Обновления платформы Retail Rocket в мае 2019
Май подошел к концу, и мы готовы представить вам новые разработки. Несмотря на длинные каникулы, нам есть чем порадовать пользователей платформы Retail Rocket: в этом месяце наша команда сосредоточилась на совершенствовании алгоритмов рекомендаций.
Что интересного и полезного мы разработали за май:
- Запустили A/B-тесты на мобильных устройствах
- Разработали новый алгоритм сопутствующих товаров
- Усовершенствовали алгоритм рекомендаций популярных товаров из интересных пользователю категорий
А теперь делимся подробностями.
Запуск A/B-тестов блоков рекомендаций на мобильных устройствах
Трафик мобильной версии интернет-магазина зачастую отличается от десктопной, в том числе по демографическим и поведенческим признакам. В то же время пользователи все чаще оформляют заказы с помощью смартфонов или планшетов.
Будут ли одни и те же блоки рекомендаций одинаково хороши для мобильных устройств и компьютеров? Какие варианты стоит выбирать для каждой версии сайта? Чтобы гарантировать клиентам Retail Rocket лучшие показатели из возможных, мы решили проводить тесты эффективности и для мобильных устройств.
При запуске A/B-тестов на мобильных устройствах используется та же методология, что и в уже заслуживших доверие пользователей тестированиях на десктопе.
Процесс уже запущен и успешно работает на нескольких клиентах, и по результатам мы видим, что пользователи действительно ведут себя по-разному и выбирают разные варианты рекомендаций.
Рассмотрим на примере конфигурации блоков рекомендаций в карточке товара одного из магазинов комплектующих для электроники и бытовой техники. На мобильных устройствах наилучший результат показали два блока: сопутствующие и похожие товары. Рост выручки составил 7,3%. В полноразмерной версии сайта победителем стали сопутствующие товары без дополнительных блоков. Рост выручки: 5,4%. При этом сегмент, выигравший в мобильной версии, не показал существенного прироста.
Новая версия алгоритма сопутствующих товаров на странице корзины
О сопутствующих товарах до сих пор не утихают споры. Кто-то считает автоматизированную выдачу лучшей из возможных, некоторые, напротив, предпочитают экспертное мнение и формирование выдачи на основе определенных правил и мнений.
Мы решили объединить высокие технологии с классическим маркетингом и создали новый алгоритм сопутствующих товаров – «Сопутствующие товары, отфильтрованные на основе опросов пользователей».
Новый алгоритм строится на основе технологии machine learning «Human-in-the-Loop». Технология применяется в сферах, где стоимость ошибки высока и результаты, рассчитанные автоматически, частично перепроверяются людьми. Это характерно для сфер, где важно как можно более точное прогнозирование, от медицинской диагностики до финансово-инвестиционных рынков и прогнозирования потребительского спроса. Теперь этой технологией усилены персональные рекомендации Retail Rocket.
Для алгоритмов персонализации, это означает, что основная часть товаров, которые не подходят в качестве сопутствующих, отбрасывается автоматически, но среди релевантных позиций нужно выбрать наиболее подходящие. То есть алгоритмы Retail Rocket рассчитывают те товары, которые с наибольшей вероятностью будут хороши в качестве сопутствующих, а живые люди поправляют, если машины допустили неточность.
При формировании новой версии алгоритма за основу были взяты данные о том, какие позиции, представленные среди автоматизированной подборки Retail Rocket, респондент сочтет наиболее подходящими к основному товару. Затем полученная информация обрабатывалась, и алгоритм «учился» делать схожие выборы. Таким образом новая механика учитывает и статистику, и мнение людей, т.е. происходит двухступенчатое формирование рекомендательной выдачи.
* Алгоритм пока доступен только для крупных магазинов, возможность подключения уточняйте у вашего аккаунт-менеджера.
Обновление алгоритма «Популярные товары из интересных пользователю категорий»
Также в этом месяце мы обновили один из алгоритмов персональных рекомендаций. Новая версия алгоритма «Популярные товары из интересных пользователю категорий» учитывает весь спектр потребностей пользователя и отличается большей диверсифицированностью и разнообразием товаров. То есть включает в подборку рекомендаций товаров большее количество позиций из разных категорий, к которым выявлен интерес клиента.
Уже на нескольких клиентах было проведено тестирование обновленного алгоритма и по сравнению с предыдущей версией отмечен прирост следующих показателей:
- конверсия в заказы +4,9%
- средний чек увеличился на 3,2%
Это обновление позволит интернет-магазинам ещё точнее учитывать желания пользователя и формировать максимально подходящие рекомендации для каждого клиента.
На этом мы прощаемся и уходим разрабатывать новые интересные фичи, которые позволят магазинам увеличивать свои показатели, а их клиентам – получать самые интересные предложения.
Над статьёй работали
