Рекомендательные системы: различия между версиями

Материал из marketing-wiki.ru
Перейти к навигации Перейти к поиску
Maxim.uvarov (обсуждение | вклад)
(Новая страница: «==Определение, назначение== ==Представленные на рынке рекомендательные системы== # [[Retailroc…»)
 
Rch (обсуждение | вклад)
Метка: visualeditor
 
(не показаны 4 промежуточные версии этого же участника)
Строка 1: Строка 1:
==Определение, назначение==
+
==Определение==
   
  +
Рекомендательная система — вид программы, которая на основе информации о профиле пользователя строит прогнозы относительно того, что ему будет интересно, и выводит на экране объекты, соответствующие этому критерию.
   
==Представленные на рынке рекомендательные системы==
+
[[Файл:recommendations.png|border|590x590px]]
   
# [[Retailrocket.ru]]
+
====== Пример блока с рекомендованными товарами в каталоге интернет-магазина. Персонализированные товарные рекомендации рассчитаны рекомендательной системой  на основе предпочтений конкретного посетителя: в данном случае по типу и цвету товара. ======
  +
 
  +
== Области применения ==
  +
Рекомендательные системы широко применяются в электронной торговле, а также на сайтах, производящих или публикующих контент. При этом рекомендательные системы служат разным целям.
  +
* '''Рекомендательные системы в электронной торговле''' выполняют задачи по увеличению процента конверсии, среднего чека покупки (upsale), а также увеличению количества товаров в корзине (перекрестные продажи, cross-sale). Кроме того, назначение рекомендательной системы в электронной торговле — сократить время поиска подходящих товаров посетителем.
  +
 
  +
* '''Рекомендательные системы на сайтах контент-проектов''' призваны увеличивать время пребывания посетителя на сайте, глубину просмотра и вовлеченность.
  +
[[Файл:ozon.png|border|617x617px]]
  +
 
  +
====== Разные виды блоков рекомендованных товаров на сайте Ozon.ru ======
  +
[[Файл:lentaru.png|border]]
  +
 
  +
'''Блок с рекомендованным материалом на новостном сайте Lenta.ru'''
  +
 
  +
== Принципы работы ==
  +
Рекомендательные системы используют данные о пользователях, чтобы динамически менять часть контента на сайте под каждого конкретного посетителя. Каждый посетитель видит контент (статьи, товары, музыку и т.д.), который в наибольшей степени соответствует его потребностям и интересам. Как правило, персонализируется не весь сайт, а только отдельные его блоки.
  +
 
  +
Существует два основных подхода к построению рекомендательных систем, в зависимости от которых меняются и принципы их работы:
  +
 
  +
'''Рекомендации на основе больших данных.''' В качестве основания для рекомендации используется знание о поведении множества других пользователей, а также данного пользователя в прошлом. Рекомендательная система находит закономерности в поведении и строит рекомендации конкретному пользователю на их основе. Пример логики работы таких рекомендаций: «посетитель интернет-магазина положил в корзину товар N → большинство других посетителей вместе с товаров N также приобрели товары M, N и Y → текущему посетителю будет предложено также купить товары M, N и Y».
  +
 
  +
Недостатком такого подхода является проблема «холодного старта» — при недостатке данных о прошлом поведении текущего пользователя или данных о поведении других пользователей, система не может порекомендовать что-то текущему пользователю.
  +
 
  +
'''Рекомендации по принципу прогрессивной персонализации.''' Рекомендательная система используют данные профиля пользователя: это может быть демографическая информация, семейный статус, наличие детей, питомцев, недвижимости и другой собственности, лояльность к определенным брендам, уровень дохода и т.д.
  +
 
  +
Эти данные могут как запрашиваться у пользователя напрямую (например, путем анкетирования), так и автоматически — путем анализа его поведения рекомендательной системой.
  +
 
