ЧЕРЕЗ
60 сек.
ты получишь подарок
Дарим бонусы за отзывы!

Рекомендательные технологии

Товарные рекомендации — это набор виджетов с подборкой товаров, который размещается на сайте, в приложении или в e-mail с целью решения задач пользователей и маркетинга интернет-магазина. На сайте poryadok.ru/ используются рекомендательные технологии, разработанные ООО «Ритейл Рокет», 125315, г. Москва, вн.тер.г. Муниципальный Округ Аэропорт, пр-кт Ленинградский, д. 74А, помещ. VIII, КОМНАТА 17, телефон : +7 499 7023688, почта : [email protected]

1. Используемые данные

Существует два источника данных для рекомендаций - пользовательское поведение и товарная база магазина. Алгоритмы рекомендаций на сайте являются гибридными - в зависимости от ситуации они могут использовать как поведение, так и данные по товарам.

Данные собираются посредством размещения на сайте трекинг-кодов и/или вызовов методов API.

Полный перечень собираемой информации:

  • данные о посещении пользователем на сайте страниц, такие как время визита, url-адрес страниц и их числовых или строковых идентификаторов, при наличии;
  • информация о перемещении по страницам сайта (в т.ч. нажатий на ссылки и элементы сайта);
  • данные о взаимодействии пользователя на сайте с товарами, такие как просмотр, добавление в корзину, оформление заказа;
  • данные поисковых запросов пользователя на сайте;
  • IP адрес;
  • файлы cookies;
  • идентификатор пользователя, присваиваемый сайтом;
  • длительность пользовательской сессии;
  • точки входа (сторонние сайты, с которых пользователь по ссылке переходит на сайт);
  • браузер пользователя;
  • архитектура процессора устройства пользователя;
  • ОС пользователя;
  • параметры экрана (разрешение, глубина цветности, параметры размещения страницы на экране);
  • источник перехода (UTM метка);
  • значение UTM меток от source до content;
  • данные, содержащиеся в личном кабинете пользователя, зарегистрированного на сайте.

Наибольшим влиянием в поведении обладают события взаимодействия с товарами. Активно используются события просмотра карточки товара, добавления товара в корзину и заказа товара. Кроме того, могут быть использованы данные о взаимодействии пользователей с внутренней поисковой системой магазина и данные о взаимодействии с самой системой рекомендаций.

Данные о товарной базе магазина включают все предоставляемые магазином атрибуты товаров, в частности информацию о категориях, ценах, доступности. Эти данные могут быть использованы, если пользовательского поведения недостаточно для определения интересов к товарным атрибутам, фильтрации товаров и других задач.

2. Основные алгоритмы рекомендаций

2.1. Популярные товары

Рекомендации популярных товаров формируются на основе всех взаимодействий посетителей с интернет-магазином. Алгоритм стремится показывать товары, с которыми чаще всего взаимодействуют, в первую очередь покупают. Алгоритм показывает наиболее разнообразные товары, что помогает лучше познакомиться с товарной базой магазина и облегчает процесс выбора.

2.2. Популярные товары из интересных пользователю категорий

Вариант сценария «Популярные товары», где пользователю показываются товары только из тех категорий, которые интересны ему в долгосрочной перспективе. Например, после покупки памперсов или корма к этим категориям может сформироваться долгосрочный интерес, который будет учитываться при формировании рекомендаций. А вот после приобретения смартфона у человека не сформируется интерес к категории, так как вряд ли ему скоро понадобится второй. Однако к такому товару можно показать рекомендации из сопутствующих категорий: например, чехлы, защитные стекла и другие аксессуары.

2.3. Персональные рекомендации товаров

В этом сценарии анализируется поведение пользователя и показываются товары, которые наиболее интересны ему в контексте текущей задачи. Если у человека пока нет истории просмотра, ему можно показать популярные товары. Если пользователь проявлял интерес к определенным товарам, алгоритм подбирает альтернативные предложения и таким образом поможет ему найти наиболее подходящий и приблизит к покупке. Если же пользователь уже что-то заказывал, то алгоритм предложит ему сопутствующие товары.

2.4. Персональные рекомендации на основе прошлых заказов

Алгоритм рекомендует пользователю товары, которые он уже покупал. Учитывается давность и частота покупок.

2.5. Новинки

Алгоритм показывает товары, отсортированные по дате поступления - от самых новых до тех, что давно в продаже. Алгоритм обеспечивает разнообразие товаров и таким образом помогает познакомиться с ассортиментом, упрощает навигацию.

2.6. Альтернативные товары

Алгоритм показывает товары, похожие на текущий товар. Подборка формируется на основе описаний и свойств товаров, а также на основе поведения других пользователей, которые интересовались этим же товаром: что они еще изучают и покупают. Поэтому алгоритм может предложить не всегда схожий по описанию, но действительно подходящий товар.

2.7. Сопутствующие товары

Алгоритм показывает товары, которые дополняют текущие товары в заказе. Например, при покупке надувного бассейна можно сразу порекомендовать средство для его чистки. Когда недостаточно данных по поведению пользователей (актуально для редко покупаемых и новых товаров), предлагаются товары, которые могут быть куплены совместно с учетом их свойств, принадлежности к категории и популярности.

2.8. Аксессуары

Разновидность алгоритма «Сопутствующие товары». Подбирает к текущему товару дополнительные аксессуары.

2.9. Поисковые рекомендации

В этом сценарии рекомендуются товары, которые лучше всего подходят под поисковый запрос пользователя. При их формировании алгоритм опирается на поведение пользователей, которые уже искали что-то подобное. Если таких товаров недостаточно, добавляются альтернативы к ним.

3. Модификации алгоритмов рекомендаций

Товарная выдача многих алгоритмов может быть ограничена только товарами определенной категории, брендом, товарами со скидкой и по другим признакам.

Может быть добавлена персонализация, учитывающая интерес пользователя к свойствам товаров. Анализируется поведение пользователей - их интерес к определенным параметрам товаров: размер, цвет, вес и т.д.

Существуют версии алгоритмов, которые ограничивают влияние на товарную выдачу очень популярных товаров. Данные версии необходимы для некоторых магазинов, например, с продуктами питания.