Сьогодні можливості AІ у здатності до обробки візуальної інформації, розумінні мови, знанні математики майже зрівнялися з людськими можливостями. Наприклад, на початку 2024-го року ШІ правильно вирішував лише 4% завдань у програмуванні, а під кінець року цей показник становив уже близько 50%. І можливо, що у 2025-му ці завдання AI буде вирішувати вже на рівні людини. У цьому є свої переваги: штучний інтелект швидкий і багато знає, тому використовується чи не в кожній сфері. В ecommerce також є багато напрямів, де ШІ вже сприяє оптимізації роботи.
CDP eSputnik розпочинає цикл статей про застосування ШІ в маркетингу електронної комерції. У цьому матеріалі розглянемо, як товарні рекомендації на базі предиктивного АI можуть якісно вплинути на ефективність маркетингу в ecommerce, а в наступному — продовжимо тему предиктивного АІ і розповімо про предиктивну сегментацію.
Що таке «товарні рекомендації» та навіщо вони бізнесу
Клієнти, перевантажені вибором, здебільшого просто закриють сайт, так і не здійснивши покупки. А ті, хто наважуються обрати, часто ризикують зробити невдалий вибір. У результаті — розчарування, повернення товару й негативний досвід, який може відштовхнути від подальших покупок.
Для бізнесу це означає не тільки відсутність прибутку, а й зростання витрат. Для обробки замовлення необхідні: комунікації (підтвердження замовлення call-центром, транзакційні повідомлення про статус замовлення), ресурси на пакування, відправку товару та перевірку, повернення, операційне опрацювання повернення. У найгіршому випадку після невдалого досвіду покупки незадоволений клієнт перейде до тих брендів, які можуть повністю задовольнити його потреби.
Рішення проблеми — персональні товарні рекомендації. Цей інструмент має допомогти користувачу побачити актуальні для нього продукти або послуги, які він, можливо, не знайде самостійно. Окрім утримання клієнтів, персональні товарні рекомендації допомагають вирішити такі завдання:
-
Скорочення кількості покинутих кошиків — пропозиції схожих товарів або аналогічних із різних цінових категорій, що відповідають уподобанням клієнтів, знижують сумніви та спонукають завершити покупку. 80% споживачів із більшою ймовірністю оформлять замовлення, коли бренди пропонують персоналізований досвід (Epsilon).
-
Збільшення середньої вартості замовлення (AOV) — персоналізовані рекомендації стимулюють cross- та upsell, підвищуючи середню вартість замовлення. 25% опитаних cтверджують, що персоналізація в ecommerce збільшує AOV (Retail Touchpoints).
-
Підвищення рівня задоволеності клієнтів — індивідуальні рекомендації демонструють увагу до потреб кожного клієнта. Це позитивно впливає на їхнє задоволення покупкою та лояльність до бренду. 71% споживачів очікує від компаній персоналізованої взаємодії, а 76% розчаровуються, коли цього не відбувається (McKinsey).
-
Збільшення конверсії — рекомендації стимулюють покупців до дії, що сприяє збільшенню конверсії. Зазвичай товарні рекомендації на базі ШІ підвищують конверсію сайту в середньому на 20–30% (eSputnik).
Як працюють товарні рекомендації
Розглянемо етапи реалізації персональних товарних рекомендацій на прикладі нашої Customer Data Platform:
1. Збір та уніфікація даних
Платформа організовує збір даних про поведінку користувача на сайті, у застосунку, direct-каналах, офлайн.
Чим більше даних збирає компанія, тим точнішими будуть рекомендацiї для кожного користувача.
