Как алгоритмы рекомендаций Retail Rocket Group помогают людям находить то, что им нужно

Популярные в категории

Вариант алгоритма «Популярные товары», в котором пользователю показываются хиты продаж из определённой категории. Если она содержит подкатегории (например, для категории «верхняя одежда» это могут быть «пальто», «шубы»), алгоритм покажет как можно больше разных подкатегорий. Среди них посетитель наверняка найдёт то, что ему интересно. 

Благодаря этому сценарию пользователю не обязательно просматривать несколько десятков позиций из нужной ему категории, — он может сэкономить время, выбрав из самых популярных товаров.

По API доступен аналогичный алгоритм, возвращающий увеличенное количество товаров (до 2000), отсортированных по убыванию популярности.

Где рекомендуем использовать алгоритм

Хиты определённого бренда

Алгоритм используется для продвижения популярных на текущий момент товаров определённого бренда, отсортированных по убыванию популярности. Алгоритм может сформировать выдачу как по всем товарам этого бренда, так и по товарам из указанных категорий.

Где рекомендуем использовать алгоритм

Популярные товары со скидками

Алгоритм предлагает самые популярные на текущий момент товары магазина, на которые есть скидка. Учитывает клики, просмотры, добавление в корзину, заказы и другие события. Этот алгоритм помогает пользователям обратить внимание на выгодные предложения.

Где рекомендуем использовать алгоритм

Популярные товары из интересных пользователю категорий

real-time & personal

Алгоритм в реальном времени запоминает категории и товары, которые были интересны конкретному пользователю.

Интерес к категории зависит от длины цикла потребления. Например, покупки товаров регулярного спроса (продуктов питания, кормов для животных) увеличивают интерес к категории, так как высока вероятность, что в следующий раз пользователь сделает аналогичную покупку. Покупка крупной бытовой техники, мебели и других товаров с длинным циклом потребления уменьшает интерес к категории.      

Алгоритм выдает хиты из категорий, которые наиболее интересны данному пользователю в долгосрочной перспективе с учетом его ценовых предпочтений. Выдача зависит от этапа воронки. Например, если пользователь купил товар из категории «Мобильные телефоны», то алгоритм покажет ему популярные товары из сопутствующих категорий — «Чехлы для телефонов», «Гарнитуры», «Аксессуары для мобильных телефонов». А если еще нет ни истории просмотров товаров, ни интересов к категориям, будут показаны популярные товары без персонализации.

При использовании алгоритма в письмах, рекомендации строятся по категориям, популярным у данного пользователя.

Где рекомендуем использовать алгоритм

Популярные товары со скидками из интересных пользователю категорий

real-time & personal

Разновидность алгоритма «Популярные товары из интересных пользователю категорий», только предлагаются товары со скидками.

Где рекомендуем использовать алгоритм

Новинки со скидками

Алгоритм подбирает новинки со скидками. Сценарий помогает пользователю не упустить выгодное предложение, а интернет-магазину показать, чем он отличается от конкурентов. Алгоритм может сформировать выдачу как по всем товарам магазина, так и по указанным категориям.

Где рекомендуем использовать алгоритм

Новинки из интересных пользователю категорий

Персонализированный вариант алгоритма «Новинки» позволяет демонстрировать недавно появившиеся в продаже товары только из категорий, которые наиболее интересны данному пользователю в долгосрочной перспективе.

Например, если пользователь смотрел товары из категорий «Футболки» и «Шорты», алгоритм предложит новинки из этих категорий. А если он купил товар из категории «Мобильные телефоны», предложит недавно поступившие товары из сопутствующих категорий: чехлы, наушники и другие аксессуары.

Новые посетители увидят новинки без персонализации.

Где рекомендуем использовать алгоритм

Новинки со скидками из интересных пользователю категорий

Разновидность персонализированного варианта алгоритма «Новинки», который показывает пользователю максимально интересное для него предложение со скидками из нового ассортимента товаров.

Где рекомендуем использовать алгоритм

Upsell

В оффлайн-магазинах улучшенные и более дорогие альтернативы обычно предлагают консультанты. Алгоритм Upsell заменяет такого продавца в онлайне. Он выявляет неявную потребность человека и помогает пользователю лучше удовлетворить свой запрос, а интернет-магазину заработать больше. 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. Покупатель может сравнить их, посчитать, что без провода ему все же будет удобнее, и в итоге купить более дорогую версию.

Где рекомендуем использовать алгоритм

Альтернативные товары, оптимизированные по маржинальности

Вариант алгоритма «Альтернативные товары», в котором пользователю показываются наиболее маржинальные из подходящих пользователю товаров.

Алгоритм может уменьшить конверсию магазина, но при этом сохранить или увеличить маржинальную выручку. Отчасти это происходит за счёт уменьшения количества заказов и сопутствующих им издержек.

Где рекомендуем использовать алгоритм

Альтернативные товары, оптимизированные по выручке

Вариант алгоритма «Альтернативные товары», в котором подбор похожих товаров выполняется таким образом, чтобы максимизировать прогнозируемую выручку с пользователя (RPV).

Алгоритм может помочь увеличить средний чек.

Где рекомендуем использовать алгоритм

Аналоги к отсутствующим товарам

Алгоритм рекомендует к товарам «не в наличии» максимально похожие по товарным характеристикам, но которые доступны для покупки.

Алгоритм отличается от альтернатив тем, что подбираются товары со свойствами максимально похожими на отсутствующий товар, в то время как альтернативы показывают схожие товары, учитывая поведение пользователя.

