Amazon.com утверждает, что 40% продаж генерируются через механизмы рекомендаций. В Ozon.ru на сегодняшний момент треть всех добавлений в корзину делаются через рекомендации. Оборот обычно коррелирует с добавлениями в корзину, поэтому можно считать, что треть оборота прокачивается через рекомендации.
Системы различных рекомендаций появились для того, чтобы облегчить покупателю выбор, т.к. выбор стал слишком большой. Например, в Ozon.ru несколько сотен тысяч товаров. Понятно, что сделать выбор очень и очень трудно. Преимущество большого выбора превращается в недостаток — необходимо много времени и усилий. Очень хороший пример здесь — интернет-магазин Утконос — очень долго приходится выбирать. Иногда даже кажется, что в обычном магазине все быстрее получится.
Преимущество электронной коммерции заключается в полноте данных, например, Ozon.ru использует для построения рекомендаций историю заказов, содержимое корзины, просмотры товаров, отзывы и рейтинги. В обычном offline магазине это сделать невозможно.
Примитивные статистические алгоритмы
Именно с этих алгоритмов нужно начать проект рекомендаций на любом торговом сайте. Эти алгоритмы просты и надежны, не нужно иметь семи пядей во лбу, чтобы получить хорошие результаты. Суммарная отдача от них будет больше, чем от персонализированных рекомендаций.
1. После просмотра этого товара купили
Для такого алгоритма обычна анализируется сессии клиента, нехитрыми действиями генерируются списки сопутствующих товаров. Обычно этот алгоритм дает очень хорошие результаты, особенно, когда собрано достаточно информации.
2. После этой поисковой фразы еще искали (и приводится список сопутствующих поисковых фраз)
В другой реализации алгоритма можно сразу показывать товары, которые обычно покупают после данной поисковой фразы.
3. После просмотра данного товара, интересовались
Очень неплохой алгоритм на этапе холодного старта проекта. Бывает, что для алгоритма После просмотра этого товара купили недостаточно данных, и он здесь очень сильно пригодится.
Источник: http://kpis.ru/