Personalizacja sklepu internetowego z machine learning

Autor:
Paulina Jóźwik
Opublikowany:
18.3.2021
G

łówną rolą personalizacji w sklepie internetowym w 2021 roku jest wzrost sprzedaży i ulepszenie doświadczenia użytkownika (UX). Sprawdza się również jako doskonały sposób na zaangażowanie niezdecydowanych klientów, zmniejszenie liczby porzuconych koszyków zakupowych czy też zwiększenie liczby transakcji wśród odwiedzających sklep po raz pierwszy. Słowem - nowoczesny sklep to spersonalizowany sklep.

Personalizacja vs customizacja

Na samym początku należy rozróżnić dwa terminy: personalization i customization. W języku polskim spotykamy się z tłumaczeniem personalizacja obu tych pojęć, pomimo iż podstawa ich działania tych rozwiązań zupełnie inna.

Customization - użytkownik ma możliwość samodzielnego wyboru opcji, które zostały zaprojektowane tak, aby zapewnić bardziej osobiste doświadczenie zakupowe. Przykładowo, użytkownik który pierwszy raz wchodzi na stronę sklepu może zostać zapytany o to, jaka kategoria produktów go interesuje po to, aby dostosowywać ofertę do jego preferencji.

Personalization - o tym jakie treści lub oferty są wyświetlane na stronie decyduje system. Dobór komunikatu jest dokonywany automatycznie na podstawie historii zachowania użytkownika. Jest to możliwe dzięki technologii sztucznej inteligencji (AI) i uczeniu maszynowemu (ML), która wraz ze zebranymi informacjami na temat preferencji zakupowych z poprzednich sesji jest w stanie dobrać spersonalizowaną treść w czasie rzeczywistym.

W tym artykule skupimy się na tym drugim rozwiązaniu, czyli personalizacji AI/ML.

Personalizacja witryn e-commerce w real-time

Coraz więcej sklepów internetowych przykłada większą uwagę do budowy dobrego doświadczenia użytkownika (UX) na stronie internetowej. Odpowiednio skrojona pod klienta oferta to szybka droga do sfinalizowania transakcji, dlatego dobrze jest zadbać o to, aby ścieżka zakupowa była spersonalizowana na każdym jej etapie.

Personalizacja e-commerce to właśnie proces dostarczenia unikatowego doświadczenia w sklepie internetowym dzięki dynamicznym treściom, rekomendacjom produktowym i specjalnym ofertom generowanym na podstawie zachowania, historii zakupów i innych danych, o których mowa poniżej.

Według badania przeprowadzonego przez Bloomreach, sklepy internetowe odnotowują około 20% wzrostu sprzedaży po wprowadzeniu spersonalizowanych treści. Z kolei aż 80% klientów jest bardziej skłonnych do dokonania zakupów w sklepie internetowym, w której pojawia się jakaś forma personalizacji, a 77% konsumentów poleciłoby markę, która dostarcza spersonalizowane doświadczenie zakupowe.

Jest to również sposób na zatrzymanie klientów na dłużej - wg tego samego badania aż 44% konsumentów deklaruje, że po zakupach w sklepie, gdzie zastosowano personalizację, jest bardziej prawdopodobne, że staną się stałymi klientami.

Jak technologia AI/ML wspiera personalizację sklepu online

Wprowadzenie personalizacji opartej na technologii AI/ML może wydawać się skomplikowanym procesem, który wymaga zaangażowania osób technicznych i inwestycji dużych kosztów. Można by pomyśleć, że to opcja zarezerwowana tylko dla największych sklepów internetowych. Nic bardziej mylnego! Na rynku pojawiają się skuteczne i proste w instalacji rozwiązania dostępne dla każdego sklepu o równie zaawansowanej możliwości personalizacji zakupów online.

Jeżeli zastanawiasz się, jak to jest możliwe, że gdy kobieta w wieku 45 lat odwiedza sklep z odzieżą otrzymuje inną treść i ofertę na stronie głównej niż 25-letni mężczyzna odwiedzający ten sam sklep? To właśnie personalizacja w czasie rzeczywistym jest za to odpowiedzialna.

To możliwe dzięki informacjom zbieranym przez pliki cookies. Dzięki ciasteczkom zawartość stron internetowych jest dostosowana do preferencji użytkownika i jego indywidualnych potrzeb.

Ważne! Pliki cookies wykorzystywane do personalizacji nie zbierają danych osobowych. Dane analizowane przez system AI nie umożliwiają identyfikacji użytkowników.

