Как стать автором
Обновить

Машинное обучение, big data и персонализация сайта: как eCommerce поднимает продажи при помощи технологий

Big Data *Интернет-маркетинг


Привет, Хабр! Меня зовут Андрей Тыщенко из компании Dynamic Yield. Наше направление работы — персонализация сайтов с целью повышения продаж и улучшения пользовательского опыта для компаний-партнеров. И именно поэтому сегодня хотелось бы поговорить о персонализации сайтов в eCommerce, инструментах персонализации и результатах, которые могут дать эти технологии.

Инструменты персонализации используют практически все компании, включая eCommerce, Ритейл, Финансовый сектор, Travel, IT-компании и мн.др. Отличные результаты дают индивидуальные предложения и рекомендации, которые уже давно внедрили те же Amazon, eBay, Netflix и множество других компаний. Под катом — интересные подробности об инструментах персонализации и парочка кейсов.

Высокие технологии и персонализация


Стоит отметить, что хотя крупные игроки из eCommerce и говорят о том, что используют машинное обучение, ИИ, нейросети и тому подобные технологии для целей персонализации, на самом деле это далеко не всегда так. Часто применяются относительно простые алгоритмы работы с данными, которые не являются ни нейросетью, ни машинным обучением — разве что совсем с натяжкой. В то же время, если эти технологии реально использовать, они позволяют получить неплохой прирост продаж/трафика. Однако нужно хорошо понимать, где и для чего какие инструменты можно применять.

Еще один интересный момент — в США и России компании идут примерно вровень в плане использования высоких технологий для персонализации. Одни из примеров наиболее популярных технологий — движки Deep Learning и Predictive Targeting.

Почему они популярны? Потому, что дают возможность быстро тестировать идеи, которые возникают на самом первом этапе персонализации, когда маркетологи и менеджеры по продукту выходят с гипотезами относительно UI/UX сайтов, маркетинговых кампаний или промоакций.

Суть подхода к построению персонализации — выявить тенденцию, построить гипотезу, быстро ее протестировать, а далее “всего лишь” быстро протестировать еще десятки вариантов реализации этой гипотезы и, в итоге, создать оптимальную стратегию коммуникации с тем или иным сегментов (или даже с “segment of one” — то есть стратегию коммуникаций в режиме 1:1 — по-своему с каждым отдельно взятым пользователем). Стратегии персонализации лучших игроков на это поле, таких, как Amazon, Netflix, Spotify и др., принимают во внимание не только явные действия пользователей, вроде кликов по товарам, добавлениям в корзину, покупок (или просмотров фильмов / прослушиванием музыкальных трэков) и т.п., но и принимают во внимание характеристики товаров (фильмов, треков и т.д..), паттерны поведения пользователя на сайте, сравнение всех пользователей на сайте и взаимодействие всех пользователей со всеми товарами и предсказание наиболее вероятного следующего действия пользователя. После того, как пользователь провзаимодействовал с сайтом достаточно долго (скажем, несколько минут), контент автоматически начинает подстраиваться под его предпочтения. При следующем визите клиента все страницы сайта, включая главную, персонализируются.

image

Персонализировать можно не только сайты, но и мобильные приложения. Пример — компания SimpleWine. Ей удалось:

  • Добиться комплексной персонализации мобильного приложения. Не только рекомендации, но и целые скрины приложения перестраиваются под пользователя и выглядят по-разному.
  • Облегчить выбор пользователю. Приложение помогает выбрать вино при помощи подсказок, навигации и рекомендаций — прямо как грамотный консультант в винотеке.
  • Обеспечить запуск любых изменений в приложении в реальном времени — то есть, не требуется ждать сборки нового релиза и выкладывания в каталог приложений.

В дальнейших планах — внедрение Deep Learning движок, который предугадывает предпочтения и интересы пользователей не по формальным признакам, а на основании сравнения данного пользователя со всеми другими пользователями и предсказания, какое еще вино заинтересует данного пользователя с наибольшей вероятностью на основании распознавания других пользователей с похожими вкусами и паттернов их поведения — примерно также, как подбираются для вас фильмы или музыкальные композиции в Netflix или Spotify.

Ну хорошо, а можно конкретнее о технологиях персонализации?


Их довольно много, но далеко не все эффективны. Технологии персонализации можно условно разделить на две группы, по времени работы с пользователем.

Взаимодействие с пользователем на сайте. Здесь важно учитывать интересы и предпочтения покупателя, помогая ему сделать хорошую покупку. Персонализация дает возможность в режиме реального времени настраивать внешний вид и функции сайта под потребности пользователя в соответствии с его поведением. Например, автоматически изменяется товарная выдача, и на ее формирование влияет интерес пользователя к разным товарам, категориям, брендам, ценовому диапазону и т.п. Сейчас системы анализа способны учитывать огромное количество факторов, относящихся к конкретному покупателю.

Коммуникация с пользователем после того, как он закрыл сайт интернет-магазина. Здесь вступают в ход рассылки, триггерные письма, sms, пуш-уведомления, мессенджеры и т.п. Конечно, важные условия — ненавязчивость, релевантность и своевременность коммуникации.