Важливо, щоб дані передавалися в систему в режимі реального часу. Це забезпечує актуальність рекомендацій у всіх точках взаємодії: на сайті, в застосунку та розсилках. У CDP eSputnik дані про поведінку користувачів передаються безперервно з:
-
сайту — завдяки вебтрекінгу;
-
застосунку — за допомогою SDK;
-
зовнішніх джерел — Google BigQuery, Google Firebase, PostgreSQL і CRM та інших систем;
-
офлайну — дані з POS-терміналів, карт лояльності, а якщо покупка не здійснена — менеджери можуть пропонувати клієнтам надіслати в месенджерах чи на пошту переглянуті товари для більш детального ознайомлення, тим самим фіксуючи комунікацію з конкретним контактом.
Надіслані з різних джерел і різного формату дані (структуровані, частково структуровані, неструктуровані) система очищає та приводить до єдиного вигляду. Далі зіставляє їх з контактом і збагачує даними єдиний профіль клієнта та використовує їх для формування рекомендацій.
Дізнатися більше про можливості СDP
2. Генерація товарних рекомендацій
Для створення персоналізованих пропозицій рекомендаційна система використовує всі доступні дані про:
-
взаємодію: як користувач взаємодіє з продуктами: перегляди, покупки, додавання в обране, додавання у кошик, кліки в розсилках;
-
користувача: демографічна інформація, розташування, розмір тощо.
-
товар: атрибути товарів або послуг: ціна, категорія та бренд.
Для створення персоналізованих пропозицій використовують різні методи аналізу даних, але найкращі результати дає штучний інтелект із глибоким навчанням. Алгоритми AI аналізують великі масиви даних, щоб створювати актуальні рекомендації для кожного клієнта. Глибоке навчання підвищує точність та ефективність цих рекомендацій, визначаючи приховані зв’язки між користувачами та товарами. Наприклад, нейромережа може виявляти закономірності в поведінці клієнтів і на їхній основі пропонувати саме ті товари, які найбільше підходять. Дізнатися детальніше про весь процес формування рекомендацій можна в статті eSputnik >
eSputnik створює товарні рекомендації понад 12 років. Ми розробили, протестували та зробили доступними в системі 200 різних алгоритмів формування рекомендацій.
Наш рекордний показник збільшення конверсії сайту для одного нашого клієнта — 60%.
Здавалося, що покращити алгоритми суттєво вже майже неможливо. Але у 2024 році ми змогли підвищити ефективність наших алгоритмів за допомогою нових АІ-підходів. Поєднання архітектури «Трансформер» із великими мовними моделями (LLM, Language Models), принесло найкращі результати за весь час роботи нашої компанії. LLM використовує передові можливості ШІ з розуміння мови для глибшого аналізу поведінки користувачів, їхніх уподобань і характеристик товарів.
Ці алгоритми розуміють контекст і потреби клієнтів, а не тільки попередні покупки. Якщо раніше товари підбиралися до товарів (шолом до велосипеда, спортивні товари до інших спортивних товарів тощо), то нова архітектура трансформерної моделі дозволяє цілісно оцінювати весь шлях клієнта, де до уваги береться кожен його клік, попередня покупка та переглянутий товар. Детальніше про нову модель читайте у блозі eSputnik >
Основні переваги трансформерної моделі:
-
Висока точність — безумовна перевага трансформерної моделі порівняно з традиційними підходами. Завдяки їй підвищуються конверсії та середній чек.
-
Глибоке розуміння клієнта, яке дозволяє будувати складні взаємозвʼязки та пропонувати більш релевантні товари.
-
Гнучкість у роботі з даними — трансформерна модель працює як з неповними історичними даними, так і з новими користувачами без історії. Вона здатна бачити контекст, який дозволяє запропонувати більш релевантні рекомендації.
Порівняльні характеристики традиційної та трансформерної моделей рекомендацій:
Вже за декілька місяців роботи нових алгоритмів наші клієнти з різних індустрій отримали зростання частки замовлень з рекомендаційних блоків на сайті:
CASE Dnipro-M
Нові алгоритми суттєво покращили конверсію з товарних рекомендацій ритейлера, клієнти якого, як виявилось, схильні до імпульсивних покупок. За період тестування:
-
на 105% підвищився CTR;
-
на 116% збільшилася частка замовлень із розсилок;
-
на 43% зросла конверсія.
