Elektroninės komercijos rekomendacijų sistemos

Kaip interneto parduotuvės žino, ko jums reikia

Turbūt pastebėjote – užeinat į bet kurią didesnę interneto parduotuvę, ir ji jums siūlo prekes, kurios keistai tiksliai atitinka jūsų pomėgius. Kartais net šiek tiek bauginančiai tiksliai. Tai nėra magija ar telepatija, o gerai suprogramuotos rekomendacijų sistemos darbas. Šios technologijos tapo tokia natūralia elektroninės komercijos dalimi, kad daugelis vartotojų net nebepagalvoja, kaip tai veikia.

Rekomendacijų sistemos – tai algoritmai ir programinė įranga, kurie analizuoja jūsų elgesį internete ir bando atspėti, kas jums galėtų patikti. Jie stebi, ką žiūrite, ką perkate, kiek laiko praleidžiate ties konkrečia preke, net kaip judinate pelę. Visa ši informacija sumuojama, apdorojama ir paverčiama asmeniniais pasiūlymais.

Tokios sistemos šiandien yra pagrindinis pardavimų variklis daugeliui e-komercijos milžinų. Amazon teigia, kad apie 35% jų pardavimų generuoja būtent rekomendacijų sistema. Netflix sako, kad 80% žiūrimo turinio vartotojai randa per rekomendacijas. Skaičiai įspūdingi, bet kaip tai iš tikrųjų veikia?

Trijų rūšių rekomendacijos ir jų veikimo principai

Rekomendacijų sistemos dirba trimis pagrindiniais būdais, ir dažniausiai naudoja visų trijų kombinaciją.

Kolaboratyvinis filtravimas – tai metodas, kuris veikia pagal principą „žmonės, kurie pirko tai, ką ir tu, taip pat pirko štai ką”. Sistema ieško panašių į jus vartotojų ir žiūri, kas jiems patiko. Jei dešimt žmonių nusipirko tokį patį fotoaparatą kaip ir jūs, o devyni iš jų vėliau įsigijo tam tikrą objektyvą, sistema pasiūlys tą objektyvą ir jums.

Šis metodas turi du potipius. Vartotojų pagrįstas filtravimas ieško panašių vartotojų, o prekių pagrįstas – panašių prekių. Antruoju atveju sistema sako: „Šis produktas dažnai perkamas kartu su tuo produktu”. Matėte Amazon’e „Frequently bought together”? Tai būtent prekių pagrįstas kolaboratyvinis filtravimas.

Turinio pagrįstos rekomendacijos analizuoja pačių prekių savybes. Jei perkate daug mėlynų marškinėlių iš medvilnės, sistema pasiūlys daugiau mėlynų medvilninių drabužių. Čia svarbu, kad produktai būtų gerai aprašyti – su visomis savybėmis, kategorijomis, žymomis. Sistema tiesiog sutapatina jūsų pomėgių charakteristikas su prekių charakteristikomis.

Hibridiniai metodai sujungia abu ankstesnius būdus ir dar prideda papildomų duomenų sluoksnių. Demografinė informacija, sezoniniai veiksniai, populiarumas, kainų diapazonai – visa tai gali būti įtraukta į sprendimų priėmimo procesą.

Duomenys, duomenys ir dar kartą duomenys

Kad rekomendacijų sistema veiktų, jai reikia milžiniškų duomenų kiekių. Kiekvienas jūsų veiksmas interneto parduotuvėje užrašomas ir saugomas.

Pirma, tai aiškūs duomenys – ką perkate, ką įdedate į krepšelį, ką įtraukiate į norų sąrašą, kokius įvertinimus paliekate. Tai konkretūs veiksmai, kurie aiškiai rodo jūsų nuomonę.

Antra, neaiškūs duomenys – kiek laiko praleidote žiūrėdami konkretų produktą, kokius filtrus naudojote, kokias paieškos užklausas įvedėte, kokiu keliu naršėte per svetainę. Jei penkias minutes žiūrėjote į bėgimo batus, bet jų nenusipirkote, sistema vis tiek užregistravo jūsų susidomėjimą.

Trečia, kontekstiniai duomenys – kokiu įrenginiu naršote, kokiu paros metu, iš kokios geografinės vietos, kokia savaitės diena. Pasirodo, žmonės kitaip perka pirmadienio rytą ir penktadienio vakarą.

Visa ši informacija keliauja į duomenų bazes, kur specialūs algoritmai ją apdoroja. Čia prasideda tikroji magija – mašininio mokymosi algoritmai ieško šablonų, kurių žmogus niekada nepastebėtų. Jie gali atrasti, kad žmonės, perkantys tam tikrą knygų žanrą, taip pat linkę pirkti konkrečios spalvos puodelius. Ar tai logiškai susiję? Ne. Bet jei statistika rodo koreliaciją, sistema ja pasinaudos.

