Yac/m 2014: как устроены товарные рекомендации

5 июня в Москве состоялась конференция Яндекса Yet Another Conference on Marketing 2014. В этом году ключевой темой мероприятия стала электронная торговля.

Виктор Ламбурт, отвечающий за разработку проектов направления медиасервисов, а также за рекомендательную систему Яндекса, рассказал, какие идеи лежат в основе рекомендательных алгоритмов и на какие данные эти алгоритмы опираются.

На российском рынке, на самом деле, не так много по-настоящему прибыльных e-commerce проектов. Когда об этом заходит речь, часто звучит такой факт, как слишком высокая стоимость привлечения клиентов. При этом с США стоимость привлечения клиента в три раза выше, чем в России, в категории электроника, которая в США стоит гораздо дешевле, чем в российских магазинах. Это значит, что американский покупатель, привлеченный в американский интернет-магазин тратит гораздо больше, чем российский покупатель. И значительную роль в этом играют товарные рекомендации.

Товарные рекомендации позволяют:

• увеличить средний чек,
• увеличить шансы на то, что у вас вообще что-то купят,
• вернуть покупателя, который уже что-то купил.

В конце 20013 года Amazon представил дронов, которые должны доставлять товары покупателям. Кроме того, тогда же Amazon получил патент на предварительную доставку товара пользователям, которые его еще не заказывали. Система будет анализировать поведение пользователя, его покупки и т.д. В будущем вполне может быть так, что человек захочет купить пакет молока, выйдет из дома, а на пороге его уже будет ждать дрон, который принес ему бутылку молока, а вместе с этим пакет французских круассанов. И человек купит их, хотя изначально не собирался этого делать. Но это будущее.

Сегодня первое, о чем все говорят – это секции «Сопутствующие товары». Человек приходит купить телефон, и это отличный повод продать ему также чехол и прочие аксессуары, которые может и не такие дорогие, как телефон, но более маржинальны, и таким образом увеличить средний чек. Или например, человек выбирает холодильник. Вполне возможно, что перед ним стоит задача обставить кухню, и поэтому можно предложить ему посудомоечную машину или электрическую плиту.

Если товаров в магазине не так много, эти секции могут устанавливаться вручную. Если товаров десятки тысяч, вручную это делать невозможно, и работу нужно автоматизировать. Это можно сделать двумя способами. Первое, можно сделать много разных правил – например, «к товарам из категории телефон предлагать товары из категории чехлы» и т.д. Второе, можно анализировать историю заказов, смотреть, что люди покупают в одной корзине. А еще лучше соединить эти подходы (как и делается в Яндекс.Маркете), что позволяет находить много разных зависимостей.

Товарные рекомендации можно использовать, чтобы подтолкнуть пользователя к покупке основного товара. Для этого нужно понять причину, почему он может что-то не купить – товар слишком дорогой, некрасивый, не тот бренд и т.д. , и дать пользователю выбор среди аналогичных, похожих товаров. Здесь анализировать историю заказов уже бессмысленно, т.к. люди не покупают аналоги в одной корзине. Можно смотреть на историю путешествий пользователя по сайту – анализировать, на какие страницы он заходил и что купил в итоге.Также не стоит забывать про персонализацию рекомендаций – по полу, возрасту и т.д. Зависимости можно обнаружить путем простого анализа. Однако когда мы говорим о большом количестве сегментов (по профессии, по брендам, по доходам и т.д.) тут уже простые статистические способы не работают, и на помощь приходит машинное обучение. Общая идея машинного обучения следующая: вы «засовываете» в этот алгоритм все данные, которые у вас есть (какие страницы пользователь просматривал, что он купил, персональную информацию, внешний контекст), и помимо этого показываете алгоритму, какие ситуации хороши. Алгоритм формирует связи и делает рекомендации. Сила этого алгоритма в том, что он может найти очень нетривиальные зависимости с помощью многочисленных данных, например, погода за окном влияет на то, что покупает человек.

Данные приходят из разных каналов. Планшеты, телефоны, компьютеры, куки – это понятно. А еще есть огромный пласт данных, которые находятся в офлайне. Первые данные можно получить путем принудительной регистрации для совершения заказа или входа через соцсеть. Из офлайна можно, например, подтянуть использование дисконтной программы. Есть еще один способ – например, человек идет по торговому центру, а в кармане у него смартфон с включенным wi-fi, и этот смартфон отправляет свой мак-адрес всем роутерам, которые есть вокруг. И можно настроить роутер так, что он будет сохранять этот мак-адрес. И когда человек следующий раз будет проходить мимо этого роутера, система распознает его. И может так получиться, что человек идет в торговый центр, и видит на рекламной панели тот товар, который он давно искал.

Также эту информацию можно использовать, чтобы поговорить с пользователями, которые у вас что-то купили, посредством email-рассылки. Однако предлагаемые товары не должны представлять собой случайную выборку, а подходить к товарам, которые недавно были куплены: газонокосилка в загородный дом, квадрокоптер для сына, у которого день рождения и т.д. Объяснения к рекомендациям, с одной стороны, повышают заинтересованность, а с другой – повышает лояльность пользователя к ним.

Аргументы, которыми вы сопровождаете рекомендаторы, очень важны. Хорошие продавцы для разных товаров составляют разные аргументы. Т.к. все люди представляют собой разные психотипы, можно составлять аргументы под каждый из них. Для определения психотипа психологи используют огромные анкеты, однако, последние исследования показывают, что психотип можно определить, используя поведение человека в интернете – какие запросы задаются, что пишет, с кем общается и т.д.

Что же делать с этим многообразием методов? Во-первых, обязательно использовать блок с сопутствующими товарами. Персональные рекомендации сделать намного сложнее, но если у вас позволяют масштабы бизнеса, можно сделать их самостоятельно. Если данных мало, то бессмысленно это делать самостоятельно или использовать готовые алгоритмы. В этом случае – единственная дорога – идти на маркетплейс. Что касается персональных аргументов, то это скорее вопрос будущего, т.к. готовых решений в этой области пока нет. Но здесь основные козыри у поисковиков и социальных сетей. Т.к. у них есть уникальный массив данных. Впрочем, кое-что можно сделать уже сейчас – если у вас есть рейтинг популярных товаров можете сделать для него несколько описаний по аналогии с тем, как вы делаете несколько лэндингов, и на каждое описание сделать свою рекламную кампанию со своими аргументами. Рекламные сети поймут, для какой аудитории какой тип аргументации подходит, и найдут ее сами.