W celu tworzenia spersonalizowanych treści, zebrane dane warto od razu segmentować przykładowo na takie kategorie jak:

  • Dane demograficzne (wiek, płeć, edukacja itp.),
  • Zainteresowania,
  • Zachowanie użytkownika na różnych kanałach (strony internetowe, urządzenia mobilne, media społecznościowe, e-mail i inne),
  • Historia przeglądanych wcześniej stron w sklepie,
  • Historia zakupów w sklepie,
  • Geolokalizacja (państwo, miejscowość, województwo)
  • Czas (godzina, dzień tygodnia, dzień miesiąca, pora roku).

Dzięki odpowiedniej segmentacji oferty na stronie sklepu mogą być skrojone pod konkretnego użytkownika nawet w zależności od pory dnia!

Spersonalizowane treści na stronie sklepu informujące na przykład o aktualnej promocji lub wyprzedaży, mogą pojawiać się w różnych formach. Najbardziej popularne formaty to: banery, okienka pop-up, treści inline, ankiety/formularze, infobary.

O czym nie należy jednak zapominać tworząc treści to kontekst użytkownika, do którego je kierujemy. Warto zatem zadać sobie następujące pytania:

  • Z jakiego miejsca użytkownik pojawia się na Twojej stronie? Z kampanii reklamowej? Z mediów społecznościowych? Z newslettera? Czy może bezpośrednio z wyszukiwarki?
  • Czy był wcześniej na naszej stronie? Jeśli tak - z jaką częstotliwością do Ciebie wraca i co kupuje? Może raz w miesiącu kupuje nowe soczewki 30-dniowe? Albo regularnie robi zakupy spożywcze online w pierwszym tygodniu miesiąca? Przywitaj go skrojoną pod niego ofertą.
  • Kim jest ten użytkownik? Tutaj posłużą Ci wcześniej posegmentowane dane na temat demografii, zainteresowań czy geolokalizacji, o których była mowa wyżej.
  • Jak dużo czasu spędza na Twojej stronie? W jakie produkty i kategorie najchętniej klika? Zarekomenduj mu przedmioty, które odpowiadają jego preferencjom i upodobaniom.

Znając okoliczności pojawienia się potencjalnego lub stałego klienta na stronie Twojego sklepu, dużo łatwiej będzie Ci stworzyć spersonalizowany content, który system AI dobierze do konkretnego użytkownika i wyświetli mu w odpowiednim miejscu i czasie.

System rekomendacji produktowej

Jedną z najskuteczniejszych i najprostszych do integracji ze sklepem internetowym form personalizacji jest silnik rekomendacji zakupowych. Algorytm AI/ML filtruje dane w taki sposób, aby konkretnemu użytkownikowi pojawił się spersonalizowany zestaw przedmiotów, który z dużym prawdopodobieństwem wzbudzi jego zainteresowanie.

Skąd system to wie? Silnik rekomendacji AI zbiera dane za pomocą plików cookies, o których była mowa wcześniej w artykule. Na podstawie tych informacji jest w stanie wygenerować użytkownikowi zestaw spersonalizowanych rekomendacji zakupowych.

rekomendacje ecommerce
Metoda filtrowania Collaborative Filtering

Produkty i piosenki - jak to robią najwięksi?

Z zalet spersonalizowanych rekomendacji zakupowych od lat korzystają największe sklepy internetowe, tworząc własne zaawansowane silniki. Szczególnie wyróżnia się tutaj Amazon, którego aż 35% przychodów pochodzi właśnie z rekomendacji.

Sukces tkwi w tym, że algorytm rekomendacji Amazona generuje wiele różnych modeli wykorzystywanych w zależności od tego, jaki użytkownik pojawi się na danej stronie. Modele rekomendacji, takie jak na przykład “Inni kupili”, korzystają ze strategii up-sellingowej i mają w sklepie Amazona zastosowanie na stronie koszyka. Z kolei modele takie jak “Podobne” lub “Ostatnio przeglądane” pozytywnie wpływają na zaangażowanie klientów sklepu na stronie produktów. Więcej o typach rekomendacji piszemy w poniżej.