Что касается самих технологий, то чаще всего мы работаем с такими инструментами, как:

Движок предиктивного таргетинга (Predictive Targeting) на основе машинного обучения прогнозирует наилучшую комбинацию варианта коммуникации или контента и сегмента, для которого такая коммуникация сработает наилучшим образом, и предлагает применить оптимальный таргетинг для того или иного варианта коммуникации. Таким образом, движок информирует маркетологов или менеджеров по продукту в реальном времени, какой вариант коммуникации лучше показывать и для какого сегмента. Ручной анализ при этом не нужен, все работает в полностью автоматическом режиме. После того, как “предкишн” таргетинга выполнен, движок уведомляет маркетолога или “продакта”, давая возможность оперативно развернуть оптимальную настройку.

Получается такая комбинация человека, у которого есть изначальные (как правило, довольно простые) гипотезы, идеи, задачи, и машины, которая “проваливается” внутрь данных, в разрез всех возможных сегментов, “раскручивает” логику человека и выстраивает более “умную”, сложную и гранулярную персонализацию.

image

Движок сортировки (Ranking Engine). Помогает автоматически оптимизировать сортировку товаров на страницах продуктовых листингов, используя сложную модель глубокого самообучения (Deep Learning). Листинг товаров при этом формируется в реальном времени, персонально для каждого пользователя. В процессе формирования используются данные об интересах потенциального клиента, а также выполняется прогнозирование действия на основании сравнения с поведением других пользователей. Более того, в этом процессе используются также данные об остатке товара, маржинальности, промо-акциях и т.п.

Серверный API. Набор API-интерфейсов позволяет менеджерам по продуктам, разработчикам проводить эксперименты на стороне сервера с любыми устройствами, развивать рекомендации по продуктам, внедрять новые функции с учетом интересов клиентов. И все это подстраивается под каждого отдельного покупателя.

Омниканальность. Здесь речь о том, что каналов сбора данных для последующего анализа — множество. Это может быть колл-центр, касса, терминалы и другие устройства в офлайн-магазинах, мобильные устройства продавцов-консультантов (так называемый Clientelling), электронные меню в ресторанах, приложения для Smart TV или Apple TV, умные часы, умные колонки, умные очки и мн.др. К слову, при персонализации очень важно учитывать, с какого устройства пользователь будет выполнять те либо иные действия с витриной магазина или товарами.

Нужны кейсы? А вот они


Для того, чтобы продемонстрировать эффективность персонализации и привести примеры работы технологий, укажем несколько кейсов.

Крупнейший маркетплейс Казахстана Kaspi.kz

Это одна из крупнейших инновационных компаний страны, приложение которой очень популярно. С его помощью пользователи делают платежи и переводы, управляют личными финансами и совершают покупки онлайн с доставкой. Сегодня Kaspi.kz — самая крупная площадка электронной торговли в Казахстане с оборотом около $600 миллионов за 9 месяцев 2020 года и ростом +129% к прошлому году.

При помощи внедрения технологий персонализации эта компания вышла на показатель 19,4% продаж, приносимых рекомендациями, всего за три месяца. А это огромная сумма, если учесть вот эти факты:

  • Более 450 000 товаров на одной площадке.
  • Более 8 500 000 активных пользователей приложения в месяц.

Магазин «Перекресток»

Запущен онлайн-супермаркет в 2017 году. С тех пор компания очень сильно выросла. Ее выручка увеличилась до 2,09 млрд рублей, количество заказов превысило 590 тысяч, средний чек при этом составил 4026 рублей.

Компания решила внедрить технологию персонализации на своей сайт и не прогадала. Только стратегия товарных рекомендаций с похожими товарами на карточке товара показала прирост в конверсии +10,9% относительно контрольной группы, а в выручке +12,0% для десктопа.



Кроме этого, «Перекресток» добавила виджет с акционными товарами на карточке товара. Это удалось увеличить выручку на десктопе на 2,5%, а в мобильной версии — на 1%. Сегментация аудитории дополнительно привела к росту выручки у новых клиентов на 10%, а у текущих — на 5%.

Ну и виджет «Пустой поиск», который в случае неудачного поиска предлагает персонализированные товарные рекомендации, увеличила выручку с пользователя на 3,1%. Максимальный рост выручки с виджета пустого поиска составил 6,2%.

За всеми этими кейсами стоит система, основанная на машинном обучении, в том числе, алгоритмах Deep Learning, которая на основании данных о поведении и интересах пользователей, а также о свойствах товаров, подбирает для каждого пользователя товары, которые с наибольшей вероятностью актуальны для него в каждый момент работы с сайтом. Машинное обучение помогает проанализировать, к какому сегменту покупателей какие пользователи относятся, и предложить им наиболее интересное предложение и подобрать индивидуальную стратегию использования персональных рекомендаций.

В качестве вывода стоит сказать, что персонализация в ближайшие несколько лет проникнет во все отрасли бизнеса, включая крупных игроков в сфере ритейла, банков, и до мелких компаний. Машинное обучение, обработка данных дает возможность сделать персонализацию максимально эффективной. Но есть еще один важный нюанс, о котором нельзя забывать — это защита данных пользователей. Собираемые данные должны быть в безопасности — без этого персонализацию использовать нельзя.
Теги:
Хабы:
Всего голосов 10: ↑9 и ↓1 +8
Просмотры 2.6K
Комментарии Комментировать