Рекомендательные системы: что это и как они работают
Рекомендательные системы — инструмент, который помогает бизнесу получить больше довольных клиентов, увеличить конверсию в заказ, средний чек и выручку. Владимир Золотарев, руководитель продукта Персонализация Retail Rocket Group, рассказывает как работают алгоритмы рекомендаций, что нужно для запуска на ecom-площадке и как оценить их эффективность.
Содержание
- Рекомендательная система: что это и чем полезна бизнесу
- Зачем бизнесу рекомендательные системы
- Основные виды рекомендательных систем
- Как оценить эффективность рекомендательной системы: пять шагов
- Проблемы и мифы рекомендательных систем
- Преимущества и недостатки рекомендательных систем
- Когда пора внедрять систему рекомендаций
- Кейс: как с помощью внедрения рекомендаций увеличить выручку на 10%
- Чек-лист: готовы ли вы к внедрению рекомендательной системы
Рекомендательная система: что это и чем полезна бизнесу
Рекомендательная система — технология, которая показывает покупателю товары, которые могут быть интересны прямо сейчас. Например, если пользователь ищет стиральную машину — система покажет машинки по схожим характеристикам или товары, которые стоит добавить в корзину вместе с заказом: антивибрационные подставки и шланги.
Для работы простой рекомендательной системы нужны две вещи:
- база товаров — весь ассортимент магазина который нужно рекомендовать. База включает в себя идентификатор, категорию, цену, ключевые характеристики и другие данные по каждому товару;
- алгоритм — программа, которая анализирует действия покупателя и товарную базу, после чего предлагает товары, которые его могут заинтересовать.
Зачем бизнесу рекомендательные системы
Рекомендательные системы помогут бизнесу решить эти задачи ↓
Увеличить выручку. Рекомендательные системы предлагают альтернативные товары — это помогает сократить CJM и повысить конверсию в покупку. А еще предлагают сопутствующие товары, что помогает росту среднего чека. Например, алгоритмы рекомендаций помогли нашему партнеру «Гуд мебель» увеличить выручку на 30%.
Показывать релевантные товары. Рекомендательная система анализирует товарную базу, а также запросы и интересы пользователя, чтобы предложить подходящие товары и увеличить вероятность покупки. Например, если посетитель ищет миксеры, то с высокой вероятностью ему можно рекомендовать глубокую посуду.
Знакомить пользователей с ассортиментом магазина. Рекомендательные системы помогут бегло ознакомить пользователя с ассортиментом магазина. Например, при поиске холодильника алгоритм может показывать товары из других категорий — чайники, плиты и пылесосы. Это поможет познакомить покупателя со всем каталогом — чтобы при поиске нового чайника он вспомнил про магазине и пришел за покупкой.
Улучшить пользовательский опыт. Рекомендательная система помогает сделать взаимодействие посетителя с сайтом более удобным — сэкономит время на поиске и подскажет, какие сопутствующие товары стоит добавить в корзину.
Основные виды рекомендательных систем
Рекомендательные системы можно условно поделить по способам обработки информации на четыре вида: контентная фильтрация, коллаборативная фильтрация, гибридная и регрессивная система.
Контентная фильтрация
Система строит рекомендации на основе характеристик товара и показывает похожие или сопутствующие товары. Если пользователь ищет чайник на 2 л., то рекомендательная система покажет другие чайники на 2 л.
Коллаборативная фильтрация
Алгоритм рекомендует товары, на основе поведения покупателей: какие товары в категории быстрее покупают, добавляют в избранное, смотрят чаще всего и так далее. Коллаборативная система рекомендаций:
- рекомендует товары или категорию товаров которые пользователь часто смотрит, добавляет в корзину и покупает;
- советует товары, которые другие покупатели часто добавляют в корзину с текущим товаром. Если вместе с плащом часто покупают зонт, то система может рекомендовать посетителю зонт.
