Systemy rekomendacji produktów mają za zadanie dążyć do zwiększania wartości klienta i jego koszyka, poprzez trafne podpowiadanie produktów, które odpowiadają
dla indywidualnych potrzeb użytkowników.
Jak działają rekomendacje?
źródło: www.flickr.com
Wszystko zaczyna się od zbierania i gromadzenia danych, niezbędnych do stworzenia np. rekomendacji w sklepie, typu „osoby, które kupiły produkt A kupiły również…”. Taki typ rekomendacji wyświetla się danemu użytkownikowi obok aktualnie przeglądanej pozycji i podpowiada mu co może jeszcze kupić. Do przygotowania rekomendacji można wykorzystać wiele różnych metod, które przekładają się na bardzo różne efekty biznesowe.
Na efektywność rekomendacji wpływ ma wiele czynników, z pewnością istotnym aspektem jest dobry algorytm i doświadczenie zespołu tworzącego cały silnik rekomendacji. Ważnym elementem wpływającym na efektywności działań rekomendacji jest zakres różnych danych, które wykorzystywane są do budowy rekomendacji oraz szybkie i umiejętne ich przetworzenie w celu wydobycia ukrytej w nich wiedzy o preferencji użytkownika. Nie bez znaczenia pozostaje również kontekst w sklepie internetowym, w którym wyświetlane są rekomendacje produktów. Algorytmy rekomendacji można podzielić na dwa rodzaje. Pierwsze oparte na wzajemnych podobieństwach pomiędzy użytkownikami (ang. User Based), drugie starają się odnaleźć podobieństwa pomiędzy produktami (ang. Item Based).
Najprostszymi algorytmami typu Item Based są tzw. Serach-Based Methods oraz Content-Based Methods. Wyszukują one podobne pozycje po różnych cechach produktów np. filmy tego samego reżysera. Metody te są niezwykle skuteczne jeżeli chcemy pokazywać użytkownikom wąską kategorię produktów, jednakże takie metody nie pozwalają na pokazanie użytkownikowi innych produktów – np. innych autorów, innej kategorii – które tematyką mogą rozwinąć zainteresowanie użytkowników, jeśli mamy o nim mało informacji. Wyobraźmy sobie sytuację, w której konsument pojawia się po raz pierwszy w naszej e-księgarni, nie posiada żadnej historii zakupów i ogląda książkę „The Mist” Stephena Kinga. Dzięki tym algorytmom możemy wtedy polecić mu inne książki tego autora. Jeżeli jednak myślimy o budowie pełnego systemu rekomendacji, to takie rozwiązania są mało efektywne. Dlaczego?
Otóż jeśli użytkownik naszej strony posiada rozległą historię zakupów, to jesteśmy zmuszeni do wyszukania wszystkich książek jednego z kilkudziesięciu autorów. W efekcie dostaniemy długą listę produktów, która wraz ze wzrostem historii użytkownika, staje się coraz bardziej ogólna. Dodatkowo zmuszamy użytkownika do żmudnego przeszukania całej listy w poszukiwaniu najwłaściwszej dla niego pozycji, co wpływa negatywnie na jego zadowolenie i tym samym zmniejsza szanse na dokonanie zakupu. W konsekwencji nadal pozostaje problem: jakie produkty w pierwszej kolejności zaprezentować użytkownikowi, tak aby przygotowana przez system rekomendacji oferta odpowiadała jego potrzebom, co przy dużym katalogu produktów i dużej bazie użytkowników czyni to rozwiązanie mało praktycznym.
Przy tworzeniu systemów rekomendacyjnych możemy również skorzystać z rozwiązań typu User Based, jak np. Collaborative Filtering. Algorytm ten pozwala wyszukać użytkowników o podobnych preferencjach zakupowych. Odbywa się to poprzez sprawdzenie zakresu podobieństwa między rozpatrywanym użytkownikiem, a każdym innym znajdującym się w systemie. Z grupy wybranych użytkowników eliminujemy pozycje, które użytkownik – dla którego generujemy rekomendacje – już zakupił, ocenił, obejrzał, etc.. Powstaje nam wtedy zbiór pozycji, z którym mieli styczność użytkownicy najbardziej podobni do aktualnie rozważanego. Tak powstały zbiór jest listą rekomendacji, które możemy przedstawiać na stronie internetowej.
Najlepsza metoda rekomendacji
Czym należy się kierować przy wyborze algorytmów rekomendacji, aby były skuteczne? Oczywiście wszystkie nasze działania powinny być adekwatne do ilości użytkowników e-sklepu i wiedzy o nich. Jeśli posiadamy niewielką ilość danych o preferencjach naszych konsumentów to możemy wykorzystać Serach-Based Methods oraz Content-Based Methods. Jednak metody te nie będą efektywne przy bardzo dużej liczbie użytkowników. Wtedy musimy sięgnąć po złożone algorytmy Item-to-Item Collaborative Filtering, z których np. korzysta prekursor skutecznych personalizowanych rekomendacji – Amazon.com. Metoda ta wykorzystuje zarówno informacje o produktach jak i zebrane dane o zachowaniach użytkowników ze sklepu www. Podobne podejście w konstrukcji algorytmu rekomendacji wykorzystuje Quartic, inteligentny system personalizowanych rekomendacji, który automatycznie gromadzi i analizuje dane o zachowaniach klientów na stronie e-sklepu oraz dodatkowo na bieżąco uczy się ich preferencji. Dzięki temu sprzedawca precyzyjnie poznaje preferencje zakupowe swoich konsumentów.
Bazując na tak dostępnych informacjach możemy w pełni usatysfakcjonować klientów, co przełoży się na większy współczynnik konwersji i wzrost sprzedaży. Jeśli właścicielowi uda się zainteresować klienta trafnym produktem, uzyskanym dzięki jakościowym rekomendacjom, to istnieje duże prawdopodobieństwo, że ten wróci do e-sklepu po kolejne. Systemy personalizowanej rekomendacji sprzyjają nie tylko wzrostowi sprzedaży ale również budowaniu lojalności e-klientów.
O popularności zakupów w sieci niezaprzeczalnie świadczą ostatnie analizy comScore,
z których wynika, że Amerykanie w okresie przedświątecznym zostawili w sklepach internetowych 43,4 miliardy dolarów. To o 4,4 miliarda więcej niż rok wcześniej. W Polsce trend e-zakupów stopniowo się umacnia i w 2010 roku polski e-handel był wart 15,5 miliarda złotych – wynika z badań Stowarzyszenia Marketingu Bezpośredniego. Tak więc pole do popisu dla systemów rekomendacji staje się coraz większe i ich wyniki będą miały coraz większy wpływ na decyzje podejmowane przez klientów w sklepach online.