Обновления платформы Retail Rocket в мае 2018
Несмотря на долгие майские праздники, мы не стоим на месте и вновь готовы рассказать об изменениях в платформе и новых достижениях наших команд разработки, аналитики и менеджеров продукта. В мае мы сосредоточились на тонких изменениях в алгоритмах формирования персональных рекомендаций, которые позволят интернет-магазинам более эффективно работать с клиентами и увеличивать конверсию и выручку.
Содержание:
- Обновление алгоритма формирования рекомендаций для мультикатегорийных товаров
- Улучшение параметров отправки триггерных писем
- Обновление процесса отписки от разных типов рассылок
- Оптимизация работы трекинг-кода на сайте интернет-магазина
- Улучшение алгоритма формирования рекомендаций в массовых рассылках
- Обновления в интерфейсе
Что же важного и полезного мы придумали в этом месяце?
– Обновили алгоритм формирования рекомендаций для мультикатегорийных товаров
– Улучшили параметры отправки триггерных писем
– Обновили процесс отписки от разных типов рассылок
– Оптимизировали работу трекинг-кода на сайтах интернет-магазинов
– Улучшили алгоритм формирования рекомендаций в массовых рассылках
– Внесли несколько обновлений в интерфейс платформы
Обновление алгоритма формирования рекомендаций для мультикатегорийных товаров
Каталоги магазинов бывают устроены таким образом, что товар находится сразу в нескольких категориях. Это может быть как естественная мультикатегорийность, когда товар действительно относится к нескольким разделам, так и появляющаяся за счет фильтров, использования временных категорий (акции, тематические подборки по различным случаям и т.д.) и просто банальных ошибок. Такая ситуация усложняет процесс формирования рекомендаций.
В своей работе мы используем множество различных алгоритмов машинного обучения, в том числе активно работаем с нейронными сетями. Именно за счет нейронной сети мы улучшили алгоритм формирования рекомендаций для мультикатегорийных товаров. Теперь он автоматически отсеивает “шумные” категории (акции, распродажи, категории на базе брендов и т.д.), которые негативно влияют на эффективность персонализации. Благодаря нововведениям, нам удалось уменьшить количество категорий и пар «товар-категория» на 30-50% и значительно увеличить качество рекомендаций.
Улучшение параметров отправки триггерных писем
Пользователи не всегда открывают письма о брошенной корзине или брошенном просмотре, поэтому для наших клиентов мы настраиваем отправку не единичного письма, а цепочки триггерных сценариев. После первого письма, отправляется «Повторное напоминание с рекомендациями товаров», а в случае, если цена на один из интересующих пользователя товаров снижается, подписчику приходит «Уведомление о снижении цены».
В этом месяце мы улучшили проверку поступающих событий о действиях пользователя, что позволило более точно отправлять повторные напоминания о брошенных товарах.
Кстати, проверьте, все ли сценарии запущены в вашем интернет-магазине с помощью нашей карты триггеров.
Обновление процесса отписки от разных типов рассылок
В марте мы писали об обновлении процесса отписки от разных типов рассылок, и сейчас продолжаем эту тему.
Благодаря обновлению страницы подписчика, email-маркетолог магазина может самостоятельно вручную подписать/отписать определенного пользователя отдельно на триггерные или на массовые рассылки.
Оптимизация работы трекинг-кода на сайте интернет-магазина
Мы уделяем большое внимание не только качеству наших рекомендательных алгоритмов, но и скорости загрузки блоков рекомендаций на страницах сайта. Поэтому в мае наша команда оптимизировала работу трекинг-кодов для ускорения загрузки.
Теперь блоки персональных рекомендаций грузятся еще быстрее, и пользователи практически мгновенно получают персональные рекомендации на разных страницах, независимо от скорости загрузки самого сайта.
Улучшение алгоритма формирования рекомендаций в массовых рассылках
Персональные рекомендации в массовых рассылках строятся на основе интересов пользователей к товарам и категориям, но факт покупки товара может учитываться по-разному. Например, подписчик может получить письмо, в котором в том числе рекомендуются товары из той категории, в которой он сделал заказ некоторое время назад. И если для определенных отраслей ритейла в таких рекомендациях нет ничего плохого (например, рекомендации платьев после покупки платья будут вполне уместны), то для некоторых категорий это может быть не так.
Мы тщательно исследовали вопрос учета категорий купленных товаров, и в результате значительно улучшили алгоритм формирования персональных рекомендаций в массовых рассылках и сделали учет категории, в которой пользователь недавно сделал заказ гораздо более точным.
Обновления в интерфейсе
Ну и напоследок, коротко об обновлениях в интерфейсе. Работа над улучшением внешнего вида и функциональности личного кабинета ведется постоянно, и вот несколько деталей, о которых стоит упомянуть:
- Улучшили юзабилити сегментатора в массовых рассылках
- Оптимизировали карту кликов в веб-версиях писем
- Доработали важные детали интерфейса в личном кабинете, чтобы он был еще удобнее и практичнее
На этом мы заканчиваем наш рассказ, но не прощаемся, и уже совсем скоро расскажем о новых достижениях, которые помогут вам меньше работать и больше зарабатывать с помощью технологий персонализации Retail Rocket.
