Пример “ВкусВилл”: как персонализированные рекомендации повышают продажи и формируют лояльность клиентов

Новости

Публикации в СМИ

15.02.2022

Что делает один онлайн-магазин заметно привлекательнее других, заставляя покупателей возвращаться вновь и вновь, несмотря на наличие аналогичных товаров у конкурентов, возможно, по более низкой цене? Ответ прост — грамотное понимание потребностей своей аудитории и выстроенные на этой основе индивидуальные коммуникации.

Сейчас в сфере электронной коммерции индивидуальный подход становится нормой. Компании активно внедряют решения на базе ИИ и анализа больших объемов данных, чтобы предугадывать желания клиентов и делать точные товарные рекомендации. Благодаря таким инструментам увеличивается средний чек, улучшаются показатели конверсии и — самое главное — формируется эмоциональная связь с клиентом: пользователь ощущает, что магазин “понимает” его, и с радостью возвращается за новым опытом.

Вся информация, которую клиент предоставляет напрямую (например, через личный кабинет или согласие на обработку данных), а также поведенческие сигналы (покупки, лайки, предпочтения), собирается и обрабатывается для построения персонализированных рекомендаций. Российские компании уже активно используют эти технологии, не уступая в этом западным конкурентам.

Рекомендательная система — это набор алгоритмов, анализирующих поведение клиентов с похожими характеристиками. Уникальность этих систем в том, что они постоянно “учатся”: чем больше данных — тем точнее предсказания. В основе модели лежит матрица предпочтений, в которую заносятся оценки пользователей. Далее алгоритм “достраивает” недостающие значения, используя дополнительные сведения о товарах и клиентах.

Каждая система имеет свои плюсы и ограничения. Например, коллаборативная фильтрация страдает от эффекта “холодного старта”, когда недостаточно данных о новых пользователях. А вот контентные рекомендации хорошо подходят для начального взаимодействия, так как находят сходные товары. Knowledge-based системы подбирают товар, отталкиваясь от целей клиента, не опираясь на мнение других пользователей.

Гибридный подход позволяет устранить слабые стороны отдельных систем. Например, покупателю можно рекомендовать как товары, схожие с уже приобретенными, так и те, которые популярны среди пользователей с похожими вкусами.
Главная задача — сделать рекомендации максимально персональными. Если система “угадывает” интересы клиента, повышается доверие и растёт вероятность повторных покупок.

Выделяют четыре основных подхода:

Рекомендательные технологии сегодня применяются во множестве бизнес-сфер: от поиска недвижимости до подбора гаджетов, фильмов и вкладов. На крупных маркетплейсах, таких как Amazon и Ozon, разделы рекомендаций приносят огромную долю прибыли. Например, Amazon фиксирует до 30% покупок через рекомендованные предложения.

Согласно Barilliance, около 12% всех заказов приходится на товары, предложенные системой. Причём коэффициент конверсии таких предложений выше в 5,5 раза, чем у обычных карточек товара. Salesforce тоже подтверждает: персональные рекомендации генерируют до четверти общего объема заказов и дохода, хотя доля таких сессий — менее 10%. А Accenture сообщает, что персонализация может повысить вероятность покупки на 75%.

В условиях высокой конкуренции удержать внимание покупателей можно только за счёт понимания их поведения и постоянных улучшений. Для сети “ВкусВилл”, специализирующейся на здоровом питании, вопрос был не “нужно ли внедрять рекомендации”, а “как сделать это эффективно”.

Проект реализовала команда DataLab из группы компаний «Автомакон». Они собрали и проанализировали большой массив данных: онлайн- и офлайн-продажи, история лояльных клиентов, поведенческие паттерны. В итоге был определён оптимальный ассортимент для рекомендаций — товары с наибольшей клиентской популярностью. Половина ассортимента, который покупали крайне редко, была исключена — это позволило оптимизировать издержки.

Показывать релевантные товары, учитывая прошлые действия и предпочтения похожих клиентов.

Представить покупателю продукты, с которыми он ещё не знаком;

Результаты внедрения:

В процессе разработки применялись разные архитектуры моделей, включая нейросети и коллаборативную фильтрацию. Столкнулись с типичными проблемами: высокая разреженность данных и перекос в сторону популярных товаров. Для решения использовали метод взвешивания, при котором система “снижала вес” популярных позиций и увеличивала шансы на рекомендацию менее очевидных, но интересных товаров.

Клиентов сегментировали по поведению с помощью k-means, и под каждый кластер подбирали “свои” топ-продукты. Комбинация коэффициентов рейтинга и места товара в кластере позволила повысить точность до 15%.

Конверсия при показе рекомендаций с 20% скидкой: 9.2–10.1%.

Для сравнения: случайные товары дали лишь 1.2–2.1%, а самые популярные — 2.9–3.8%.

Превышение baseline на 50–70% при тестах на истории покупок и в 3 раза — при взаимодействии с реальными пользователями.

Цели рекомендательной системы:

Многие компании откладывают внедрение рекомендательных систем из-за кажущейся сложности. После успеха “ВкусВилл” команда DataLab создала “коробочное решение” — готовую платформу, которая автоматически обучает и подбирает модели на основе ваших данных. Всё, что требуется — передать таблицу в формате Excel или CSV.

Системы окупаются уже в течение 3 месяцев после запуска. Продукт доступен как крупным игрокам, так и небольшим интернет-магазинам. Все данные обезличиваются — система работает исключительно с ID товаров и клиентов, не используя личную информацию.

Перед началом специалисты анализируют поведение покупателей, частоту заказов, ассортимент и уровень персонализации. Это помогает определить, подходит ли готовая платформа конкретному бизнесу, или лучше создать индивидуальное решение.

Компания предлагает как шаблонные, так и кастомизированные разработки под любые задачи. В направлении DataLab работают эксперты в областях:

Искусственный интеллект: нейросети, NLP, рекомендательные системы;

IoT: предиктивная аналитика;

Big Data: от сбора до скоринговых моделей;

Мы стремимся создавать решения, которые приносят ощутимую пользу клиенту и его бизнесу — без лишних затрат.

Визуализация данных: дашборды, аналитика в режиме реального времени.

Студенты МИФИ, МИСИС и ЮФУ изучают PostgreSQL с помощью СУБД Pangolin

В 2024 году команда СУБД Pangolin организовала доступ к продукту для студентов

Публикации в СМИ

В 2024 году команда СУБД Pangolin организовала доступ к продукту для студентов

Студенты МИФИ, МИСИС и ЮФУ изучают PostgreSQL с помощью СУБД Pangolin

Новости

Как low-code ускоряет разработку и вывод продуктов на рынок

Как low-code ускоряет разработку и вывод продуктов на рынок Как low-code ускоряет разработку и вывод продуктов на рынок

Новости

Блог