Где рекомендуем использовать алгоритм

Похожие товары с акцентом на просмотренных пользователем товарах

Персонализированная версия алгоритма «Альтернативные товары», в которой на первые места в выдаче выводятся ранее просмотренные товары. Блок с таким алгоритмом позволяет пользователю вспомнить, что он смотрел ранее, сравнить с текущим товаром и определиться с выбором.

Где рекомендуем использовать алгоритм

Аксессуары

Разновидность алгоритма «Сопутствующие товары». Подбирает к просматриваемому товару дополнительные аксессуары. Помогает пользователю закрыть свою потребность в одном месте. Например, сразу подобрать к смартфону чехол, наушники и защитное стекло, что увеличивает средний чек интернет-магазина. 

В отличии от базового алгоритма приоритет имеют товары из категорий, которые мы сами определяем на основании нашего опыта, а также товары того же бренда.

Где рекомендуем использовать алгоритм

Сопутствующие товары с приоритетом бренда просматриваемого товара

Вариант алгоритма «Сопутствующие товары». Используется, когда не хватает информации о поведении пользователей. 

Например, на основе поведенческой статистики мы видим, что вместе с конкретным столом покупают конкретный стул, тогда рекомендации в первую очередь предложат именно его. Но если мы не знаем, что обычно покупают с обеденным столом Eames, то алгоритм советует стулья и другую мебель этого же бренда.

Где рекомендуем использовать алгоритм

Сопутствующие товары из категорий, отличных от категории текущего товара

Вариант алгоритма «Сопутствующие товары», в котором из рекомендаций удаляются товары той же категории, что и просматриваемый товар. 

Например, магазину электроники нет смысла рекомендовать к телевизору другие телевизоры. А вот если речь идет о детском питании, то яблочное пюре в дополнение к грушевому будет органично.

Где рекомендуем использовать алгоритм

Сопутствующие товары с учётом требований магазина

Дополняет базовый алгоритм «Сопутствующие товары» и позволяет магазину корректировать товарную выдачу с помощью настраиваемых вручную правил. Будет полезен, если требуется продвинуть товары из непопулярных категорий или магазин хочет гарантировать, чтобы к основному товару рекомендовались только действительно подходящие сопутствующие. Актуально для технически сложных товаров: снегоходы, компьютеры и так далее.

Где рекомендуем использовать алгоритм

Сопутствующие категории

Алгоритм выводит к заданной категории до 20 сопутствующих категорий, отсортированных по убыванию популярности. Например, для стиральных машин это могут быть порошки, средства от накипи и аксессуары. 

Алгоритм используется для упрощения навигации: покупателю предлагаются категории, где он сможет подобрать дополнительные товары к своей покупке.

Аксессуары с повышенными требованиями к разнообразию

Разновидность алгоритма «Аксессуары» с более разнообразной выдачей. Подходит в случае, если очень много сильно похожих по товарным свойствам аксессуаров.

Где рекомендуем использовать алгоритм

Сопутствующие товары к последним добавленным в корзину

Алгоритм предназначен для использования на страницах товаров. Он анализирует содержимое корзины и предлагает товары, которые могут дополнить покупку. Попытка продать сопутствующие товары до того, как пользователь перейдет к оформлению заказа, может быть более эффективной, чем аналогичная на странице «Корзины».

Где рекомендуем использовать алгоритм

Поисковые рекомендации с ограничением влияния сверхпопулярных товаров

Вариант сценария «Поисковые рекомендации», в котором специально уменьшается вес самых популярных товаров. Например, чтобы не рекомендовать бананы в дополнение к большинству позиций в заказе в продуктовом интернет-магазине, система как бы накладывает штраф на этот продукт.

Где рекомендуем использовать алгоритм

Поисковые рекомендации на основе нейронных сетей

В отличие от базового поискового алгоритма этот вариант использует глубокое обучение нейронной сети: алгоритм «понимает» смысл фразы, а не просто достает из нее название товара, что помогает точнее определить, что именно ищет пользователь.

Персональные рекомендации для страницы категории

real-time & personal

Алгоритм аналогичен базовому, но рекомендуются только товары из текущей категории и ее подкатегорий. Алгоритм использует только предыдущие действия пользователя с товарами (просмотр, добавления в корзину, заказы) и неявные связи между товарами. От «популярных товаров из интересных пользователю категорий» данный алгоритм отличается тем, что он анализирует краткосрочные интересы пользователя.

Где рекомендуем использовать алгоритм

Ранее просмотренные пользователем товары

real-time & personal

Алгоритм рекомендует пользователю товары, которые он уже смотрел. Это облегчает навигацию по магазину, а также напоминает человеку о его потребности и подталкивает к покупке.

Где рекомендуем использовать алгоритм

Персональные рекомендации на основе прошлых заказов

real-time & personal

Алгоритм рекомендует пользователю товары, которые он уже покупал. Учитывает давность и частоту покупок. Сценарий актуален для интернет-магазинов, где есть товары повторного спроса: детское питание, корма для животных, аптеки и так далее.

Где рекомендуем использовать алгоритм

Персонализация рекомендаций с учётом интереса пользователя к свойствам товаров

real-time & personal

Данный алгоритм работает на основе базового. Формирует выдачу таким образом, чтобы в начале стояли товары, максимально похожие по свойствам с теми, которыми данный пользователь интересовался в течение последних 2 часов. Учитывает бренд, цену и тип товара.

Где рекомендуем использовать алгоритм

Товары с учётом размеров

real-time & personal

Отсортировывает выдачу базового алгоритма с учетом размера, интересующего пользователя. Информацию получаем на основе анализа товаров, добавленных в корзину. Алгоритм учитывает, что для разных товарных категорий понятие «размер» может иметь свой смысл.

Где рекомендуем использовать алгоритм