Рекомендательные системы в ритейле

Человек приходит в оффлайн и онлайн-магазины, как правило, за определенным товаром. Как подтолкнуть его к новым покупкам? Самый простой путь ─ предложить ему дополнительные товары, но если советовать все подряд, есть риск потерять посетителя из-за навязчивости. Однако, если не предложить ничего, то меньше шансы продать покупателю дополнительные товары или привлечь его в магазин снова.

Найти «золотую середину» помогают рекомендательные системы. Рассмотрим, как они работают, где используются и какие примеры есть в нашей практике.

Понятие рекомендательных систем

Рекомендательные системы ─ это специальные алгоритмы, которые предлагают пользователю товары, подходящие ему по тем или иным критериям. Такие системы взаимодействуют с покупателем либо напрямую, либо через сотрудника магазина.

Рекомендации помогают покупателю, во-первых, разобраться, что ему нужно, а во-вторых, быстрее принять решение о покупке. В результате его лояльность повышается, с большой долей вероятности он вернется в магазин за новыми покупками.

Примеры рекомендаций в интернет-магазинах

1. Подбор товаров по параметрам

1.1. На основе фильтрации: “Похожие товары”

В Wildberries при просмотре страницы “Балетки” пользователь видит и другие балетки.

Как это работает: система выбирает из той же категории товары с похожими параметрами, например, балетки разных производителей.

Это помогает покупателю найти наиболее подходящий ему товар.

1.2. Экспертные рекомендации

При покупке брюк система предлагает докупить и другие товары, которые пригодятся вместе с брюками – например, рубашки.

Как это работает: сотрудники интернет-магазина вручную указывают в административной панели «сопутствующие» для каждого товара. Система, в свою очередь, фильтрует товары и показывает покупателю те, которые могут ему пригодиться.

Это подталкивает покупателя к совершению дополнительных покупок.

2. Рекомендации на основе анализа данных

Перед 1 сентября покупатель добавляет в корзину тот или иной товар для первоклассников. Ему рекомендуют также купить витамины для младших школьников, хотя это товар из другой категории (даже не сопутствующий товар).

Как это работает: система учитывает закономерности, которые наблюдаются в заказах за определенный отрезок времени. Например, известно, что в период с августа по сентябрь покупатели букварей также интересуются детскими витаминами и покупают их.

Это также подталкивает покупателя к совершению дополнительных покупок и подсказывает, что будет полезно первокласснику.

Все вышеперечисленные варианты можно и нужно совмещать. Так, в зоомагазине покупателю влажного корма с лососем для кошек предложат товары:

1) похожие по тем или иным параметрам:
- другой рыбный корм для кошек;
- влажный корм другого веса или в другой упаковке;
- корм для молодых животных такого же возраста;
- корм того же ценового диапазона.

2) смежные товары:
- миска для еды;
- витамины (если они не входят в состав корма);

3) товары на основе статистики покупок:
- если покупатель впервые покупает корм для котенка, возможно, ему понадобится все для нового питомца, от миски до когтеточки.

Связь между товарами устанавливается либо администратором сайта, либо на основе анализа данных.

Логика построения такой рекомендации простая: покупателю способны понравиться вещи из той же самой категории или смежных категорий. Возможно, покупатель и сам еще не знает, что ему необходимо и что он выберет.

Еще один пример: в интернет-магазине Wildberries при покупке верхней одежды (пуховика) пользователь увидит джинсы, утепленные брюки и другие предметы гардероба, которые можно носить вместе с выбранным пуховиком в холодное время года. Подсказки «Рекомендуем» и «Сопутствующие товары» могут быть реализованы как на основе фильтрации товаров, так и на основе анализа данных.

Также рекомендации могут быть основаны на предпочтениях конкретного покупателя. Например, кто-то давно зарегистрирован на сайте, сделал несколько покупок, оставил товары в «Избранном», кто-то подписался на рассылку по тем или иным позициям. В этом случае для покупателя можно составить индивидуальные рекомендации на основании его запросов, а также позвонить или сообщить по электронной почте о том, что на отдельные товары есть скидки.

