System rekomendacji i personalizacji to jedno z najważniejszych (o ile nie najważniejsze) narzędzi marketingowych dla sklepu internetowego. Odpowiednio wdrożony wpływa bezpośrednio na średnią wartość zamówienia (AOV) i współczynnik konwersji, dlatego priorytet wdrożenia jest wysoki. Jest to w zasadzie najważniejsze narzędzie, zaraz po podstawowej analityce na stronie.
Co to jest system rekomendacji?
System rekomendacji (lub silnik rekomendacji, ang. recommendation engine, recommedation system, recommender) to technologia używana do sugerowania użytkownikom (klientom, odwiedzającym, użytkownikom aplikacji, czytelnikom) produktów (ale też filmów, wydarzeń, artykułów).
Ponieważ w środowiskach e-commerce często jest wielu użytkowników (wiele tysięcy) i wiele przedmiotów (także często kilka tysięcy), budowa skutecznych systemów rekomendujących jest trudna i zasobochłonna. Wyobraźmy sobie sklep, w którym doświadczony sprzedawca zna preferencje klientów i składa dopasowane propozycje, które zwiększają satysfakcję i sprzedaż. W handlu internetowym i marketingu tę rolę pełni taki zautomatyzowany sprzedawca – system rekomendacji.
Systemy rekomendacyjne oparte na atrybutach
Systemy rekomendujące oparte na treści polecają przedmioty podobne do tych, które użytkownik np. oglądał wcześniej, nie opierając się na preferencjach innych użytkowników. Informacje używane do budowy tych modeli pochodzą z dwóch głównych źródeł.
Systemy rekomendacji oparte na atrybutach koncentrują się na interakcjach pojedynczego użytkownika. Powszechną metodą jest obliczanie podobieństwa atrybutów między oglądanymi przedmiotami i sugerowanie podobnych.
Systemy rekomendacyjne oparte na popularności
Systemy rekomendacyjne oparte na popularności sugerują użytkownikom pozycje (produkty, filmy, artykuły itp.) na podstawie ich ogólnej popularności wśród wszystkich użytkowników, bez uwzględniania indywidualnych preferencji. Oparte są na zbieraniu sygnałów popularności takich jak liczba odsłon, kliknięć, zakupów, ocen, udostępnień w określonym oknie czasowym.
Modele oparte na popularności są proste do zaimplementowania i skalowania i nie wymagają zaawansowanej infrastruktury technologicznej do ich zastosowania. Ich podstawową wadą jest brak personalizacji. Te same rekomendacje otrzymują wszyscy użytkownicy.
Mają one również tendencję do utrwalania popularności (sprzedaży i tak już dobrze sprzedających się produktów), co zuboża long tail. Produkty z długiego ogona nie mają szans na sprzedaż. Słabo radzą sobie z niszowymi zainteresowaniami i zmianami kontekstowymi preferencji użytkownika.
Systemy rekomendacyjne oparte na AI predykcyjnym
Systemy rekomendacyjne oparte na AI wykorzystują przeszłe interakcje całej bazy użytkowników (anonimowych na stronie) do generowania rekomendacji. Metody te przewyższają efektywnością podejścia oparte wyłącznie na treści. Wyjątkiem są sytuacje, gdy jest znacznie mniej przedmiotów niż użytkowników albo gdy interakcje są bardzo rzadkie lub w specyficznych typach stron (np. ogłoszenia).
Od strony technicznej mogą to być algorytmy oparte na sąsiedztwie – celem jest znaleźć k najbliższych sąsiadów (użytkowników z najbardziej podobnymi uszeregowanymi przedmiotami) i polecić N najlepszych przedmiotów, które ci sąsiedzi polubili, a których użytkownik jeszcze nie widział. To także techniki wydobywające reguły z macierzy interakcji (np. użytkownicy, którzy kupili A, kupili także B).
Systemy rekomndacji oparte o AI działają dobrze zarówno dla użytkowników mainstreamowych, jak i niszowych. Ponieważ modele rekomendujące muszą odzwierciedlać nowe interakcje natychmiast, modele wymagają retreningu non stop. Każda nowa odnotowana interakcja na stronie wpływa na wyższą efektywność rekomendacji.
Dlaczego warto inwestować w zewnętrzne, wyspecjalizowane narzędzia do rekomendacji
Wiele wbudowanych rozwiązań platform sklepowych to mechanizmy regułowe o ograniczonych możliwościach i bez wykorzystania zaawansowanych modeli AI. Nie oferują adaptacyjnej personalizacji ani uczenia się na zachowaniach użytkowników, a zamiast tego stosują rekomendacje oparte na popularności – utrwalają wzorce, np. sprzedaż już i tak popularnych produktów.
Zewnętrzne platformy rekomendacyjne dostarczają zaawansowane algorytmy – modele uczenia maszynowego, łączenie sygnałów behawioralnych, kontekstowych i produktowych, hybrydy wszystkich modeli i gotowe testy A/B. Lepsze dopasowanie rekomendacji do potrzeb użytkownika oznacza wyższe AOV i wyższą konwersję. A więc także szybsze efekty biznesowe.
Czy wdrożenie zewnętrznego systemu rekomendacyjnego jest skomplikowane?
Nie, to jest mit. Wdrożenie zewnętrznego systemu rekomendacyjnego nie musi być skomplikowane i często jest tańsze i efektywniejsze w porównani z rozwiązaniami in-house i na pewno szybsze, tańsze i bezpieczniejsze niż budowanie wszystkiego od zera. Poniżej krótkie, przekonujące kontrargumenty i praktyczne wskazówki.
Większość dostawców oferuje rozwiązania, które pozwalają na uruchomienie rekomendacji w ciągu dni lub tygodni bez dużych zmian w backendzie. Wystarczy podstawowy feed produktów/treści i tracking zdarzeń (odsłony, kliknięcia, transakcje). Nie trzeba przenosić całej logiki ani bazy użytkowników, jak np. w systemach MA czy CDP. Wielu dostawców (jak np. Quarticon) oferuje widgety JS , które działają bez głębokiej integracji backendu i bez potrzeby anagżowania zespołu IT.
„Nie mamy zaufania do zewnętrznych dostawców” – można często usłyszeć. I bardzo dobrze. Podmiot, który jest podmiotem polskim lub europejskim, umowa o przetwarzaniu danych + minimalne, zanonimizowane zdarzenia powinny rozwiązać większość obaw. Systemy rekomendacyjne nie potrzebują bowiem dostępu do danych osobowych. Nawet praca z zarejestrowanymi użytkownikami oparta jest na zanonimizowanych identyfikatorach.
Warto wypróbować system rekomendacyjny i personalizacji Quarticon nie tylko w kontekście e-commerce. Quarticon integruje wszystkie 3 rodzaje systemów rekomendacyjnych w jednym narzędziu: AI, oparte na popularności, atrybutach i treści. Umów demo rekomendacji Quarticon.