Регрессивная модель
Учитывает, что интерес к товару со временем угасает по самым разным причинам. Вот некоторые из причин:
- покупатель может уже купить товар. Например, кухонную плиту и не нуждаться в покупке новой плиты следующие пару лет;
- смена сезонов — товары, которые покупают летом, могут быть неинтересны уже осенью;
- праздники проходят — рекомендовать к покупке новогодние наборы конфет в феврале — неуместно.
Гибридная система
Совмещает в себе контентную и коллаборативную фильтрацию, а также регрессивную модель. Вот как они могут работать вместе:
- в категории товаров интернет-магазина работает коллаборативная фильтрация и регрессивная модель — алгоритм показывает обувь, которую пользователи смотрят или покупают чаще другой в текущем сезоне;
- в карточке товара работает контентная и коллаборативная фильтрация — алгоритм показывает схожие по характеристикам товары и популярные товары.
Как оценить эффективность рекомендательной системы: пять шагов
Оценить эффективность рекомендательной системы поможет A/B-тестирование. Его используют чтобы оценить эффективность рекомендаций как до того, как бизнес начал использовать алгоритмы, так и после:
| Бизнес впервые внедряет рекомендации | Бизнес уже использует алгоритмы рекомендаций |
| Здесь сравнивают поведение двух групп пользователей — которым показывают рекомендации и которые принимают решения о покупке без рекомендаций | В этом случае сравнивают эффективность двух алгоритмов рекомендаций — старого и нового. А чтобы удостовериться в результатах, метрики сравнивают с контрольной группой, которым не показывают рекомендации |
Разберемся, как провести A/B тест, чтобы сравнить две системы рекомендаций — старую и новую:
Шаг 1. Поставить цель на тестирование
Цель нужна, чтобы проверить и оценить результат — стало лучше, или хуже. Цели могут быть самые разные и зависят от самого бизнеса. Например получать с помощью рекомендаций до 10% всей выручки магазина, увеличить LTV на 20% или конверсию в заказ на 15%.
Шаг 2. Поделить трафик магазина на три группы
Чтобы проверить, как рекомендательная система влияет на метрики, трафик магазина делят на три группы. Это помогает узнать две вещи:
- Как эффективно работает рекомендательная система по сравнению с старой — встроенной системой рекомендаций от CMS или алгоритмом от другого разработчика.
- Влияют ли рекомендации на поведение пользователей — для этого в тестировании используют контрольную группу, которой не показывают рекомендации.
Обычно трафик делят так:
- 45% — пользователи, которым показываем рекомендации от новой системы;
- 45% — покупатели, которым показываем рекомендации от старой системы — встроенного алгоритма CMS или другой технологии рекомендаций;
- 10% — контрольная группа, которой не показываем рекомендации.
Шаг 3. Собрать данные по работе новой и старой рекомендательной системы
Для этого дать алгоритмам поработать на срок от одной недели до трех месяцев — здесь конкретный период будет зависеть от количества пользователей сайта, на котором проводят тест.
Если интернет-магазин посещает 10 000 пользователей в день и по условиям теста для каждой из версий рекомендаций нужно по 5 000 взаимодействий. В этом случае, данные соберут за 1-2 дня.
Данные по работе системы могут быть самые разные. Их собирают для расчета и сравнения метрик, которые важны клиенту — конверсии в покупку, CTR, среднего чека и так далее. Сами данные собирают с помощью систем аналитики — например, Retail Rocket использует Data Warehouse, а также Яндекс Метрику и Google Analytics.
Шаг 4. Оценить эффективность рекомендательной системы
Для этого сравнивают, как разные алгоритмы повлияли на ключевые метрики. Например, новый алгоритм помог увеличить выручку на 3%, а средний чек на 25%.
Шаг 5. Провести статистический анализ
Он поможет оценить достоверность результатов, исключить влияние внешних факторов вроде сезонности и выбрать рекомендательную систему, которая покажет лучшие результаты в долгосрочной перспективе.