Виды рекомендательных систем

По принципам построения рекомендательные системы делятся на три вида:

• Экспертные

Специалисты самостоятельно составляют рекомендации на основании данных о покупателе, например, из информационной системы (CRM).

• Точные

В их основе лежат математические модели, с помощью которых можно с высокой долей вероятности просчитать, каким товаром может заинтересоваться сегмент клиентов с определенными данными.

• Адаптивные (обучаемые)

Основаны на технологиях машинного обучения ─ machine learning. Программные помощники анализируют покупателей, предлагают им товары и оценивают их реакцию. Если клиент отказался от предложения, обучаемая система учитывает это.

Все перечисленные системы похожи тем, что основаны на анализе данных о покупателях и составлении рекомендаций для них. Разница заключается в автоматизации: в точных системах алгоритм задают и меняют вручную, а адаптивные системы могут сами себя корректировать.

Экспертные системы

В их основе лежит взаимодействие эксперта и программы, которая собирает сведения о покупателях и товарах. После обработки входящих данных специалист формирует персональное предложение, которое носит рекомендательный характер.

Такие системы хорошо подходят как для онлайн-сервисов, так и для офлайн-продаж, где экспертами могут быть продавцы, менеджеры и другие сотрудники. Они подсказывают покупателю товары, которые подходят под его запрос, а также могут внести его пожелания в программу и выдать полный список подходящих предложений.

Точные системы

Их создают с помощью программных алгоритмов, которые могут «предсказать» процент вероятности заинтересованности сегмента пользователей в конкретных товарах или услугах. В точных системах основном используют два вида фильтрации ─ контентную (content-based filtering) и коллаборативную (collaborative filtering).

Контентная фильтрация

Основа content-based filtering ─ информация о предыдущих покупках, интересах пользователя и о нем самом. Для сбора данных можно использовать:

• сохранение истории покупок;

• возможность добавления отдельных позиций в «Избранное», «Отложенное», «Wishlist»;

• отслеживание времени, проведенного пользователем на страницах товаров;

• систему рейтингов, когда посетитель выставляет оценки товарам и/или пишет комментарии;

• предзаказы, сбор заявок и другое.

Когда пользователь повторно заходит на сайт, программа просчитывает его предпочтения и предлагает один или несколько продуктов, которые могут быть интересны потенциальному покупателю.

Чем больше данных есть у программы, тем более точным будет прогноз. Но нельзя зацикливаться только на информации о пользователях: без загруженных на сайт характеристик продуктов нельзя подобрать релевантный вариант.

Коллаборативная фильтрация

У collaborative filtering два подхода:

1. user-based ─ основан на данных пользователей с похожими интересами;
2. item-based ─ система выбирает товары и услуги, ориентируясь на то, чем покупатель интересовался ранее.

В первом варианте проводится сбор информации о пользователях, их покупках и предпочтениях, затем выделяет группы людей с похожими интересами. Когда посетитель приходит в интернет-магазин, ему рекомендуют товары или услуги, которыми интересовались его «одногруппники».

Подход item-based по смыслу похож на user-based, но основан на сходстве товаров, а не предпочтений пользователей. Программа делит ассортимент магазина на категории и сравнивает их друг с другом для выявления похожих.

Формирование предложений пользователю происходит следующим образом: если покупатель выбрал товар из категории А, то с большой долей вероятности он заинтересуется и товаром из категории Б, которая по многим признакам похожа с А. Другой вариант ─ рекомендация позиций из сопутствующих продуктов и комплектующих. Например, посетитель сайта купил фонарик, к которому можно предложить батарейки.

Рассмотрим пример, который показывает отличия различных рекомендательных систем.

Пример

Анна, мама двух детей, покупает им книги в интернет-магазине: младшей дочери сказки, книги для девочек, раскраски и развивающие пособия, а старшему сыну ─ фэнтези и учебную литературу.

Если рекомендательная система настроена по принципу контентной фильтрации, то предложения для Анны будут подбираться из перечисленных категорий.

В случае использования user-based-подхода программа должна ориентироваться на покупателей с похожими характеристиками. Например, среди посетителей сайта есть Елена, мама двух детей примерно такого же возраста, как у Анны. Покупки обеих женщин во многом совпадают, но Елена еще покупает для дочери книги по известному мультфильму, а сыну ─ произведения про подростков.

