiera unikalne rekomendacje.

Mocne strony tego modelu: model zwraca unikalnie dopasowane i zoptymalizowane rekomendacje o dużym prawdopodobieństwie konwersji, model sam uczy się i adaptuje do zmieniającego się ruchu w sklepie.

Słabsze strony tego modelu: model może zostać uruchomiony dopiero po zebraniu pierwszego zakresu danych, inne modele gotowe są do zwracania rekomendacji szybciej.

2. Most Viewed in Category (Najczęściej oglądane)

Wyświetla najczęściej przeglądane produkty należące do tej samej kategorii, do której należy produkt, na stronie którego wyświetlamy tę rekomendację.

Przykładowo, jeśli w kategorii “Książki dla dzieci” najczęściej wyświetlaną pozycją jest “Dolina Muminków” to użytkownik, który ogląda inne książki dla dzieci otrzyma rekomendację tej książki, ponieważ jest najpopularniejsza w tej kategorii.

Algorytm generuje rekomendacje na podstawie informacji na temat historii sesji użytkowników.

Mocne strony tego modelu: wyświetlanie tego modelu rekomendacji ułatwia użytkownikowi nawigację po sklepie, dzięki czemu nie musi po kolei odwiedzać każdej podstrony w poszukiwaniu produktu.

Słabsze strony tego modelu: od uruchomienia silnika do wskazywania trafnych rekomendacji musi minąć czas potrzebny na to, aby jak najwięcej osób obejrzało dany przedmiot. Innymi słowy - docelowe rekomendacje nie pojawią się od razu, a po odpowiedniej ilości kliknięć.

3. Bestsellers in Category (Najczęściej kupowane z danej kategorii)

Wyświetla najczęściej dodawane do koszyka produkty należące do tej samej kategorii, do której należy produkt, na stronie którego wyświetlamy tę rekomendację.

Model ten jest podobny do powyższego, z tą różnicą, że pokazuje produkty, które zostały zakupione, a nie tylko przeglądane. To rozwiązanie jest stosowane w silniku rekomendacji na przykład Amazona.

Algorytm generuje rekomendacje na podstawie informacji na temat historii sesji użytkowników i ich zakupów.

Mocne strony tego modelu: produkty przedstawione w sklepie jako bestsellery danej kategorii są najchętniej kupowane przez nowych użytkowników sklepu. Czują się oni bezpieczniej kupując coś, co najlepiej się sprzedaje w całym sklepie. Ta opcja pozwala klientowi opierać się na doświadczeniu zakupowym innych użytkowników.

4. Bestsellers in Store (Najczęściej kupowane w sklepie)

Wyświetla najczęściej dodawane do koszyka produkty spośród wszystkich produktów w sklepie. Rekomendacje są dobierane automatycznie przez algorytm, który w czasie rzeczywistym zbiera informacje na temat tego, który produkt jest aktualnie najczęściej dodawanym do koszyka w całym sklepie. Bestsellery świetnie sprawdzą się na stronie głównej oraz na stronie kategorii produktów.

Mocne strony tego modelu: informacja o najlepiej sprzedających się produktach jest jedną z bardziej powszechnych i skuteczniejszych form społecznego dowodu słuszności (social proof) w szczególności dla klientów, którzy nie mają sprecyzowanego pomysłu na zakup.

Dla administratora sklepu informacja o najpopularniejszym produkcie może się przydać tworząc na przykład newsletter lub reklamę sponsorowaną na Facebook Ads.

5. Most Similar in Category (Podobne w danej kategorii)

Wyświetla produkty podobne do produktu, na stronie którego wyświetlamy tę rekomendację. Podobieństwo jest wyznaczane przez porównywanie opisów, nazw i innych cech produktów za pomocą specjalnych algorytmów. W przypadku tego modelu istotne jest, aby opis produktu był jak najbardziej precyzyjny i obfity w najważniejsze słowa kluczowe. Im bardziej szczegółowy opis produktu, tym trafniejsze rekomendacje będą w stanie zostać wygenerowane. Odpowiednio sporządzony opis produktu wpływa też korzystnie na widoczność strony w przeglądarce. Więcej o SEO w e-commerce przeczytacie w osobnym wpisie.

