E-book
Up-sell, cross-sell, personalizace obsahu – na to všechno se hodí doporučovací nástroje. Mrkněte se na plusy a mínusy jednotlivých metod a inspirujte se populárními nástroji.
Základní řešení, když chcete doporučovat teď hned
Základní doporučovací nástroj funguje na celkem jednoduchém principu, který má pramálo společného s personalizací. Představte si, že přijdete do knihkupectví a zeptáte se knihkupce v oddělení beletrie na doporučení nové knihy. Pravděpodobně odvětí něco ve stylu: „Hodně lidí si tenhle měsíc koupilo novou Třeštíkovou.“ Nepočítá přitom s nějakými vašemi preferencemi nebo předchozí nákupní historií – ví jen, že jste v oddělení beletrie a že nejvíc na odbyt šla právě tato kniha. Stejnou radu dá pak dalším 100 knihomolům. A přesně tak fungují NEpersonalizované doporučovací nástroje. Používají agregované statistiky jako „nejvíc prodávané zboží, nejprohlíženější zboží, nejkomentovanější články“ atp. Jde o dobrý start, když prostě nechcete uživatele nechat viset ve vzduchoprázdnu potom, co dočte článek nebo doprohlédne produktový detail, a vyloženě se hodí třeba pro segment cestování a ubytování – každého zajímají nejpopulárnější památky nebo nejlépe hodnocené hotely v oblasti.
TIP: Máte web běžící na WordPressu? Není nic snazšího, než si nainstalovat jeden z recommendovacích pluginů. Většina z nich umí doporučovat související obsah na základě klíčových slov i historie prohlížení uživatele.
Automaticky se učící nástroje
Jak vám nejspíše došlo, recommendovací nástroje na bází machine learningu nabízejí už opravdovou personalizaci založenou na chování jednotlivých uživatelů. Vytváří pak jejich profily a shlukuje je do skupin s podobnými preferencemi (více v odstavci Inspirujte se u nejlepších). Nevýhody? Když na e-shop přidáte nový produkt nebo přijde nový uživatel, nemáte k němu žádná behaviorální data a čeká vás tzv. studený start. Chytré hlavy ale doporučují toto počáteční datové vakuum obejít tím, že požádáte uživatele při první interakci nebo registraci o nějaké základní údaje, jako je věk, pohlaví a zájmy (např. formou „Jaké tipy od nás chcete přednostně dostávat?“). Nepodceňujte také práci s metadaty u výrobků – skrze podobnost se staršími produkty, ke kterým data máme, může systém pochopit i u nového produktu, kde, kdy a komu ho ukázat.
České nástroje pro personalizaci obsahu a doporučování
- Tým Recombee vzešel mj. z ČVUT a je spřízněn s dalšími chytrými nástroji, jako je Keboola nebo Geneea.
- Quarticon se chlubí zvýšením tržeb e-shopu až o 25 % a rychlým napojením na veškeré e-commerce platformy pomocí jednoho jednoduchého skriptu.
- Persoo umí vedle doporučování také personalizovaně triggerovat marketingové nabídky, pop-up okna, skládat a odesílat e-maily nebo spouštět chat…
- Samba.ai je další projekt z české dílny zaměřující se na personalizaci e-mailů a webových stránek na základě dat a machine learningu.
TIP: Personalizace je pro váš byznys důležitá? Přečtěte si článek o úskalích personalizace nejen v e-mailech.
Vlastní recommender systém
Máte velký e-shop a takový rozpočet, že se vám vyplatí vyvinout vlastní doporučovací nástroj? Máte ambice vymyslet vlastní algoritmus, který ještě lépe porozumí nákupním vzorcům a preferencím vašich zákazníků? Platí podobný předpoklad, jako v našem článku o chatbotech – potřebujete dostatečné množství dat (nejlépe jejich stálý přísun) o chování vaší cílové skupiny, na kterých se algoritmus může učit a precizovat svoje schopnosti. Vzhledem k tomu, že při české návštěvnosti webů je občas problém získat data i pro průkazný A/B testing, je patrně moudřejší sáhnout po některém z již etablovaných a „vytrénovaných“ nástrojů, které pak dovychováte svými vlastními daty. Projděte si seznam nejznámějších nástrojů na principu SaaS i non-SaaS, open source nástrojů i vědeckých doporučovacích nástrojů a určitě najdete řešení přesně pro váš obor i počet uživatelů.
Inspirujte se u nejlepších
Jedním z nepromakanějších systémů pro doporučování obsahu se chlubí Netflix, který dělí diváky do více než 2000 skupin podle vkusu, a to podle dosud nejfunkčnějšího recommendovacího principu – collaborative filtering. Takový systém vyhodnotí, že pokud si cizí člověk, kterému se také líbil váš oblíbený film, vybral navíc i seriál Dům z karet, je pravděpodobné, že když ho doporučíme i vám, také ho zkouknete a navíc si budete říkat, jak to ten Netflix dělá, že vám vždycky doporučí přesně to, co si vaše divácké srdce zrovna žádá. Výsledkem je, že až 80 % obsahu Netflixu se dostane k divákům právě skrze automatické doporučení.
Ale bez armády lidských pomocníků by to nešlo – jednu třetinu dat sice tvoří klasické záznamy o tom, co, kdy a v jakém pořadí sledujete, ale druhou třetinu tvoří ruční tagování obsahu jednotlivých seriálů a filmů (např. oddechovka, vesmír, slavní herci atd.) – jde o tzv. content-based část personalizovaného doporučujícího nástroje. 3. částí úspěchu je pak machine learning, který vše navazuje do nových souvislostí a ukazuje, jaké vazby jsou nejvýznamnější.
Vedle implicitních dat (dat o vašem chování) jsou součástí koktejlu i explicitní data – když film olajkujete nebo ohodnotíte. Pro svůj cit pro doporučování je dlouhodobě známý také Amazon a právě na jeho vlastní machine learning platformě AWS běží systém Netflixu a dalších zvučných značek jako Tinder nebo Pinterest. Na samotném Amazonu koupí zákazníci až 35 % produktů díky doporučovací funkci.
Přednosti jsou tedy jasné – vyšší průměrná hodnota objednávky, více zkonzumovaného obsahu, více času na stránkách, menší odpad zákazníků a lepší UX. Teď si jen vybrat, jaké doporučovací řešení zvolit.
