Що хочуть придбати клієнти?

Споживачі перевантажені розмаїттям товарів. Через це 74% аудиторії просто закриває сайт. А невдалі покупки закінчуються поверненнями, витратами на логістику та втратою лояльності для бізнесу. В найгіршому випадку – незадоволені клієнти йдуть до конкурентів, які можуть якісно персоналізувати їх досвід (91% споживачів купує саме у таких брендів).

Щоб відповідати очікуванням аудиторії провідні бізнеси використовують один із найефективніших інструментів персоналізації клієнтського досвіду – товарні рекомендації. Їхня мета – запропонувати клієнтові саме ті товари, які з найбільшою ймовірністю будуть цікаві для нього, і він придбає їх.

Як працює технологія персональних товарних рекомендацій

Шлях формування точних та релевантних рекомендацій починається з даних. Один з ефективних інструментів роботи з клієнтськими даними – CDP (customer data platform). В платформі дані проходять наступний шлях, щоб сформувати релевантні товарні рекомендації для кожного клієнта:

1. Збір даних про дії клієнта з сайту, застосунку, direct-каналів, офлайн.

2. Уніфікація даних та збагачення ними єдиного профілю контакту.

3. Обробка та аналіз даних за допомогою ШІ із глибоким навчанням. Ця технологія підвищує точність та ефективність рекомендацій, вивчаючи приховані зв’язки між користувачами та товарами.

4. Генерація рекомендацій з урахуванням даних про:

• поведінку – як користувач взаємодіє з продуктами (перегляди, кліки, покупки);
  клієнта – демографія, геолокація, уподобання (наприклад, розмір одягу, товари в обраному);
  товари – ціна, категорія, бренд.

5. Омніканальний підхід до застосування готових рекомендацій: готові товарні пропозиції розміщуються в усіх точках взаємодії з клієнтом – на сайті, у застосунку, в direct-каналах (email, push, App Inbox, Viber), передаються в офлайн (менеджерам та call-центрам).

Якість рекомендацій напряму залежить від повноти та актуальності клієнтських даних – чим більше даних, які оновлюються в режимі реального часу має система – тим вищу якість персоналізації вона може забезпечити. А омніканальний підхід до комунікації створюватиме безшовний користувацький досвід в кожному каналі взаємодії клієнта з брендом.

Новий рівень персоналізації: трансформери та великі мовні моделі (LLM)

Використання трансформерів дає можливість глибше аналізувати користувацьку поведінку та їхні вподобання, а великі мовні моделі додали можливість аналізу товарних характеристик: категорії, бренду, ціни, описів.

Наш CDP спеціалізується на створенні товарних рекомендацій вже 12 років. За цей час ми розробити понад 200+ алгоритмів та постійно вдосконалюємо роботу системи. Щорічний приріст ключових метрик рекомендацій зазвичай становить 5-10% за рік.

Здавалося, що це максимум який можна отримати. Але декілька років тому нам вдалося суттєво підвищити показники. Ми впровадили трансформерну архітектуру нейронних мереж (технологічна основа ChatGPT) та великі мовні моделі (LLM) у рекомендаційні системи.

Як це працює? Трансформерна архітектура навчається на послідовності дій користувача – від переглядів і пошукових запитів до додавання товарів у кошик чи здійснених покупок як онлайн, так і офлайн. Вона здатна фіксувати взаємозв’язки в діях людини та розуміти загальний контекст.

З 2024 року до цієї моделі інтегрували великі мовні моделі, які дали змогу аналізувати атрибути самих товарів: ціну, категорію, бренд, текстові описи. Завдяки цьому тепер система формує рекомендації, що розуміють сутність продукту, а не зводяться до технічного ID. Тому АІ може рекомендувати навіть товари без історії покупок.

Першим протестував оновлені алгоритми – "Фокстрот". Рекомендаційна модель дала наступні результати:

• +33% зростання CTR рекомендаційних блоків;
• ×2,08 до трафіку з блоку "Персонально для вас".

Вже за декілька місяців оновлені алгоритми довели свою ефективність в різних нішах.

Але сайт – лише одна з точок контакту з клієнтом. Сьогодні персональні рекомендації працюють значно ширше: у мобільних застосунках, у директ-каналах комунікації – від email та App Inbox до Web Push, Mobile Push, віджетів на сторінках, а також у Viber, SMS, Telegram-ботах.

Розширити застосування рекомендацій можна інтегрувавши персональні підбірки у масові розсилки. У таких кампаній охоплення велике, тож додавання персональних блоків різко підвищує їхню ефективність.

Для маркетплейсу з продажу медикаментів Liki24 інтеграція AI-блоків у масові листи дала +70,8% до конверсії. А бренд вітамінів та дієтичних добавок Perla Helsa отримав ще більш відчутний результат – зростання конверсії на 106% і додатково +34% доходу з email-каналу.

AI як категорійний менеджер

Як ще можна збільшити обсяги продажів? У випадку з "Фокстрот" ми бачили, що система уникала добірок із товарів однієї категорії, щоб уникнути дублювань. Але це знижувало потенціал крос-продажів у випадках, коли товари функціонально доповнюють один одного.

Щоб це виправити, інтегрували LLM-модель, яка самостійно уточнює підкатегорії та формує релевантні пропозиції. Наприклад, у межах однієї категорії "Зубні щітки", де знаходяться і зубні щітки, і аксесуари до них, AI тепер здатен рекомендувати насадки, футляри, зарядні станції як логічне доповнення до основного товару.

Для "Фокстрот" тестування цього алгоритму для блоку "Разом з цим товаром купують" (тестовий період березень-травень 2024) показало наступні результати:

• зростання CTR на 39%;
• збільшення продажів супутніх товарів у 1,5 раза.

Висновки

AI-рекомендації вже стали важливим інструментом для ecommerce: вони знижують кількість покинутих кошиків, підвищують середній чек і повертають контроль за клієнтським досвідом.

Нові алгоритми на базі трансформерів та LLM навчилися враховувати і контекст дій клієнта, і характеристики товарів, завдяки чому система здатна правильно рекомендувати навіть новинки без історії продажів.

Досвід "Фокстрот", Liki24 та Perla Helsa показує, що персоналізація здатна давати приріст CTR і конверсій у десятки відсотків та суттєво збільшувати дохід з товарних блоків. Тож бізнеси, які вже сьогодні інвестують у розумні рекомендаційні системи, отримують стратегічну перевагу на українському ринку.