  +
== Специфика рекомендательных систем в электронной торговле ==
  +
Наиболее популярные сценарии товарных рекомендаций, используемые в электронной торговле:
  +
* Популярные товары — наиболее подходящие товары для данного клиента среди популярных на вашем сайте товаров.
  +
* Возможно, вам это понравится — наиболее интересные данному клиенту товары среди всего ассортимента магазина.
  +
* Прямо сейчас покупают — наиболее подходящие для данного клиента среди товаров, купленных за последние 10 минут.
  +
* Вы смотрели эти товары — последние просмотренные клиентом товары на сайте. Обычно блок размещается под выдачей товаров в категории, на каждой странице выдачи.
  +
* С этим товаром покупают — наиболее подходящие товары для данного клиента среди товаров, которые покупают вместе с данным товаром.
  +
* Похожие товары — персонализированная подборка из товаров в наличии в этой же категории, с отличием от -5% до +15% по цене.
  +
* Посмотрите также — наиболее интересные пользователю товары среди тех, которые помещали в корзину вместе с данными товарами в корзине.
  +
 
  +
Наиболее популярные места на сайте, где размещаются блоки товарных рекомендаций:
  +
* Рекомендованные товары на главной странице.
  +
* Персонализированные популярные товары внутри категории.
  +
* Персонализированные сопутствующие товары.
  +
* Рекомендованные товары в корзине.
  +
* Сквозные рекомендации (выводятся на второстепенных страницах сайта).
  +
* Рекомендованные товары внутри email-рассылки.
  +
Как правило, сайты электронной коммерции либо пользуются рекомендательными системами собственной разработки, либо готовыми решениями, представленными на рынке.
  +
 
  +
Последние в своем большинстве подходят для интернет-магазинов только частично — в основном потому, что игнорируют специфику продаж товаров в определенной отрасли. Например, типовой сценарий товарных рекомендаций не подходит для магазинов одежды — так как в последнем на покупку влияют такие индивидуальные особенности каждого посетителя, как размеры, пол и предпочтения по бренду.
  +
 
  +
Рекомендательные системы, которые учитывают отраслевую специфику при расчете товарных рекомендаций, называются рекомендательными системами с нишевыми решениями.
  +
 
  +
== Примеры рекомендательных систем ==
  +
На рынке представлены готовые решения как для контентных сайтов, так и для интернет-магазинов:
  +
* [[Relap.io]] — рекомендательная система, популярная среди контентных сайтов.
  +
* [[REES46]] — рекомендательная система для интернет-магазинов с нишевыми решениями для разных товарных сегментов. Также включает в себя полный набор инструментов для маркетинга интернет-магазина.

Текущая версия на 09:47, 26 января 2017

Определение[править]

Рекомендательная система — вид программы, которая на основе информации о профиле пользователя строит прогнозы относительно того, что ему будет интересно, и выводит на экране объекты, соответствующие этому критерию.

Ошибка создания миниатюры: Файл не найден
Пример блока с рекомендованными товарами в каталоге интернет-магазина. Персонализированные товарные рекомендации рассчитаны рекомендательной системой  на основе предпочтений конкретного посетителя: в данном случае по типу и цвету товара.[править]

Области применения[править]

Рекомендательные системы широко применяются в электронной торговле, а также на сайтах, производящих или публикующих контент. При этом рекомендательные системы служат разным целям.

  • Рекомендательные системы в электронной торговле выполняют задачи по увеличению процента конверсии, среднего чека покупки (upsale), а также увеличению количества товаров в корзине (перекрестные продажи, cross-sale). Кроме того, назначение рекомендательной системы в электронной торговле — сократить время поиска подходящих товаров посетителем.
  • Рекомендательные системы на сайтах контент-проектов призваны увеличивать время пребывания посетителя на сайте, глубину просмотра и вовлеченность.
Ошибка создания миниатюры: Файл не найден
Разные виды блоков рекомендованных товаров на сайте Ozon.ru[править]

Блок с рекомендованным материалом на новостном сайте Lenta.ru

Принципы работы[править]

Рекомендательные системы используют данные о пользователях, чтобы динамически менять часть контента на сайте под каждого конкретного посетителя. Каждый посетитель видит контент (статьи, товары, музыку и т.д.), который в наибольшей степени соответствует его потребностям и интересам. Как правило, персонализируется не весь сайт, а только отдельные его блоки.