Статистический анализ — штука непростая. Если упростить, то его проводят примерно так:
- Проверяют значимость данных. Чтобы исключить случайность и убедиться в достоверности исследования. Например, с помощью T-теста, U-теста или анализа дисперсии, которые помогут узнать показатель p-value — значение вероятности.
- Сравнивают p-value с порогом значимости 0,05. Если p-value меньше 0,05, то вероятность случайных данных в A/B тесте низкая. А если больше или равна 0,05 — разница между двумя группами с разными рекомендательными системами могла возникнуть случайно.
- Интерпретируют результаты. Если разница между группой A и B возникла не случайно, то подсчитывают разницу и рост ключевых показателей. Если разница случайна — проводят новый тест с другой выборкой и метриками.
Подробнее о том, как провести A/B тест без ошибок, рассказывали здесь → Подводные камни A/Б-тестирования или почему 99% ваших сплит-тестов проводятся неверно?
Проблемы и мифы рекомендательных систем
При подключении рекомендательной системы чаще всего возникают три проблемы: недостаток данных, сложная интеграция и конфиденциальность.
Проблема 1. Данных для запуска недостаточно
После подключения рекомендательные системы могут собирать данные о поведении пользователей неделями. Из-за этого откладывается запуск системы, а бизнес теряет время и деньги.
Как решить проблему. Чтобы запустить рекомендации сразу, мы в Retail Rocket разработали систему Cold start. Система использует исторические данные самых разных интернет-магазинов в обезличенном виде и предсказывает, какие товары из одних категорий лучше рекомендовать с товарами других категорий.
Проблема 2. Сложная интеграция
Для корректной работы рекомендательную систему нужно правильно интегрировать в интернет-магазин. Например, переделать дизайн главной страницы, обновить механику работы корзины и переверстать карточки товаров для блока рекомендаций. Тут бизнес начинает тратить ресурсы и подключать несколько подрядчиков, а запуск системы затягивается до полугода.
Как решить проблему. Передать большую часть работы разработчику рекомендательных систем. Например, Retail Rocket берет на себя верстку рекомендательных блоков. А еще ускоряет интеграцию системы с помощью модулей для самых разных CMS-систем: от InSales до Битрикс.
Проблема 3. Конфиденциальность данных
Для работы рекомендательных систем используют данные пользователей. Если данные утекут к третьим лицам, например к мошенникам — бизнес рискует подставить клиентов и потерять их доверие. А еще — получить получить штраф до 300 000 ₽.
Как избежать проблемы. Если интернет-магазин самостоятельно разрабатывает рекомендательную систему или подключает стороннее решение, здесь стоит убедиться в двух моментах:
- разработчик системы соблюдает требования ФЗ-152 — зарегистрирован оператором персональных данных в Роскомнадзоре, собирает и хранит данные в соответствии с законом;
- рекомендательная система соответствует требованиям по защите информации — например, имеет 4-й уровень защищенности персональных данных.
Кроме проблем с интеграцией рекомендательных систем, есть и мифы, которые часто принимают за проблемы. Разберем каждый из них ↓
Миф 1. Рекомендательные системы требуют огромных данных
В этом случае говорят, что данные для рекомендательных систем придется собирать по крупицам из разных источников, а потом обрабатывать большие массивы данных и тратить время на обучение модели.
Почему это миф. Для запуска рекомендательной системы достаточно товарной базы и данных по поведению пользователей. Причем данные по пользователям может собрать и обработать подрядчик — разработчик системы, которого бизнес занимает для внедрения алгоритма.
Миф 2. Искусственный интеллект не готов для рекомендаций
Когда так говорят, то считают, что искусственный интеллект не может идеально предсказать желания пользователей, а также то, что такие модели допускают ошибки в рекомендациях.
