Rekomendacje produktowe - algorytm Opcje

[athabus]

W sumie nie wiem, gdzie dać takie pytanie, bo jest z pogranicza programowani, marketingu i ogólnie temat bardzo luźny.
Być może ktoś z Was miał okazję pracować nad projektem rekomendacji w sklepach internetowych - czyli chodzi o tworzenie ramek rekomendacyjnych, sugerujących klientowi najciekawsze produkty.
Zastanawiam się nad algorytmem doboru produktów, które należy klientowi wyświetlić. Załóżmy sprawę najprostszą, czyli rekomendacje statyczne - dla każdego klienta takie same, czyli nie biorące pod uwagę np. historii zakupów danego użytkownika, czy przeglądanych przez niego produktów na stronie. Po prostu klient odwiedza kategorię X i wyświetlamy mu rekomendacje z tej strony.

Temat wydawałoby się trywialny, ale... no właśnie nie do końca jest taki trywialny. Jeśli podejdziemy do tematu jednostronnie - np. największa sprzedaż ilościowa da nam w rekomendacjach zazwyczaj produkt, które klienci kupują najczęściej, ale są to produkty tanie. Jeśli weźmiemy sprzedaż największą to będzie duży udział produktów, który zazwyczaj nikt nie kupuje ale miały jakiś "strzał". Przykładowo w kategorii mamy produkty po 30 i po 1000zł to wystarczy jeden zakup tego drogiego produktu, aby produkty tanie praktycznie nie miały szans wyświetlania, a rekomendowanie tylko takich produktów to słaby pomysł.
Dochodzi jeszcze aspekt czasu z jakiego analizujemy sprzedaż. Można analizować prawdopodobieństwo zakupu itd itp.

W skrócie ogólnie pytanie brzmi - czy mieliście okazje pracować nad podobnym projektem i jeśli tak, jakie elementy brał pod uwagę algorytm. A może w ogóle trzeba do tematu podejść od innej strony i dodać wymiar typu CTR elementów wyświetlanych, czyli np. do każdej ramki dodawać produkty "średnio popularne" i badać ich CTR w rekomendacjach, ucząc w czasie stronę doboru odpowiednich produktów?

Będę bardzo zobowiązany za wymianę doświadczeń, bo materiałów jak na lekarstwo.

Jako, że temat zaczynam to i opiszę swoje pierwsze próby. Na chwilę obecną posiadam dane historyczne jedynie ze sprzedaży + informacje z samego katalogu sklepu (cena, marka etc). Głównie zależy mi na optymalizacji rekomendacji w obrębie kategorii bo zazwyczaj generują one jakieś 70-80% sprzedaży z takiego systemu, kolejne ~20% to strona główna, czyli w sumie podobny algorytm jak strona kategorii.
Wyszedłem z punktu widzenia sprzedaży ilościowej. Pierwszy problem jaki napotkałem to zazwyczaj takie kategorie dominowane są przez jedną markę, która jest najpopularniejsza w segmencie, ale nadal stanowi tylko pewien procent sprzedaży. Zmodyfikowałem więc system aby ograniczał ilość rekomendacji do X produktów z danej marki. Kolejna rzecz to branie pod uwagę 2 kryteriów - bestsellery i promocje. Czyli system wyświetla X aktualnych promocji (również biorąc pod uwagę popularność produktów) + Y bestsellerów w danej kategorii, które nie są w promocji.
W wielu kategoriach daje to już bardzo sensowne rekomendacje - z jednej strony rekomendujemy produkty popularne, z drugiej promocje.

Problem jaki się pojawił to kategorie niejednorodne, w których produkty są z szerokiego przedziału cenowego - niestety skupienie się na sprzedaży ilościowej lub wartościowej powoduje rekomendacje tyko części asortymentu (o czym już wyżej pisałem). Trudno natomiast wyłowić asortyment "środka" czyli o średniej cenie i "przyzwoitej" sprzedaży. Tutaj pracuję nad jakimś "mnożnikiem" wg którego będę układał ranking produktów.

Coś byście dodali do takiego systemu? Coś mi umyka?

[darko]

Miałem do czynienia z wdrożeniem rekomendacji. Nie wiem czy nie zostanie to potraktowane jako reklama, ale był to Quartic.

Co do zasad działania algorytmów, to niestety, ale firmy tworzące takie rozwiązania strzegą swoich mechanizmów i wcale się nie dziwię. Generalnie mogę powiedzieć jeszcze, że pod uwagę brane były takie dane, które musieliśmy dostarczyć tej firmie:

- feed produktów zawierający oprócz podstawowych danych produktów takich jak: nazwa, cena, kategorie, opis również takie dane: obrazki (zdjęcia produktów), ilość zamówień na produkt
- wiem, że algorytm analizuje również zdjęcia produktów, gdyż jednym z kryteriów produktów podobnych jest np. dominująca kolorystyka zdjęcia produktu
- do tego dochodzą miesięczne dane sprzedażowe oraz dane dot. konwersji

Jakoś to po tamtej stronie jest zlepiane w całość, oczywiście wiele też zależy od branży, której wdrożenie dotyczy. Rekomendacje inaczej będą działać jeśli np. sprzedajesz reprodukcje obrazów, a inaczej jeśli Twoja branża do części zamienne do urządzeń AGD.
Wiem, że też jednym z kryteriów, dość ważnym była przynależność produktów do (pod)kategorii i np. dopasowanie: produkt podobny, z tej samej kategorii lub podkategorii ze zdjęciem o dominującej kolorystyce, jak produkt główny. Do tego dochodzą kryteria z analizy sprzedaży czyli np. to co wymieniłem wcześniej plus np. produkty najczęściej kupowane w tej danej kategorii lub produkty z innej kategorii, ale takie, które również były najczęściej kupowane (i oglądane) z tym produktem bieżącym.

Co do wdrożenia, to skrypty komunikujące się z nimi były triggerowane na stronach:
- produktu (product view)
- kategorii
- koszyka
- finalna strona success page

Myślę, że taki algorytm jest dość skomplikowany i bierze pod uwagę wiele aspektów: zarówno dane dot. wyświetleń pojedynczych produktów przez jednego visitora + produkty najczęściej kupowane wraz z tym, który visitor ogląda w danej chwili + powiązane (podobne kategorie - np. najlepiej sprzedający się produkt z innej, jednak podobnej kategorii) + cross-sell / up-sell który sam ustawisz sobie + analizuje podobne kolorystycznie zdjęcia produktów + analizuje poprzednie zamówienia + wyniki analizy podobnych nazw/tytułów produktów. Nie wiem czy nie lepiej będzie dla Ciebie zlecić taką gotową kampanię rekomendacji, generalnie dobrze to działało, jedyny minus to, że koszty wdrożenia to % od Twojej sprzedaży, w przypadku większych sklepów można z nimi negocjować, ale ogólnie fajnie to działa.

Ten post edytował darko 20.01.2018, 13:29:09