Silnik rekomendacji stosowany jest nie tylko w e-commerce’ie. Szczególnie wyróżniającym się na tle innych podobnych rozwiązań może pochwalić się serwis streamingowy Spotify. Użytkownikom tej platformy muzycznej proponowani są  artyści oraz utwory, które odpowiadają ich gustowi muzycznemu. Wysoką trafność rekomendacji Spotify zawdzięcza kompleksowemu podejściu, które łączy trzy rodzaje filtrowania treści:

  • Model Collaborative Filtering - analizuje zachowanie oraz preferencje danego użytkownika i porównuje je z innymi.
  • Model przetwarzania języka naturalnego (NLP) - odpowiedzialny jest za analizowanie tekstów piosenek, opisów artystów i gatunków.
  • Model audio - potrafi analizować ścieżki audio w poszukiwaniu podobieństw w bicie, szybkości oraz wykorzystanych instrumentach. Jest to podobna technologia do tej, która jest używana w narzędziach do rozpoznawania twarzy.

System rekomendacji Spotify przynosi imponujące wyniki i może stać się inspiracją dla innych branż, na przykład e-commerce. W ciągu pięciu lat od uruchomienia silnika słuchacze przesłuchali ponad 2,3 miliarda godzin muzyki z automatycznie generowanych cotygodniowo playlist Discover Weekly.

Jakie korzyści przynoszą rekomendacje produktowe?

Technologia AI/ML rozwija się w zawrotnym tempie, w związku z czym na rynku jest dostępnych coraz więcej rozwiązań zewnętrznych, których integracja nie wymaga specjalistycznej wiedzy technicznej z obszaru Big Science. Coraz więcej sklepów decyduje się na wprowadzenie tej formy personalizacji w swoim sklepie, mogąc liczyć na następujące korzyści:

  • Wzrost sprzedaży o 5-10%
  • Redukcja Bounce Rate
  • Wzrost współczynnika CTR
  • Zmniejszenie liczby porzuconych koszyków
  • Wzrost zaufania wśród klientów
  • Łatwiejsza nawigacja po sklepie
  • Poprawa UX
  • Odzyskiwanie konwersji na stronach niedostępnych produktów
  • Większe zaangażowanie klientów

Jakie są rodzaje rekomendacji?

Na co dzień spotykamy się z różnymi rodzajami rekomendacji zakupowych w sklepach internetowych.

Najbardziej popularne oparte są na:

  • metodzie filtrowania treści  - system porównuje opisy dwóch produktów, następnie szuka podobieństwa i generuje propozycje z kategorii “Podobne”;
  • historii przeglądania - silnik tworzy zestawienie przedmiotów kategorii “Ostatnio oglądane”.  

Modeli rekomendacji jest jednak znacznie więcej i ich wybór zależy od lokalizacji na stronie sklepu. Silnik rekomendacji Recostream proponuje aż 8 modeli, które skutecznie dobierają produkty do preferencji klienta bez problemu tzw. zimnego startu. Innymi słowy - rekomendacje pojawiają się od momentu włączenia silnika na stronie sklepu.

1. AI-Driven Maximized Conversion (Maksymalizacja konwersji przez AI)

Wyświetla rekomendacje o potencjalnie największym prawdopodobieństwie konwersji dla danego produktu i klienta. Model ten automatycznie optymalizuje się na podstawie rzeczywistego ruchu i zachowania klientów.

Korzysta przy tym z metod statystycznych i maszynowego uczenia oraz dzięki tzw. samplingu dobiera unikalne rekomendacje.

2. Most Viewed in Category (Najczęściej oglądane)

Wyświetla najczęściej przeglądane produkty należące do tej samej kategorii, do której należy produkt, na stronie którego wyświetlamy tę rekomendację.

Algorytm generuje rekomendacje na podstawie informacji na temat historii sesji użytkowników.

rekomendacje ecommerce
Rekomendacje produktów oglądanych przez klientów o podobnych preferencjach

3. Bestsellers in Category (Najczęściej kupowane z danej kategorii)

Wyświetla najczęściej dodawane do koszyka produkty należące do tej samej kategorii, do której należy produkt, na stronie którego wyświetlamy tę rekomendację.

Algorytm generuje rekomendacje na podstawie informacji na temat historii sesji użytkowników i ich zakupów.

4. Bestsellers in Store (Najczęściej kupowane w sklepie)

Wyświetla najczęściej dodawane do koszyka produkty spośród wszystkich produktów w sklepie. Rekomendacje są dobierane automatycznie przez algorytm, który w czasie rzeczywistym zbiera informacje na temat tego, który produkt jest aktualnie najczęściej dodawanym do koszyka w całym sklepie.

rekomendacje ecommerce
Rekomendacje produktów najczęściej kupowanych w sklepie

5. Most Similar in Category (Podobne w danej kategorii)

Wyświetla produkty podobne do produktu, na stronie którego wyświetlamy tę rekomendację. Podobieństwo jest wyznaczane przez porównywanie opisów, nazw i innych cech produktów za pomocą specjalnych algorytmów.

