Создаем умный интернет магазин на Spree Commerce

Как машинное обучение может помочь улучшить пользовательский опыт, увеличить конверсию и продажи в интернет магазине.  Что было бы, если бы вы могли понять поведение вашего клиента на основе его прошлых покупок и закономерностей просмотра интернет магазина? Что было бы, если бы ваш сайт мог предсказать, какие товары клиент может потенциально купить?

Мы наверняка знаем, что если вы предлагаете клиенту нужный контент, в нужное время, то эти два фактора максимально смогут приблизить клиента к клику по кнопке “Добавить в корзину” и совершить покупку.

Amazon.com и Netflix работают над вопросом машинного обучения в электронной коммерции уже не один год. Они внесли большой вклад в развитие такого направления как предсказательная аналитика в электронной коммерции, это одно из самых востребованных направлений в машинном обучении и пожалуй самое полезное для электронной коммерции.

Каждый клиент/посетитель интернет магазина уникален, все посетители имеют разный статус, привычки и прочее. Алгоритмы машинного обучения постоянно адаптируются к уникальному поведению каждого клиента, чтобы обеспечить соответствующие, персональные рекомендации товаров. Такой индивидуальный подход улучшает пользовательский опыт каждого клиента. Позволяет улучшать результаты в случаях up-selling (продажа аналогичного товара, с большим набором характеристик, но дорожже) и cross-selling (приобретение дополнительных, сопутсвующих товаров и услуг), все улучшения четко фиксировались в увеличении суммы среднего чека в интернет магазине.

Сможет ли помочь машинное обучение моему сайту?

Будьте уверены, даже если ваша компания не входит в список Fortune 500, вы однозначно получите преимущества перед конкурентами используя машинное обучение. Для оценки инвестиций в машинное обучение вам нужно учитывать количестов товаров, с которым работает ваш магазин, объем посетителей, желательно в достаточно большом периоде наблюдения. В идеале каждый продукт должен быть оценен рейтингом или продан по меньшей мере 10 раз. Машинное обучение показывает обычно наилучшие результаты на сайтах которые имеют несколько сотен товарных позиций и различия между товарами не существенны.

Один из основных вопросов при решении инвестировать или нет в машинное обучение это: посетители могут легко найти товары, которые они хотят приобрести или им нужно помощь в поиске товаров?

Cheese.com один из сайтов, который смог извлечь большую пользу из машинного обучения, реализовав рекомендационный движок. Они предлагают огромный выбор сыров, более чем 700 разновидностей сыра со всего мира. Представьте себя в роли посетителя такого магазина, вы не являетесь экспертом и гурманом, вы не знаете разницу между двойным глочестером или двойным ворчестером. Что уж говорить о простых смертных, когда не все знатоки предмета могут быть знакомы с сыром Abbaye du Mont des Cats. Рекомендационный движок позволит новому клиенту благодаря простым вопросам/фильтрам найти тот сыр который он хочет найти, а для постоянных клиентов сможет предложить те сыры которые максимально соответсвуют их покупательскому опыту, базируясь на истории их покупок.

Участие человека по прежнему важно

Машинное обучение не самодостаточно. Вмешательство человека и наблюдение за процессом по прежнему востребовано. Для достижения наилучших результатов необходимо установить четкие и измеримые бизнес-цели. Вы должны знать, что наиболее важно для ваших клиентов и как они принимают решения. Вооружившись этими знаниями, мы разрабатываем логику и установить фильтры для достижения конкретных целей для вашего сайта. То, что работает хорошо для одного бизнеса может не давать результат в другом.

Примеры машинного обучения в действии:

  • Продвижение высокоприбыльной продукции (продукции с большей маржой), чтобы увеличить прибыль.
  • Персонализированная маркетинговая рассылка.
  • Рекомендации в поиске.
  • Up-selling в процессе офрмления заказа.
  • Интеграция с CRM для обеспечения живыми данными отдела продаж.

Практика: United Cellars

United Cellars — компания ретейлер вин из Австралии. Их интернет магазин создан на базе платформы Spree Commerce и поддерживается хорошей командой специалиство в телемаркетинге. Разработчики сотрудничали с United Cellars уже более двух лет, прежде чем пришло время серьезно заняться оптимизацией конверсии, в начале этого сложного пути были зафиксированы следующие показатели:

  • 16.000 продуктов
  • 60.000 заказов
  • 3.000 обзоров

Обладая этой ценной информации разработчики смогли реализовать рекомендации  продуктов/товаров, используя алгоритмы машинного обучения, предоставляемые Prediction.IO — сервер предсказательных вычислений с открытым исходным кодом.

Старт с рекомендательным движком. Разработчики были уже дано знакомы с United Cellars, хорошо понимали их бизнес-цели и типичное поведение покупателей интернет магазина. Все ищут наилучшее предложение в плане цены, для покупателей в United Cellars низкая цена не всегда была главным мотиватором. Покупатели в United Cellars чаще ищут вина, которые не похожи на ранее приобретенные. Имея в виду эту информацию, разработчики создали рекомендательный движок и провели А/В тестирование, что бы сравниь с базовой версией магазина, без машинного обучения. Тестирование продолжалось до тех пор, пока не было собрано достаточно информации, что бы можно было сделать уверенные выводы.

Была потрачена неделя что бы все установить и настроить:

  • Установка и настройка сервера Prediction.IO на Amazon Web Services.
  • Наполнение данными сервера Prediction.IO: рейтинги, заказы и данные о продуктах.
  • Подключение к серверу Prediction.IO через Ruby Prediction.IO SDK, который был установлен на стороне интернет магазина.
  • Получение рекомендуемых продуктов.
  • Отображение рекомендуемых продуктов на стороне интернет магазина.
  • Настройка А/В тестирования.

Результаты А/В тестирования. Первый раунд тестирования длился 15 дней, 50% трафика уходило на базовую версию интернет магазина, 50% трафика отправлялось на версию магазина с интеграцией Prediction.IO. Тесты продемострировали следующее:

  • на 45% дольше стала средняя пользовательская сессия;
  • на 22% выросла конверсия;
  • средняя сумма заказа выросла на 37%;
  • на 71% выросли доходы.

Значительное увеличение дохода обусловлено сочетанием высокой конверсии и выросшей средней суммой заказа. Результаты были настолько убедительными, что не было контрагументов против запуска рекомендационного движка в работу для всех пользователей интернет магазина.

Больше возможностей оптимизации. В дополнение к рекомендациям продуктов, Prediction.IO предоставляет много других возможностей, United Cellars рассматривала следующие варианты использования информации и инструментов предоставляемых Prediction.IO:

Инструментарий для персонала отдела телемаркетинга, чтобы дать возможность предоставить клиентам персонализированные предложения по телефону.

E-mail маркетинговые кампании, рассылка в которой индивидуальные рекомендации отправляются каждому получателю.

Применение рекомендационного движка для оптимизации результатов поиска.

Выводы

Мы надеемся, что эта информация о потенциальных преимуществах машинного обучения будет вдохновлять вас, заставит вас иначе посмотерть на возможности вашего сайта. Если вы действительно хотите изучить все возможности машинного обучения, то Стэнфордский университет предлагает бесплатный курс по этому предмету, кроме того подобные курсы есть и на сервисе Coursera.

Если же вы предпочитаете сосредоточиться на ведении бизнеса и обслуживании ваших клиентов, свяжитесь с командой JetRuby Agency о реализации стратегии применения машинного обучения в вашем интернет магазине.

 

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *