fbpx

Как рекомендательные сервисы помогают бизнесу зарабатывать больше

БЛОГ КОМПАНИИ ЛАНИТ ОМНИ

Модели машинного обучения мощно набирают обороты в бизнес-среде. Они справляются с большинством рутинных задач и помогают компаниям экономить. Алгоритм уже умеет распознавать образы на изображениях, переводить с одного языка на другой или играть в шахматы. Бизнес заинтересован в ML-решениях, которые обеспечивают высокое качество и скорость.

В статье расскажем о рекомендательных сервисах, которые также работают на базе ML. Рекомендательный сервис — алгоритм, который изучает поведение клиентов, кластеризирует их и предлагает те товары или услуги, которые клиент купит с наибольшей вероятностью. Модель понимает не только “что” предложить клиенту, но и “когда” и “где”. Например, если постоянный клиент негативно реагирует на e-mail рассылки, то рекомендацию через них он точно не получит.

Портерт клиента

Цифровой профиль клиента, в котором отражаются его характеристики:

  • базовые (пол, возраст, семейное положение);
  • специальные (хобби, увлечения).

Чем больше сведений о клиенте мы знаем, тем точнее будут рекомендации.

Например, в популярной столичной сети городских ресторанов сервис персональных рекомендаций RightWay от ЛАНИТ Омни показал первые результаты сразу после внедрения. Количество брошенных корзин при онлайн-заказе снизилось на 9,2%, количество товаров в чеке выросло на 6,2%, а каждый пятый клиент выбирает товары из ленты рекомендаций.

Сервис учитывает социально-демографические характеристики (пол, возраст, регион и подобные), а также поведенческие (всегда покупает корм для собак мелких пород или только те продукты, на которых пометка bio). С такой задачей не всегда справится маркетолог, а алгоритм сделает быстро и качественно. Из статьи вы узнаете, как научить алгоритм разбираться в тонкостях вашего бизнеса и с его помощью повысить конверсию.

Оставьте свой email и получайте интересные статьи, кейсы и новости RightWay
Подпишитесь на рассылку:


Спасибо, что подписались
на рассылку от omnichannel.ru

Наш Дайджест выходит ежемесячно. В нем вы найдёте новые статьи и кейсы из нашего Блога, Новости компании, а так же обновления платформы RightWay и планы его развития.
Команда ЛАНИТ Омни

Логика рекомендательных систем

У рекомендательных систем три метода работы с данными. Коротко о каждом из них.

1. Коллаборативный

Алгоритм прогнозирует пользовательские предпочтения на основе интересов похожих пользователей. Система рекомендует пользователю те товары, которыми интересовались похожие на него по ключевым признакам люди, а он сам — ещё нет. Пример: Марина и Мария любят роллы с авокадо и роллы с огурцом. В заказ они всегда добавляют соус унаги: с ним эти роллы, по их мнению, вкуснее. Анна тоже любит роллы с авокадо и огурцом, но о соусе пока не знает. Базовые предпочтения совпадают, это значит, что Анна с большой долей вероятности попробует новый соус, если его предложить.

2. Контент-ориентированный

Алгоритм сопоставляет пользователя с теми продуктами, которые ему нравились или были куплены. Для каждого предмета и пользователя создаётся «профиль» с признаками, и на их основе система подбирает рекомендации. Пример: Антон зарегистрировался на популярной стриминговой площадке и посмотрел три сериала, а потом ещё четыре фильма. Позже на главном экране у Антона появятся фильмы и сериалы, которые его интересуют. Система собирает данные о пользователе и даёт рекомендации по признакам. В случае Антона — жанр, актёры, режиссёры, страна производства, дата выхода и подобные.

3. Гибридный

Алгоритм работает на стыке контент-ориентированного и коллаборативного. Пользователь получает максимально точные рекомендации — товары похожи на те, что он уже смотрел, и при этом их уже покупали похожие пользователи.

Возможности рекомендательных систем

Рекомендательные системы помогают не только подобрать товар, который подойдёт клиенту, но и определить канал и время коммуникации. Клиент получает персональные предложения в нужном месте и в нужное время. При внедрении сервиса персональных рекомендаций RightWay в ведущую сеть хозяйственных магазинов Сибири покупка дополнительных товаров увеличилась на 19%, а средний чек вырос на 14%.

Вот 10 ML-моделей, которые помогают бизнесу выстраивать персональную коммуникацию с клиентом:

  1. Модель рекомендаций товаров, которые наиболее вероятно купят вместе с данным товаром.
  2. Модель рекомендаций товаров для конкретного клиента.
  3. Модель рекомендаций категорий товаров для конкретного клиента.
  4. Модель оттока клиентов.
  5. Модель кластеризации клиентов.
  6. Модель прогнозирования лояльности к маркетинговым коммуникациям.
  7. Модель прогнозирования продаж товара.
  8. Модель прогнозирования товарной категории.
  9. Модель выбора канала коммуникаций с клиентом.
  10. Модель выбора времени канала коммуникаций с клиентом.

Где применяются рекомендации

Рекомендации — мощный маркетинговый инструмент, и применить его можно практически везде, в том числе в оффлайне. Основные каналы применения.

Главная страница сайта

Главная страница — лицо сайта. Пользователь с большей вероятностью не покинет сайт, если увидит товары, которые ему нужны. При создании рекомендаций для главной страницы модель ориентируется на краткосрочные интересы пользователя и тренды. Формирование ленты или блока рекомендаций происходит автоматически.

Карточка категории

Рекомендовать в категории — отличный способ продажи. Пользователь уже заинтересован в определённой группе товаров, а рекомендация конкретного товара поможет определиться с выбором.

Карточка товара

Когда клиент изучает карточку товара, то он почти определился с выбором. Важно, чтобы рекомендации не мешали, а дополняли и помогали. В карточке товара лучше всего размещать дополнительные товары (например, соус к картошке или чехол к смартфону) или альтернативные товары, которые модель подбирает персонально.

Рассылки

Рассылки — мощный инструмент для продажи, а персональные предложения в них мотивируют клиента к покупке. Алгоритм позволяет понять, когда и каким образом рассылка с рекомендациями сработает эффективнее.

Уведомления

Пуш в мобильном приложении или поп-ап на сайте — эффективные способы показать персональные предложения. В поп-апе можно рассказать о дополнительных товарах, а также собрать персональную подборку.

Пуш уведомления — короткие всплывающие сообщения, которые привлекают внимание пользователя и мотивируют его зайти в приложение или на сайт. Пуши напоминают о брошенной корзине, сообщают об акциях, событиях или новых товарах.

Это лишь часть вариантов применения рекомендательных алгоритмов. Внедрение модели возможно даже в кассовый модуль, где после авторизации карты лояльности клиента у кассира появляются подсказки с персональными предложениями.

Выводы

В статье мы кратко рассказали о персональных рекомендациях и возможностях их применения в бизнесе. Большинство исследований и наш практический опыт демонстрируют, персональные рекомендации — эффективный способ повысить конверсию и средний чек, а также сделать клиентов более лояльными к бренду.

Если вы хотите построить систему умного маркетинга для своего бизнеса, напишите нам. Эксперты ЛАНИТ Омни узнают о ваших маркетинговых задачах, проведут консультацию и подберут эффективное решение для вашего бизнеса.

Источник – RETAILER

Заказать персональную демонстрацию
ПРОГРАММЫ ЛОЯЛЬНОСТИ

Нажимая на кнопку, вы даёте согласие на обработку персональных данных и принимаете нашу политику конфиденциальности.