Товарные рекомендации — это набор виджетов с подборкой товаров, который размещается на сайте, в приложении или в e-mail с целью решения задач пользователей и маркетинга интернет-магазина.
Существует два источника данных для рекомендаций - пользовательское поведение и товарная база магазина. Алгоритмы рекомендаций Retail Rocket являются гибридными
- в зависимости от ситуации они могут использовать как поведение, так и данные по товарам.
Данные собираются посредством размещения на сайте трекинг-кодов и/или вызовов методов API.
Полный перечень собираемой информации:
● данные о посещении пользователем на сайте страниц, такие как время визита, url-адрес страниц и их числовых или строковых идентификаторов, при наличии;
● информация о перемещении по страницам сайта (в т.ч. нажатий на ссылки и элементы сайта);
● данные о взаимодействии пользователя на сайте с товарами, такие как просмотр, добавление в корзину, оформление заказа;
● данные поисковых запросов пользователя на сайте;
● IP адрес;
● файлы cookies;
● идентификатор пользователя, присваиваемый сайтом;
● длительность пользовательской сессии;
● точки входа (сторонние сайты, с которых пользователь по ссылке переходит на сайт);
● браузер пользователя;
● архитектура процессора устройства пользователя;
● Ос пользователя;
● параметры экрана (разрешение, глубина цветности, параметры размещения страницы на экране);
● источник перехода (UTM метка);
● значение UTM меток от source до content;
● данные, содержащиеся в личном кабинете пользователя, зарегистрированного на сайте.
Наибольшим влиянием в поведении обладают события взаимодействия с товарами. Активно используются события просмотра карточки товара, добавления товара в корзину и заказа товара. Кроме того, могут быть использованы данные о взаимодействии пользователей с внутренней поисковой системой магазина и данные о взаимодействии с самой системой рекомендаций.
Данные о товарной базе магазина включают все предоставляемые магазином атрибуты товаров, в частности информацию о категориях, ценах, доступности. Эти данные могут быть использованы, если пользовательского поведения недостаточно для определения интересов к товарным атрибутам, фильтрации товаров и других задач.
Рекомендации популярных товаров формируются на основе всех взаимодействий посетителей с интернет-магазином. Алгоритм стремится показывать товары, с которыми чаще всего взаимодействуют, в первую очередь покупают. Алгоритм показывает наиболее разнообразные товары, что помогает лучше познакомиться с товарной базой магазина и облегчает процесс выбора.
Вариант сценария «Популярные товары», где пользователю показываются товары только из тех категорий, которые интересны ему в долгосрочной перспективе.
Например, после покупки памперсов или корма к этим категориям может сформироваться долгосрочный интерес, который будет учитываться при формировании рекомендаций. А вот после приобретения смартфона у человека не сформируется интерес к категории, так как вряд ли ему скоро понадобится второй. Однако к такому товару можно показать рекомендации из сопутствующих категорий: например, чехлы, защитные стекла и другие аксессуары.
В этом сценарии анализируется поведение пользователя и показываются товары, которые наиболее интересны ему в контексте текущей задачи. Если у человека пока нет истории просмотра, ему можно показать популярные товары. Если пользователь проявлял интерес к определенным товарам, алгоритм подбирает альтернативные предложения и таким образом поможет ему найти наиболее подходящий и приблизит к покупке. Если же пользователь уже что-то заказывал, то алгоритм предложит ему сопутствующие товары.
Алгоритм рекомендует пользователю товары, которые он уже покупал. Учитывается давность и частота покупок.
Алгоритм показывает товары, отсортированные по дате поступления - от
самых новых до тех, что давно в продаже. Алгоритм обеспечивает разнообразие товаров и таким образом помогает познакомиться с ассортиментом, упрощает навигацию.
Алгоритм показывает товары, похожие на текущий товар. Подборка формируется на основе описаний и свойств товаров, а также на основе поведения других пользователей, которые интересовались этим же товаром: что они еще изучают и покупают. Поэтому алгоритм может предложить не всегда схожий по описанию, но действительно подходящий товар.
Этот алгоритм рекомендует максимально похожие товары, но с улучшенными характеристиками и более дорогие. Например, если пользователь смотрит проводные наушники за 2000 рублей, то ему покажут очень похожие, но беспроводные за 3000 рублей.
Алгоритм показывает товары, которые дополняют текущие товары в заказе. Например, при покупке надувного бассейна можно сразу порекомендовать средство для его чистки. Когда недостаточно данных по поведению пользователей (актуально для редко покупаемых и новых товаров), предлагаются товары, которые могут быть куплены совместно с учетом их свойств, принадлежности к категории и популярности.
Разновидность алгоритма «Сопутствующие товары». Подбирает к текущему товару дополнительные аксессуары.
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. Если таких товаров
недостаточно, добавляются альтернативы к ним.
Товарная выдача многих алгоритмов может быть ограничена только товарами определенной категории, брендом, товарами со скидкой и по другим признакам.
Может быть добавлена персонализация, учитывающая интерес пользователя к свойствам товаров. Анализируется поведение пользователей - их интерес к определенным параметрам товаров: размер, цвет, вес и т.д.
Существуют версии алгоритмов, которые ограничивают влияние на товарную выдачу очень популярных товаров. Данные версии необходимы для некоторых магазинов, например, с продуктами питания.
Контакты владельца рекомендательных технологий: ООО «Ритейл Рокет»,
Телефон : +7 499 7023688 Почта : hello@retailrocket.io