Mocne strony tego modelu: wysoka trafność rekomendacji. Jest to jedna z najbardziej skutecznych opcji na personalizację zakupów - silnik generuje rekomendacje w czasie rzeczywistym zaraz po instalacji, dzięki czemu uniknie się problemu “zimnego startu”. Ponadto to proste zastosowanie metody up-sellingu, która zwiększa sprzedaż.

Słabsze strony tego modelu: przy nieścisłym opisie charakterystyki produktu silnik może wskazywać rekomendacje, które w niekoniecznie są podobne do przeglądanego produktu.

6. Recently Visited in Store (Ostatnio oglądane)

Ta rekomendacja wyświetla się tylko użtkownikom, którzy odwiedzali już wcześniej dany sklep. Prezentowane są produkty, które oglądali podczas jednej z poprzednich wizyt. Zestaw rekomendacji generowany jest na podstawie historii sesji danego użytkownika o przypisanym numerze ID.

Mocne strony tego modelu: ten rodzaj rekomendacji wpływa pozytywnie na budowanie zaufania wśród odwiedzających internetową witryną sklepową. Stosunkowo często zdarza się, że klienci sklepów internetowych nie podejmują decyzji zakupowych od razu, tylko odkładają to na później, aby zakup był bardziej przemyślany. Gdy podczas ponownej wizyty w e-sklepie użytkownikowi wyświetli się produkt, który oglądał w poprzedniej sesji, a o którym mógł już zapomnieć, to z dużym prawdopodobieństwem kliknie w niego ponownie, co zwiększy szansę sprzedaży.

7. Others Also Viewed in Store (Inni oglądali)

Wyświetla produkty, które inni użytkownicy przeglądali podczas jednej sesji razem z produktem, na stronie którego wyświetlamy tę rekomendację. Model ten opiera się na statystycznej analizie historii przeglądania produktów w sklepie.

Mocne strony tego modelu: model wskazuje produkty, które oglądali inni klienci o podobnej historii w sklepie, co zwiększa prawdopodobieństwo zakupu.

Słabsze strony tego modelu: uruchomienie modelu wymaga zebrania podstawowego zestawu danych o ruchu w sklepie.

8. Rule-Driven Recommendations (Rekomendacje definiowane regułami)

Wyświetla produkty wybrane przez właściciela sklepu. Osoba administrująca sklep internetowy ma możliwość samemu wskazać, które produkty będą wyświetlane w danym momencie i w danym miejscu na stronie sklepu. Takie rozwiązanie jest szczególnie chętnie wykorzystywane podczas specjalnych promocji oraz w momencie, gdy dany produkt ma się sprzedać szybciej.

Mocne strony tego modelu: model pozwala wprost zdefiniować, które produkty będą rekomendowane dla danego produktu lub zbioru produktów spełniających wybrane kategorie. Pozwala to wykorzystać wiedzę i doświadczenia właściciela sklepu.

Słabsze strony tego modelu: model ten może efektywnie działać jako rekomendacje cross-sellers, natomiast zwykle inne modele osiągają większą konwersję. Ten model jest też trudny i czasochłonny w implementacji w obszarze całego asortymentu.

Podsumowanie

System rekomendacji produktu to rozwiązanie wielowarstwowe, które ulepsza wiele ważnych elementów doświadczenia zakupowego użytkowników. Dzięki ciągłemu generowaniu rekomendacji produktowych, użytkownicy mogą się spodziewać łatwiejszej nawigacji po katalogu produktu, dzięki czemu trudniej im przeoczyć ciekawą propozycję.

W artykule omówiliśmy 8 zaawansowanych typów rekomendacji, które w odpowiednio użyty sposób mogą podnieść konwersję nawet o 10% podczas pierwszego miesiąca stosowania. W Recostream wierzymy, że jakość i trafność rekomendacji jest kluczem do sukcesu.