Почему это миф. Искусственный интеллект используют в рекомендательных системах многие годы — еще 10 лет назад он помогал обновлять рекомендации в реальном времени и анализировать большие объемы данных.
А в случае, если ИИ дает плохие рекомендации при первом заходе на сайт — дело может быть в том, что пользователь еще не успел оставить данные о своих предпочтениях, чтобы предложить более качественные рекомендации.
Миф 3. Рекомендательные системы не окупаются
Есть мнение, что инвестиции в рекомендательные системы — это бесполезная трата денег. Но это миф лишь отчасти — например, если бизнес сам разрабатывает рекомендательную систему с нуля, то он действительно может потратить деньги и не окупить систему.
Почему это миф. Рекомендательная система окупается, когда бизнес нанимает стороннего подрядчика с готовым решением. В этом случае бизнес:
- экономит деньги и время на разработке собственного решения, которое выйдет дороже;
- получает готовую систему для развертывания, которая доказала эффективность и регулярно обновляется.
Преимущества и недостатки рекомендательных систем
| Недостатки | Преимущества | |
| Доход | Покупка готового решения окупается в срок от трех до шести месяцев | Помогают увеличить целевые метрики — количество продаж, выручку средний чек и другие |
| Клиенты | Если система некачественная, то может показывать нерелевантные товары и ухудшать опыт посетителей | Повышают лояльность пользователей — показывают товары, которые отвечают интересам и запросам, стимулируют делать повторные покупки |
| Рынок | Стоит дорого для малого бизнеса, который не может позволить покупку и обслуживание рекомендательной системы | Помогают получить конкурентное преимущество — покупатели охотней пользуются магазинами, на котором работают системы рекомендаций |
Когда пора внедрять систему рекомендаций
Систему рекомендаций стоит внедрять всем интернет-магазинам — такие алгоритмы стали привычной частью клиентского опыта, без которых уже сложно представить покупки в интернете. Три сигнала, которые подскажут, когда пора внедрять рекомендации:
- бизнес стабильно генерирует продажи и чистую прибыль, может работать над увеличением показателей;
- бизнес готов инвестировать в внедрение и запуск рекомендательной системы;
- в ассортименте магазина — несколько тысяч товаров, с которыми сложно ознакомиться без рекомендательной системы
Кейс: как с помощью внедрения рекомендаций увеличить выручку на 10%
Клиент Retail Rocket Group, ведущий мировой производитель посуды и аксессуаров для кухни Gipfel, успешно персонализировал интернет-магазин, чтобы обеспечить персональных подход к каждому покупателю и увеличить выручку.
Алгоритмы Retail Rocket охватили главную страницу, карточки товара, каталог, страницу 404, личный кабинет и другие страницы сайта Gipfel. Вот как выглядит один из блоков рекомендаций на главной странице ↓
Алгоритмы рекомендаций помогли Gipfel создать первое впечатление о магазине, познакомить посетителей с ассортиментом, предлагать персональные рекомендации и увеличить наполняемость чека за счет рекомендаций сопутствующих и похожих товаров. Все вместе это привело к увеличению выручки на 10%. Читать кейс → Как оптимизация CJM с помощью персональных рекомендаций позволяет увеличить выручку и средний чек: кейс Gipfel.
Чек-лист: готовы ли вы к внедрению рекомендательной системы
Проверить, готов ли интернет-магазин к внедрению рекомендательной системы, можно с помощью этого чек-листа ↓
- Есть онлайн-платформа, на которой будут работать рекомендации. Например, сайт или приложение с товарами или услугами.
- Есть товарная база и накопленные данные о поведении пользователей, чтобы запустить алгоритм рекомендаций.
- Бизнес готов тратить время и ресурсы для внедрения алгоритма рекомендаций. Например, есть команда, которая будет участвовать в интеграции рекомендательной системы в разные блоки сайта.
- Бизнес хочет работать над увеличением показателей. Например, увеличить продажи и удовлетворенность клиентов.
Авторы статьи