Существует два основных подхода к построению рекомендательных систем, в зависимости от которых меняются и принципы их работы:

Рекомендации на основе больших данных. В качестве основания для рекомендации используется знание о поведении множества других пользователей, а также данного пользователя в прошлом. Рекомендательная система находит закономерности в поведении и строит рекомендации конкретному пользователю на их основе. Пример логики работы таких рекомендаций: «посетитель интернет-магазина положил в корзину товар N → большинство других посетителей вместе с товаров N также приобрели товары M, N и Y → текущему посетителю будет предложено также купить товары M, N и Y».

Недостатком такого подхода является проблема «холодного старта» — при недостатке данных о прошлом поведении текущего пользователя или данных о поведении других пользователей, система не может порекомендовать что-то текущему пользователю.

Рекомендации по принципу прогрессивной персонализации. Рекомендательная система используют данные профиля пользователя: это может быть демографическая информация, семейный статус, наличие детей, питомцев, недвижимости и другой собственности, лояльность к определенным брендам, уровень дохода и т.д.

Эти данные могут как запрашиваться у пользователя напрямую (например, путем анкетирования), так и автоматически — путем анализа его поведения рекомендательной системой.

Специфика рекомендательных систем в электронной торговле[править]

Наиболее популярные сценарии товарных рекомендаций, используемые в электронной торговле:

  • Популярные товары — наиболее подходящие товары для данного клиента среди популярных на вашем сайте товаров.
  • Возможно, вам это понравится — наиболее интересные данному клиенту товары среди всего ассортимента магазина.
  • Прямо сейчас покупают — наиболее подходящие для данного клиента среди товаров, купленных за последние 10 минут.
  • Вы смотрели эти товары — последние просмотренные клиентом товары на сайте. Обычно блок размещается под выдачей товаров в категории, на каждой странице выдачи.
  • С этим товаром покупают — наиболее подходящие товары для данного клиента среди товаров, которые покупают вместе с данным товаром.
  • Похожие товары — персонализированная подборка из товаров в наличии в этой же категории, с отличием от -5% до +15% по цене.
  • Посмотрите также — наиболее интересные пользователю товары среди тех, которые помещали в корзину вместе с данными товарами в корзине.

Наиболее популярные места на сайте, где размещаются блоки товарных рекомендаций:

  • Рекомендованные товары на главной странице.
  • Персонализированные популярные товары внутри категории.
  • Персонализированные сопутствующие товары.
  • Рекомендованные товары в корзине.
  • Сквозные рекомендации (выводятся на второстепенных страницах сайта).
  • Рекомендованные товары внутри email-рассылки.

Как правило, сайты электронной коммерции либо пользуются рекомендательными системами собственной разработки, либо готовыми решениями, представленными на рынке.

Последние в своем большинстве подходят для интернет-магазинов только частично — в основном потому, что игнорируют специфику продаж товаров в определенной отрасли. Например, типовой сценарий товарных рекомендаций не подходит для магазинов одежды — так как в последнем на покупку влияют такие индивидуальные особенности каждого посетителя, как размеры, пол и предпочтения по бренду.

Рекомендательные системы, которые учитывают отраслевую специфику при расчете товарных рекомендаций, называются рекомендательными системами с нишевыми решениями.

Примеры рекомендательных систем[править]

На рынке представлены готовые решения как для контентных сайтов, так и для интернет-магазинов:

  • Relap.io — рекомендательная система, популярная среди контентных сайтов.
  • REES46 — рекомендательная система для интернет-магазинов с нишевыми решениями для разных товарных сегментов. Также включает в себя полный набор инструментов для маркетинга интернет-магазина.