CASE Puma
Ритейлер спортивного одягу порівняв показники товарних рекомендацій рік до року, нова рекомендаційна модель порівняно з новими алгоритмами:
+173% — дохід від рекомендацій;
+195% — кількість замовлень;
+194% — підвищення CR;
+932% — зростання частки замовлень.
3. Використання товарних рекомендацій у різних каналах
Щоб досягти найкращих результатів, ШІ слід поєднувати з бізнес-логікою на різних етапах воронки продажів. Наприклад, для cross та upsell або підбору next best offer. Так, наш клієнт, магазин спортивного одягу, підвищив конверсію сайту на 25% і кратно збільшив кількість замовлень з рекомендаційних блоків: від +17,82% до 324% (залежно від місця розташування блоку на сайті).
Однак сторінки сайту — це не єдиний канал, де варто впроваджувати товарні рекомендації. Вони доступні для використання:
-
на сайті в каналах: App Inbox, Web Push, віджети;
-
у мобільному застосунку: як на сторінках товарів, у кошику, так і в каналах In-App, App Inbox, Mobile Push;
-
в інших каналах: Email, Viber, Telegram bot, SMS.
Персональні рекомендації на базі АІ можуть також суттєво вплинути на результати масових розсилок. Оскільки такі емейли мають велике охоплення, додавання індивідуально підібраних товарних пропозицій може значно підвищити конверсії та залученість.
CASE Liki24
Маркетплейс медикаментів використав блок із персональними рекомендаціями разом із власною добіркою товарів у масових розсилках. Такі листи були надіслані понад 70 000 підписникам. АІ-блок отримав на 105,1% більше кліків порівняно з класичним блоком рекомендацій компанії. Завдяки товарним рекомендаціям на 70,8% збільшилася конверсія масових розсилок.
CASE Perla Helsa
Завдяки персональним товарним рекомендаціям бренд вітамінів і дієтичних добавок у 2 рази (+106%) збільшив конверсію масових розсилок.
Якому бізнесу підходять товарні рекомендації
Загалом товарні рекомендації підходять всім представникам електронної комерції. Більшість українського ecommerce використовує eSputnik для створення товарних рекомендацій: Dnipro-M, Foxtrot, Shafa, Prom.ua, Puma та багато інших. Але цей інструмент дозволить покращити ефективність і збільшити показники не тільки бізнесам рівня enterprise. З eSputnik компанії будь-якого розміру можуть комфортно зростати та поступово підключати потрібні інструменти, а гнучке ціноутворення дозволяє сплачувати саме за ту функціональність, якою користується бізнес.
Висновки
Завдяки АІ-товарним рекомендаціям компанії можуть розуміти потреби клієнтів, покращувати взаємодію з ними та, в результаті, отримувати більше лояльних постійних покупців.
Оновлена рекомендаційна модель CDP eSputnik уже змінює ринок, дозволяючи бізнесам досягати нового рівня ефективності. Врахування поведінкових даних і послідовність дій користувачів забезпечує високу релевантність рекомендацій і покращує клієнтський досвід. Українські компанії вже активно використовують оновлену модель у створенні рекомендацій для своїх клієнтів: Dnipro-M на 43% збільшили конверсію з розсилок, Puma порівняли показники рекомендацій попередньої та нової моделі: на 173% зріс дохід від рекомендацій, на 195% збільшилася кількість замовлень.
А також уже оцінили користь товарних рекомендацій у масових розсилках: Liki24 отримали збільшення конверсії кампаній на 70,8%, Perla Helsa — на 106%.
Якщо ви ще розмірковуєте щодо необхідності цього інструмента для вашого бізнесу та як ви зможете отримати максимальну вигоду від нього, команда CDP eSputnik проведе для вас безкоштовну персональну консультацію, де експерти допоможуть визначити необхідні рішення під конкретні бізнес-завдання.
Отримати персональну консультацію
Читати більше