Mašininis mokymasis ir dirbtinis intelektas rekomendacijose

Ankstyvosios rekomendacijų sistemos buvo gana primityvios – jos veikė pagal paprastus „jei-tai-tada” taisykles. Šiuolaikinės sistemos naudoja pažangius mašininio mokymosi algoritmus, kurie nuolat tobulėja.

Neuroniniai tinklai šiandien yra labai populiarūs rekomendacijų sistemose. Jie gali apdoroti sudėtingas, daugiasluoksnes priklausomybes tarp vartotojų ir produktų. Pavyzdžiui, gilus mokymasis (deep learning) gali analizuoti ne tik tai, kad jums patinka sportiniai bateliai, bet ir tai, kad jūs linkę juos pirkti tam tikru sezonu, tam tikroje kainų kategorijoje, ir tik tuomet, kai jie turi tam tikrą dizaino elementą.

Stiprinimo mokymasis (reinforcement learning) leidžia sistemai mokytis iš savo klaidų. Sistema eksperimentuoja – siūlo skirtingas rekomendacijas skirtingiems vartotojams ir stebi, kas veikia geriau. Jei tam tikras rekomendacijų tipas generuoja daugiau paspaudimų ar pirkimų, sistema pradeda jį naudoti dažniau.

Įdomu tai, kad sistemos turi išspręsti vadinamąjį „exploration vs exploitation” dilemą. Ar siūlyti tai, kas, kaip žinoma, veikia (exploitation), ar bandyti kažką naujo, kas galbūt veiks dar geriau (exploration)? Per daug konservatyvi sistema niekada nesuras naujų galimybių, o per daug eksperimentuojanti – erzins vartotojus netinkamomis rekomendacijomis.

Kodėl kartais rekomendacijos būna visiškai netinkamos

Nors technologija pažangi, ji toli gražu ne tobula. Yra keletas klasikinių problemų, su kuriomis susiduria visos rekomendacijų sistemos.

Šaltojo starto problema – kai vartotojas naujas arba produktas naujas, sistemai trūksta duomenų. Kaip rekomenduoti ką nors žmogui, kuris tik užsiregistravo? Paprastai tokiais atvejais rodomos populiariausios prekės arba užduodami klausimai apie pomėgius.

Filtro burbulas – sistema taip gerai pažįsta jūsų pomėgius, kad rodo tik panašius dalykus. Jei perkate tik fantastinę literatūrą, galbūt niekada nepamatysite puikios istorinės knygos, kuri jums galėtų patikti. Sistema jus „įkalina” jūsų pačių praeityje.

Vienkartiniai pirkimai – nusipirkote vestuvinę suknelę? Sistema dar mėnesį siūlys jums vestuvines sukneles, nors akivaizdu, kad tai buvo vienkartinis pirkimas. Algoritmai ne visada supranta kontekstą.

Bendrinami įrenginiai – jei namuose vienu kompiuteriu naudojasi visa šeima, rekomendacijos tampa chaotiškos. Sistema mato, kad tas pats „vartotojas” perka ir vaikų žaislus, ir vyriškus skutimosi peiliukus, ir moteriškus batus.

Praktiniai patarimai parduotuvėms, norinčioms įdiegti rekomendacijas

Jei turite elektroninę parduotuvę ir norite įdiegti rekomendacijų sistemą, štai keletas praktinių patarimų.

Pradėkite nuo paprastų taisyklių pagrįstų sistemų. Nebūtina iš karto kurti sudėtingą dirbtinio intelekto sistemą. Paprastos rekomendacijos „kiti pirko” arba „panašūs produktai” jau gali žymiai padidinti pardavimus. Tokias sistemas galima įdiegti naudojant gatavus sprendimus kaip Clerk.io, Nosto ar Barilliance.

Surinkite pakankamai duomenų prieš pradėdami. Rekomendacijų sistemai reikia bent kelių tūkstančių produktų peržiūrų ir šimtų pirkimų, kad ji pradėtų veikti efektyviai. Jei jūsų parduotuvė maža, galbūt verta pradėti nuo paprastesnių sprendimų.

Testuokite skirtingas rekomendacijų vietas. Produkto puslapyje, krepšelyje, pagrindiniame puslapyje, el. laiškuose – kiekviena vieta gali turėti skirtingą efektyvumą. A/B testavimu išsiaiškinkite, kas veikia jūsų auditorijai.