Рекомендательная система определит, что эти покупательницы похожи по многим критериям, и предложит Анне книги, которые покупает для своих детей Елена.

Для item-based-подхода характеристики книг нужно не только разделить по категориям, но и продумать, чем они похожи между собой. Примеры:

• Категория «Сказки» ─ похожа с категориями «Сказки разных народов мира» и «Сказки современных авторов»;
• Произведения Автора 1 схожи с произведениями Автора 2;
• Возрастная группа «7+» похожа с группой «Для младших школьников».

И если Анна выбирает сказки Автора 1 для младших школьников, то вариантами рекомендаций для нее могут быть сказки разных народов мира, произведения Автора 2, книги для детей «7+».

Мифы о рекомендательных системах

Крупные ритейлеры, для которых особенно важно обрабатывать большой объем информации, постепенно открывают для себя преимущества искусственного интеллекта (ИИ) и рекомендательных систем. Другие компании зачастую избегают новых технологий в силу следующих заблуждений:

Миф первый. Бизнесу сложно собрать и подготовить данные для ИИ

На практике:

Для внедрения рекомендаций компании нужно собрать DataSet, информацию о продажах за последние несколько месяцев или лет. Благодаря онлайн-кассам, в ритейле такая информация, как правило, уже накоплена – нужно только привести ее в должный вид.

Миф второй. Низкое доверие к ИИ

На практике:

Бывает, что бизнес не верит в точность программных решений, например, не знает, как измерить и оценить их пользу. Однако, как показывает практика ведущих ритейлеров, внедрение рекомендаций действительно может принести прибыль, в частности, за счет роста допродаж или снижения доли возвратов (все эти показатели поддаются измерению!).

Миф третий. Высокие затраты

На практике:

Для создания рекомендательной системы нужны денежные вложения и квалифицированные кадры. Однако, расходы могут быть выше или ниже в зависимости от потребностей бизнеса. Рекомендательную систему можно как написать с нуля, так и взять за основу готовый фреймворк (TensofFlow, Apple Core ML) или внешнее решение (например, Google ML Kit). По оценкам экспертов, рекомендательные системы непосредственно влияют на увеличение продаж и благодаря этому окупаются в срок от трех месяцев.

Несмотря на сложности при работе с рекомендательными системами, они помогают и продавцам, и покупателям. Рассмотрим это подробнее.

Рекомендательные системы: польза для покупателя и продавца

Выгоды продавца очевидны, в первую очередь это:

• увеличение лояльности покупателей через подходящие, а не назойливые рекомендации;
• повышение выручки за счет повторных покупок и продаж сопутствующих товаров;
• понимание целевой аудитории, что помогает более точно использовать маркетинговые инструменты.

Но и покупатель тоже выигрывает от использования рекомендаций. Самостоятельный выбор требует много времени: нужно подобрать подходящие варианты, сравнить их между собой и найти самый лучший.

Рекомендательные же системы «отсекают» изначально неподходящие для покупателя товары. В результате он получает то, что ему нужно, с минимальными временными затратами.

Пример

Мы разрабатываем решения Machine Learning как для ритейла, так и для других сфер бизнеса, в частности, для страховых компаний.

Один из примеров – рекомендательная система для крупной федеральной торговой сети. Терминалы помогают покупателям выбрать сопутствующие товары и одновременно подсказывают кассирам, что еще можно предложить клиенту. Благодаря этому кассиру не нужно держать в голове весь ассортимент, сокращается срок обучения новых сотрудников, растет выручка магазина.

Больше кейсов для ритейла смотрите в нашем портфолио.

Подведем итоги

Рекомендательные системы в ритейле помогают посетителям выбрать подходящие товары и экономят их время, а продавцы получают дополнительную выручку и лояльных покупателей.

В основе рекомендательных систем лежит обработка накопленной информации о посетителях, покупателях и товарах. Разработка подобных решений требует определенных инвестиций, однако, в конечном итоге они окупаются за счет роста прибыли.