Рекомендательные технологии

В чем польза рекомендаций для покупателей

Товарные рекомендации служат указателем, который помогает показать самое лучшее и интересное предложение из ассортимента, учитывая предпочтения пользователя и популярность товаров. Их задача – показать пользователю интересные именно ему товары. ELIS использует рекомендательные технологии Retail Rocket

Как формируются рекомендации

1. Собираем предпочтения клиентов

Невозможно рекомендовать человеку товар, когда не знаешь о его предпочтениях. Или, по крайней мере, о предпочтениях других клиентов, похожих на него. Поэтому Retail Rocket использует данные о действиях покупателей, например: просмотр товаров и категорий товаров, добавление в корзину, оформление заказа; данные, содержащиеся в личном кабинете пользователя, зарегистрированного на сайте (например возраст, пол, чтобы предлагать подходящие продукты) информация о перемещении по страницам сайта (в т.ч. нажатий на ссылки и элементы сайта); данные поисковых запросов пользователя на сайте

2. Подбираем рекомендации на основе предпочтений

2.1. Рекомендации популярных товаров

Алгоритм стремится показывать товары, с которыми чаще всего взаимодействуют и покупают. Это полезно, если клиент впервые пришел на сайт и о нем еще ничего неизвестно. В данном случае предлагаются наиболее разнообразные товары, что помогает лучше познакомиться с ассортиментом магазина и облегчает процесс выбора

2.2. Рекомендации похожих и сопутствующих товаров.

Алгоритмы анализируют свойства тех продуктов, которыми интересовался или покупал клиент. По этим признакам подбираются продукты, которые также могут его заинтересовать. Например, если покупатель искал на сайте детскую одежду, в рекомендациях появятся товары для детей. Также алгоритм подбирает товары, которые дополняют текущие товары в заказе. Например, при покупке надувного бассейна можно сразу порекомендовать средство для его чистки или при покупке предметов одежды, могут быть предложены аксессуары для дополнения образа.

2.3 Альтернативные товары

В данном случае алгоритм показывает не только схожие товары по свойствам и описанию, но и на основе поведения других пользователей, которые интересовались этим же товаром: что они еще изучают и покупают. Если двум покупателям нравится одна и та же группа продуктов, их предпочтения похожи. Значит, первому можно рекомендовать то, что заинтересовало второго, и наоборот.

2.4. Поисковые рекомендации

В этом сценарии рекомендуются товары, которые лучше всего подходят под поисковый запрос пользователя. При их формировании алгоритм опирается на поведение пользователей, которые уже искали что-то подобное. Например, покупатель ищет в поисковом запросе сайта мужскую рубашку и алгоритм будет предлагать товары, которыми интересовались другие пользователи, искавшие мужскую рубашку.

2.5. Образы в одежде

Алгоритм рекомендует вещи, которые хорошо сочетаются с текущим товаром и могут дополнить образ. Например, если пользователь интересуется черной водолазкой, система подберет к ней джинсы, куртку, кеды и сумку подходящего цвета. Образы составляются с учетом общепринятых правил стиля, то есть к шортам будет рекомендована футболка, а не теплая куртка с шапкой.

Где отображаются рекомендации

Когда рекомендательные алгоритмы настроены и обучены, они могут показывать покупателю подборки продуктов в любой точке контакта: на сайте — при помощи виджета, в рассылках, мобильном приложении.