Next basket рекомендации полезны как для пользователей, так и для компании.
Мы помогаем пользователям экономить время, избавляя их от необходимости длительного поиска товаров в каталоге. Например, если клиент регулярно покупает молоко определённого бренда, то система может предложить его сразу. Такие рекомендации помогут не забыть что-то важное: продукт, ради покупки которого пользователь зашел в приложение, но забыл положить его в корзину. Кроме того, однообразие в продуктах питания может надоедать, поэтому мы хотим рекомендовать что-то новое, но при этом подходящее вкусам пользователя.
Для компании такие рекомендации увеличивают средний чек за счет увеличения шансов добавления в корзину товаров, которые пользователь мог бы не купить без подсказки. И, конечно же, персонализация и улучшение опыта онлайн-покупок повышают лояльность клиентов, что в конечном итоге влияет на LTV.
Целью этой статьи был обзор подходов для NBR и их применимости в продуктовом ритейле. Мы стремились обобщить и систематизировать существующие подходы, чтобы показать аудитории лучшие модели в каждом из представленных подходов.
Если на маркетплейсе клиент приобрёл шкаф, то вряд ли он вскоре купит такой же. В то время как в супермаркете, если клиент всегда покупает один и то же хлеб, то, скорее всего, он снова купит его. Это связано с тем, что продукты питания - это товары повседневного спроса, и предпочтения здесь часто остаются стабильными. Поэтому подход PersonalTopFreq, несмотря на свою простоту, более чем релевантен в контексте продуктового ритейла. Однако, как мы указали в статье, существуют и более продвинутые способы рекомендаций. Лишь A/B нас рассудит.
Благодарю за ваш комментарий!
Next basket рекомендации полезны как для пользователей, так и для компании.
Мы помогаем пользователям экономить время, избавляя их от необходимости длительного поиска товаров в каталоге. Например, если клиент регулярно покупает молоко определённого бренда, то система может предложить его сразу. Такие рекомендации помогут не забыть что-то важное: продукт, ради покупки которого пользователь зашел в приложение, но забыл положить его в корзину. Кроме того, однообразие в продуктах питания может надоедать, поэтому мы хотим рекомендовать что-то новое, но при этом подходящее вкусам пользователя.
Для компании такие рекомендации увеличивают средний чек за счет увеличения шансов добавления в корзину товаров, которые пользователь мог бы не купить без подсказки. И, конечно же, персонализация и улучшение опыта онлайн-покупок повышают лояльность клиентов, что в конечном итоге влияет на LTV.
Целью этой статьи был обзор подходов для NBR и их применимости в продуктовом ритейле. Мы стремились обобщить и систематизировать существующие подходы, чтобы показать аудитории лучшие модели в каждом из представленных подходов.
Важно учитывать особенность продуктового ритейла - частую повторяемость покупок.
Если на маркетплейсе клиент приобрёл шкаф, то вряд ли он вскоре купит такой же. В то время как в супермаркете, если клиент всегда покупает один и то же хлеб, то, скорее всего, он снова купит его. Это связано с тем, что продукты питания - это товары повседневного спроса, и предпочтения здесь часто остаются стабильными. Поэтому подход PersonalTopFreq, несмотря на свою простоту, более чем релевантен в контексте продуктового ритейла. Однако, как мы указали в статье, существуют и более продвинутые способы рекомендаций. Лишь A/B нас рассудит.
Спасибо вам за идею! Сезонное колебание вкусов - интересный признак, который можно добавить в модель.