Что хотят приобрести клиенты?

Потребители перегружены разнообразием товаров. Из-за этого 74% аудитории просто закрывает сайт. А неудачные покупки заканчиваются возвратами, затратами на логистику и потерей лояльности для бизнеса. В худшем случае - недовольные клиенты идут к конкурентам, которые могут качественно персонализировать их опыт (91% потребителей покупает именно у таких брендов).

Чтобы соответствовать ожиданиям аудитории ведущие бизнесы используют один из самых эффективных инструментов персонализации клиентского опыта - товарные рекомендации. Их цель - предложить клиенту именно те товары, которые с наибольшей вероятностью будут интересны ему, и он приобретет их.

Как работает технология персональных товарных рекомендаций

Путь формирования точных и релевантных рекомендаций начинается с данных. Один из эффективных инструментов работы с клиентскими данными - CDP (customer data platform). В платформе данные проходят следующий путь, чтобы сформировать релевантные товарные рекомендации для каждого клиента:

1. Сбор данных о действиях клиента с сайта, приложения, direct-каналов, офлайн.

2. Унификация данных и обогащение ими единого профиля контакта.

3. Обработка и анализ данных спомощью ИИ с глубоким обучением. Эта технология повышает точность и эффективность рекомендаций, изучая скрытые связи между пользователями и товарами.

4. Генерация рекомендаций с учетом данных о:

• поведение - как пользователь взаимодействует с продуктами (просмотры, клики, покупки);
  клиента - демография, геолокация, предпочтения (например, размер одежды, товары в избранном);
  товары - цена, категория, бренд.

5. Омниканальный подход к применению готовых рекомендаций: готовые товарные предложения размещаются во всех точках взаимодействия с клиентом - на сайте, в приложении, в direct-каналах (email, push, App Inbox, Viber), передаются в офлайн (менеджерам и call-центрам).

Качество рекомендаций напрямую зависит от полноты и актуальности клиентских данных - чем больше данных, которые обновляются в режиме реального времени имеет система - тем более высокое качество персонализации она может обеспечить. А омниканальный подход к коммуникации будет создавать бесшовный пользовательский опыт в каждом канале взаимодействия клиента с брендом.

Новый уровень персонализации: трансформеры и большие языковые модели (LLM)

Использование трансформеров дает возможность глубже анализировать пользовательское поведение и их предпочтения, а большие языковые модели добавили возможность анализа товарных характеристик: категории, бренда, цены, описаний.

Наш CDP специализируется на создании товарных рекомендаций уже 12 лет. За это время мы разработали более 200+ алгоритмов и постоянно совершенствуем работу системы. Ежегодный прирост ключевых метрик рекомендаций обычно составляет 5-10% в год.

Казалось, что это максимум который можно получить. Но несколько лет назад нам удалось существенно повысить показатели. Мы внедрили трансформерную архитектуру нейронных сетей (технологическая основа ChatGPT) и большие языковые модели (LLM) в рекомендательные системы.

Как это работает? Трансформерная архитектура учится на последовательности действий пользователя - от просмотров и поисковых запросов до добавления товаров в корзину или совершенных покупок как онлайн, так и офлайн. Она способна фиксировать взаимосвязи в действиях человека и понимать общий контекст.

С 2024 года в эту модель интегрировали большие языковые модели, которые позволили анализировать атрибуты самих товаров: цену, категорию, бренд, текстовые описания. Благодаря этому теперь система формирует рекомендации, которые понимают сущность продукта, а не сводятся к техническому ID. Поэтому ИИ может рекомендовать даже товары без истории покупок.

Первым протестировал обновленные алгоритмы - "Фокстрот". Рекомендательная модель дала следующие результаты:

• +33% роста CTR рекомендательных блоков;
• ×2,08 к трафику из блока "Персонально для вас".

Уже через несколько месяцев обновленные алгоритмы доказали свою эффективность в различных нишах.

Но сайт - лишь одна из точек контакта с клиентом. Сегодня персональные рекомендации работают значительно шире: в мобильных приложениях, в директ-каналах коммуникации - от email и App Inbox до Web Push, Mobile Push, виджетов на страницах, а также в Viber, SMS, Telegram-ботах.

Расширить применение рекомендаций можно интегрировав персональные подборки в массовые рассылки. У таких кампаний охват большой, поэтому добавление персональных блоков резко повышает их эффективность.

Для маркетплейса по продаже медикаментов Liki24 интеграция AI-блоков в массовые письма дала +70,8% к конверсии. А бренд витаминов и диетических добавок Perla Helsa получил еще более ощутимый результат - рост конверсии на 106% и дополнительно +34% дохода с email-канала.

AI как категорийный менеджер

Как еще можно увеличить объемы продаж? В случае с "Фокстрот" мы видели, что система избегала подборок из товаров одной категории, чтобы избежать дублирований. Но это снижало потенциал кросс-продаж в случаях, когда товары функционально дополняют друг друга.

Чтобы это исправить, интегрировали LLM-модель, которая самостоятельно уточняет подкатегории и формирует релевантные предложения. Например, в рамках одной категории "Зубные щетки", где находятся и зубные щетки, и аксессуары к ним, AI теперь способен рекомендовать насадки, футляры, зарядные станции как логичное дополнение к основному товару.

Для "Фокстрот" тестирование этого алгоритма для блока "Вместе с этим товаром покупают" (тестовый период март-май 2024) показало следующие результаты:

• рост CTR на 39%;
• увеличение продаж сопутствующих товаров в 1,5 раза.

Выводы

AI-рекомендации уже стали важным инструментом для ecommerce: они снижают количество брошенных корзин, повышают средний чек и возвращают контроль за клиентским опытом.

Новые алгоритмы на базе трансформеров и LLM научились учитывать и контекст действий клиента, и характеристики товаров, благодаря чему система способна правильно рекомендовать даже новинки без истории продаж.

Опыт "Фокстрот", Liki24 и Perla Helsa показывает, что персонализация способна давать прирост CTR и конверсий в десятки процентов и существенно увеличивать доход с товарных блоков. Поэтому бизнесы, которые уже сегодня инвестируют в умные рекомендательные системы, получают стратегическое преимущество на украинском рынке.