in

Внедрение рекомендательной системы в электронной коммерции.

Вы когда-нибудь задумывались, как Spotify показывает вам список похожих песен, которые вам понравились и которые вы слушали в цикле, или как Netflix отображает шоу и фильмы того же жанра

Которые вы смотрели? Вы когда-нибудь задумывались, какая логика формирует списки “Подобрано для вас” или “Часто покупаем вместе”?

Знаете ли вы, чтоt Amazon получает около 35% своего дохода от электронной коммерции за счет рекомендаций продуктов, в то время как Netflix получает 75% своего дохода за счет рекомендаций продуктов? Это приносит Netflix доход более 1 миллиарда долларов в год.

Благодаря алгоритму рекомендаций Spotify “Discover Weekly” его пользователи прослушали более 2,3 миллиарда часов музыки!

Эти списки или опции представляют собой рекомендации, которые выдаются рекомендательными системами, специально разработанными этими организациями для понимания своих пользователей, их предпочтений и прошлых взаимодействий с системами, использующими возможности искусственного интеллекта / ML.

Рекомендательные системы и потребительский спрос

Системы рекомендаций изменили способ взаимодействия людей со многими веб-сайтами и сервисами. Механизм recs может помочь вам и вашей команде повысить вовлеченность, удержание и рост ваших клиентов, предоставляя им услуги или продукты, которые они желают, на основе истории их покупок.

изображение

С изменением рыночных тенденций на платформах электронной коммерции / розничной торговли появилось несколько ключевых тенденций: сокращение числа посещений магазинов, повышение качества обслуживания клиентов и улучшение персонализации.

Таким образом, в этом цифровом мире потребительский спрос постоянно меняется. Потребители всегда ожидают улучшения при каждом взаимодействии с цифровой платформой. И пользователю часто бывает трудно выбрать один из множества доступных вариантов, проверяя каждый из них – будь то фильмы в онлайн-кинотеатре, потребительские товары в интернет-магазине или любой другой контент. Пользователь может испытывать информационную перегрузку, если сервис содержит большое количество материалов. Одним из решений этой проблемы является использование целевых рекомендаций.

Например, функция “Рекомендации Genius” в iTunes и функция “Часто покупаемые вместе” на Amazon дают удивительные рекомендации, похожие на те, которые нам уже нравятся.

Весь процесс рекомендации этой системы состоит из трех основных шагов:

  1. Сбор информации о пользователях
  2. Алгоритм обработки данных
  3. Предложение по рекомендации

Чтобы предлагать контент, который может заинтересовать пользователей, механизм рекомендаций NYT (по Нью-Йоркскому времени RS) использует усовершенствованную стратегию гибридной фильтрации. Он включает алгоритм моделирования контента, который сравнивает два документа на основе их тематического веса. Другими словами, система получает тему этой конкретной статьи.

Отдельные тематические исследования также демонстрируют эффективность динамических рекомендаций по продуктам. EyeBuyDirect.com количество переходов по электронной почте увеличилось на 175%, а конверсия – на 30%, в то время как в Lux Fix конверсия электронной почты увеличилась на 85,7%.

Подчеркивание эффективности механизма Recs в бизнес-модели электронной коммерции:

Персонализация RS увеличивает CTR. У клиентов, которые нажимают на рекомендации товаров, коэффициент конверсии в 5,5 раз выше, чем у тех, кто этого не делает.

RS может помочь предприятиям увеличить среднюю стоимость заказа, рекомендуя сопутствующие товары, которые могут повысить эффективность конкретного продукта.

Соотношение посетителей к покупателям может увеличиться, потому что при отображении персонализированных рекомендаций CTR увеличивается в 2 раза, если отображаются неперсонифицированные предложения.

Вместе с преимуществами RS возникает изрядная доля проблем:

Проблема холодного запуска – RS сильно зависит от пользовательских данных; однако у этого также есть своя обратная сторона, особенно когда клиент либо новый, либо у него очень мало доступных данных, либо в каталог добавлен новый товар. Механизм recs здесь не понимает, каковы вкусы нового пользователя или каковы оценки / обзоры недавно добавленного продукта, что может привести к менее точным результатам.

Проблемы конфиденциальности: Поскольку рекомендательные системы собирают и используют персональные данные для создания персонализированных сервисов, существует риск нарушения законов о конфиденциальности пользователей и защите данных. Предприятия должны обеспечить прозрачность в отношении данных, которые они собирают, и того, как они их используют, и при необходимости получать согласие пользователя.

Качество данных: Системы рекомендаций в значительной степени зависят от данных, и качество данных может существенно повлиять на точность и эффективность рекомендаций. Данные низкого качества, такие как неполные или неточные пользовательские данные, могут привести к неуместным или даже неверным рекомендациям.

Точно так же, как у каждой монеты есть две стороны, у RS есть свои плюсы и минусы. Однако, если они построены на основе надлежащего исследования, плюсы вытеснят минусы. От Netflix до Amazon рекомендательные системы есть повсюду, они тихо работают за кулисами, чтобы сделать нашу жизнь лучше. Поскольку эти движки постоянно развиваются и совершенствуются, мы можем ожидать увидеть в будущем еще более удивительные и персонализированные возможности, и кто знает? Возможно, однажды мы оглянемся назад и удивимся, как мы вообще обходились без них.

What do you think?

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

GIPHY App Key not set. Please check settings