fbpx

Обновления платформы Retail Rocket в мае

592 Просмотров

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:

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.