Personalizacija preporuka već se dugo povezuje s potrebom praćenja ponašanja korisnika i izgradnje njihovih profila. Povijest pregledanih proizvoda, prethodne kupnje, klikovi ili vrijeme provedeno na stranici – svi ti podaci pomažu u prilagođavanju ponude, ali njihova upotreba nije uvijek moguća ni potrebna. Zato razvijamo naš mehanizam za preporuke tako da učinkovito radi i kada korisnik ne pristane na profiliranje.
Riječ je o jednom od najvažnijih poboljšanja posljednjih mjeseci, a ujedno i o rješenju koje se ističe na tržištu. Kvaliteta preporuka ne ovisi o stvaranju individualnog profila korisnika. Umjesto toga, mehanizam se može automatski prebaciti u način rada koji se temelji isključivo na kontekstu trenutačno pregledanih proizvoda
Saznajte više o Quarticonovom AI mehanizmu za preporuke:
Dva načina rada jednog mehanizma
Ovisno o dostupnim privolama i potrebama određene implementacije, mehanizam može raditi u dva međusobno nadopunjujuća načina.
U personaliziranom načinu rada preporuke mogu uzimati u obzir informacije povezane s preferencijama i ponašanjem korisnika – naravno, kada korisnik da odgovarajuću privolu. To omogućuje stvaranje individualnijeg iskustva, primjerice prikazivanje proizvoda sličnih onima koje je korisnik prethodno pregledavao ili prilagođavanje prijedloga njegovim interesima.
Drugi način rada funkcionira bez profiliranja. U tom slučaju mehanizam automatski koristi prethodno trenirane modele i prvenstveno analizira odnos između pregledanog proizvoda i drugih proizvoda u ponudi. Preporuke se, između ostalog, mogu temeljiti na sličnosti, komplementarnosti, popularnosti ili često prisutnim povezanostima između proizvoda – bez stvaranja individualnog profila posjetitelja.
Preporuke prilagođene proizvodu, a ne osobi
Najvažnija je razlika u tome što sustav ne mora znati tko je korisnik ni koje je proizvode prethodno pregledavao. Dovoljna je informacija o tome koji se proizvod trenutačno nalazi na zaslonu.
Ako klijent pregledava određeni model obuće, mehanizam za preporuke može predložiti proizvode prilagođene trenutačnom proizvodu, ali na temelju prethodnih sesija drugih korisnika. Takav pristup omogućuje zadržavanje korisnosti i veće učinkovitosti preporuka i tijekom prvog posjeta, kada korisnik nije prijavljen ili nije dao privolu za profiliranje. Korisnik dobiva pomoć pri otkrivanju ponude, a trgovina i dalje može podržavati prodaju sličnih i komplementarnih proizvoda.
Automatsko prebacivanje bez kompliciranja iskustva
Promjena načina rada odvija se automatski. Ne zahtijeva dodatnu konfiguraciju s korisničke strane ni ručni odabir načina prikazivanja preporuka. Sustav prepoznaje koje podatke može koristiti i odabire odgovarajući model rada.
To je važno i iz poslovne perspektive. Trgovina se ne mora odreći preporuka samo zato što dio posjetitelja nije dao privolu za profiliranje. Mehanizam i dalje može podržavati pseudo-personaliziranu navigaciju ponudom, povećavati vidljivost proizvoda i korisnicima olakšavati pronalaženje onoga što traže.
Jedno rješenje za različite potrebe
Nova funkcija odgovara na sve veću potrebu za povezivanjem poslovne učinkovitosti s većom kontrolom korisnika nad upotrebom njihovih podataka. Personalizacija je i dalje dostupna tamo gdje korisnik na nju pristane, ali nije nužan uvjet za pokretanje preporuka.
Za vlasnike trgovina i e-commerce platformi to znači veću fleksibilnost. AI preporuke mogu koristiti i u personaliziranom i u pseudo-personaliziranom modelu, bez potrebe za prebacivanjem na način rada s kontekstualnim preporukama, čija je učinkovitost znatno niža.
Vrijedi također podsjetiti da mehanizam za preporuke personalizira ili pseudopersonalizira ponudu u stvarnom vremenu za 100 % prometa na stranici, čime se razlikuje od sustava za marketinšku automatizaciju ili CDP sustava, koji zahtijevaju korisnički profil (što u klasičnoj e-commerce trgovini odgovara približno 5 % prometa na stranici). Mehanizam za preporuke: 100 % > marketinška automatizacija 5 %. Više o toj temi pisali smo, između ostalog, ovdje: mehanizam za preporuke i marketinška automatizacija.
Novost koja određuje praktičan smjer razvoja preporuka
Mogućnost rada bez profiliranja nije samo ograničena verzija klasične personalizacije. Riječ je o zasebnom, svjesno osmišljenom načinu preporučivanja proizvoda, koji se temelji na analizi ponude i konteksta posjeta. Zahvaljujući tome, Quarticonov mehanizam za preporuke objedinjuje dva pristupa: personalizaciju dostupnu uz privolu korisnika te učinkovite pseudopersonalizirane preporuke proizvoda koje ne zahtijevaju privole korisnika.