6. Recently Visited in Store (Ostatnio oglądane)

Ta rekomendacja wyświetla się tylko użytkownikom, którzy odwiedzali już wcześniej dany sklep. Prezentowane są produkty, które oglądali podczas jednej z poprzednich wizyt.

rekomendacje ecommerce
Rekomendacje produktów oglądanych podczas ostatniej sesji

7. Others Also Viewed in Store (Inni oglądali)

Wyświetla produkty, które inni użytkownicy przeglądali podczas jednej sesji razem z produktem, na stronie którego wyświetlamy tę rekomendację. Model ten opiera się na statystycznej analizie historii przeglądania produktów w sklepie.

8. Rule-Driven Recommendations (Rekomendacje definiowane regułami)

Wyświetla produkty wybrane przez właściciela sklepu. Osoba administrująca sklep internetowy ma możliwość samemu wskazać, które produkty będą wyświetlane w danym momencie i w danym miejscu na stronie sklepu. Takie rozwiązanie jest szczególnie chętnie wykorzystywane podczas specjalnych promocji.

Gdzie umieścić rekomendacje?

Na podstawie wdrożeń w sklepach internetowych, obserwujemy, że najbardziej korzystne miejsca dla rekomendacji na stronie sklepu internetowego to (w kolejności od najbardziej dochodowych):

Podsumujmy

Personalizacja oparta na technologii AI/ML to rozwiązanie, z którego coraz powszechnie korzysta wiele branż. Dla świata e-commerce to prosty sposób na to, aby zwiększyć zaufanie klientów, ich zaangażowanie oraz poprawić doświadczenie użytkownika (UX). Wprowadzenie różnych form personalizacji treści wpływa pozytywnie również na wzrost konwersji, sprzedaży oraz współczynnika CTR.

Form personalizacji jest wiele, jednak ta najbardziej dostępna i coraz chętniej wykorzystywana przez sklepy internetowe to system spersonalizowanych rekomendacji AI/ML. Łatwość integracji z każdą platformą e-commerce bez konieczności posiadania wiedzy technicznej, możliwość dostosowania wyglądu oraz duża swoboda w wyborze sposobu wyświetlania spersonalizowanych propozycji zakupów to główne powody, dla których warto wypróbować tę formę personalizacji swojego e-sklepu.

Autorka: Zuzanna Pajorska, Marketing Manager w Recostream

Podobne wpisy

Zobacz wszystko
News
6.9.2021

Piszemy o budowaniu doświadczenia zakupowego dla magazynu Clue

Jak świadomie budować doświadczenia zakupowe klientów w e-sklepie? Na to pytanie odpowiada nasza specjalistka — Katarzyna Sokół-Borek — w świeżym numerze magazynu Clue Grupy Domodi.
Kultura
20.7.2021

Jak pracujemy w dziale UX Design?

Przeczytaj, jak wygląda praca w zespole projektowym Strix, z jakimi wyzwaniami mierzą się na co dzień nasi UX i UI designerzy i co najbardziej lubią w swojej pracy.
Kultura
11.7.2021

Piknik Rodzinny 2021

Chillout na leżakach, niekończące się rozmowy przy grillu i dawno niewidziane uśmiechy – tak było na naszym ostatnim rodzinnym pikniku!
E-commerce
1.3.2021

Czy 2021 to rok systemu PIM na rynku e-commerce?

Pandemia wywarła ogromny wpływ na tempo zmian w e-commerce. Przystosowanie się przedsiębiorstw do nowych warunków jest koniecznością, aby pozostać w konkurencyjnym środowisku. Jak może w tym pomóc system PIM?
News
5.2.2021

Darmowy webinar o machine learning w e-commerce

Już 13 stycznia 2021 odbędzie się bezpłatny webinar w ramach cyklu spotkań Commerce Space Online. Razem z firmą Recostream opowiemy o machine learning w e-commerce.

Pracujmy razem

Jeśli chcesz przenieść sprzedaż do świata online, szukasz nowych pomysłów na strategię lub innowacyjnych technologii e-commerce - napisz do nas! Chętnie porozmawiamy o najlepszych rozwiązaniach dla Twojego biznesu.

kontakt