Nepersistenkite su rekomendacijomis. Jei kiekviename puslapio kampe šviečia „rekomenduojame jums”, tai tampa triukšmu. Geriau turėti vieną gerai veikiančią rekomendacijų sekciją nei penkias prastai veikiančias.

Stebėkite metrikas. Svarbu matuoti ne tik tai, ar žmonės spaudžia rekomendacijas, bet ir tai, ar jie perka. Click-through rate (CTR) ir conversion rate – pagrindinės metrikos. Taip pat žiūrėkite average order value – geros rekomendacijos turėtų jį didinti.

Privatumas ir etika rekomendacijų sistemose

Kuo daugiau duomenų renka sistemos, tuo daugiau kyla klausimų apie privatumą. GDPR Europoje ir panašūs įstatymai kitur verčia įmones būti atidžias, kaip jos naudoja vartotojų duomenis.

Vartotojai turi teisę žinoti, kokie jų duomenys renkami ir kaip jie naudojami. Daugelis šiuolaikinių parduotuvių leidžia išjungti personalizuotas rekomendacijas arba ištrinti surinktus duomenis. Tai ne tik teisinis reikalavimas, bet ir pasitikėjimo klausimas.

Yra ir etinių dilėmų. Ar teisinga naudoti psichologinius trigerius, kad žmonės pirktų daugiau nei planuoja? Ar rekomendacijų sistemos neturėtų turėti tam tikrų apribojimų, ypač kai kalbama apie jautrias kategorijas – alkoholį, azartinius žaidimus, skolinimąsi?

Kai kurios įmonės jau pradeda kurti „atsakingas rekomendacijų sistemas”, kurios ne tik maksimizuoja pelną, bet ir atsižvelgia į vartotojo gerovę. Pavyzdžiui, Netflix eksperimentuoja su funkcijomis, kurios primena, kad laikas eiti miegoti, vietoj to, kad be galo siūlytų dar vieną seriją.

Ateities perspektyvos ir naujos technologijos

Rekomendacijų sistemos nuolat evoliucionuoja. Keletas įdomių krypčių, kurios formuoja ateitį.

Vaizdo ir garso analizė – sistemos pradeda analizuoti ne tik tekstinius duomenis, bet ir vaizdus. Jei jums patinka tam tikro stiliaus drabužiai, sistema gali atpažinti šį stilių nuotraukose ir siūlyti panašius. Pinterest jau naudoja tokią technologiją su savo „Lens” funkcija.

Kontekstinės rekomendacijos realiuoju laiku – sistema žino, kad jūs dabar oro uoste, ir siūlo kelionių aksesuarus. Arba mato, kad lauke pradėjo lyti, ir siūlo skėčius. Tokios sistemos reikalauja integracijos su išoriniais duomenų šaltiniais.

Balso asistentu pagrįstos rekomendacijos – kai pirkimas vyksta per Alexa ar Google Assistant, rekomendacijos turi būti pateikiamos kitaip. Negalite parodyti dešimties variantų – turite pasiūlyti vieną ar du geriausius.

Blockchain ir decentralizuotos rekomendacijos – kai kurie startuoliai eksperimentuoja su idėja, kad vartotojai patys valdytų savo duomenis ir gautų atlygį už jų dalijimąsi su rekomendacijų sistemomis.

Kai technologija tarnauja žmonėms, o ne atvirkščiai

Grįžtant prie esmės – rekomendacijų sistemos yra įrankis. Jos gali būti naudojamos gerai, padedant žmonėms atrasti tai, ko jie iš tikrųjų ieško, arba blogai, manipuliuojant jais dėl trumpalaikio pelno.

Geriausios rekomendacijų sistemos yra tos, kurių vartotojai net nepastebi. Jos tiesiog veikia – rodo tinkamus dalykus tinkamu laiku. Jos sutaupo jūsų laiką, padeda atrasti naujų dalykų ir daro apsipirkimą malonesniu.

Jei kuriate tokią sistemą, atminkite, kad už kiekvieno duomenų taško yra gyvas žmogus su savo poreikiais, biudžetu ir laiku. Jūsų tikslas turėtų būti ne išspausti iš jo kuo daugiau pinigų, o padėti jam rasti tai, kas jam tikrai reikalinga. Ilgalaikėje perspektyvoje būtent toks požiūris atneša geriausius rezultatus – ir pardavėjui, ir pirkėjui.

Technologija tobulėja, algoritmai darosi protingesni, bet pagrindinis principas lieka tas pats: suprasti žmogų ir padėti jam. Kai tai daroma gerai, visi laimi.