С сегодняшнего дня на сайте стали показываться персональные рекомендации. Их вычисление сделано только по веб-статистике, обновляются "почти" в реальном времени. Пока рекомендации расположены в подвале сайта, в самом низу страницы.
Публикую очень важные и интересные материалы про системы рекомендаций. Выкладываю алгоритм, который использует Amazon.com для построения рекомендаций типа "с этим товаром часто покупают". Также презентация и видео по алгоритму Cinematch (персональные рекомендации) компании Netfix. Где этот алгоритм можно использовать? Это не только e-commerce, но и новостные сайты, социальные сети, везде, где у вас есть логи посещений. Дополнительно можно прочитать: 1) [/n] 2) [/n]
На презентации на в мини-секции рассказал про простой и действенный метод повышения продаж - рекомендации.
Тезисы доклада: Покупатели ожидают от магазина больше персональных предложений, основанных на их предыдущих покупках и действий Покупатели считают, что Интернет это место, где их лучше всего знают, но персональные рекомендации магазинов это пока плохо учитывают Покупатели более лояльны к продавцу, который делает им персональные рекомендации Персональные товарные рекомендации очень ценны на протяжении всего процесса общения с продавцом Улучшение релевантности персональных рекомендаций увеличивает т.н. дополнительные продажи Покупателям нравятся рекомендации в любых местах на сайте, но больше всего любят на странице товара
Выражаю благодарность Михаилу Кострикову за организацию и идейное спонсирование данной мини-секции. А также за вклад в развитие индустрии веб-анализа в целом.
Изучение статьи Amazon.com Recommendations Item-to-Item Collaborative filtering (построение рекомендаций типа товар-товар на основе предпочтений пользователей) подтолкнуло меня сделать краткий обзор этой статьи плюс добавить свои собственные мысли. Сама статья была написана командой разработчиков рекомендаций Amazon.com.
Итак, товарные рекомендациии. Amazon.com утверждает, что 40% продаж генерируются через механизмы рекомендаций. Насколько достижима эта цифра? В принципе достижима, 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. Для измерения этих параметров мы используем , а именно .
В этой статье я привел те алгоритмы, с которых нужно начинать такие проекты...
Вчера сделали очередной апгрейд системы рекомендаций на Озоне. Если вкратце, то что появилось: 1) на каждом товаре пользователь может настраивать свое персональное отношение к товару (нравится/не нравится) и указать, что данный товар у него уже есть. Этот инструмент настройки персональных рекомендаций. 2) Все товары, к которым пользователь выразил свое отношение складируются в специальных списках, списки доступны для редактирования с главной страницы персональных рекомендаций. Также было сделано облако тегов для удобного просмотра товаров в персональных рекомендациях. Тег - это раздел, к которому относится товар.
Ура, наконец-то запустил систему персональных рекомендаций.
Приходя в , вы покупаете или откладываете нужные товары, оставляете на них отзывы или интересуетесь другими мнениями, формируете списки товаров в подарок. Теперь, сравнивая ваши действия с поведением остальных пользователей, OZON.ru автоматически рекомендует вам тот или иной товар. Нажав на ссылку "Почему мне это рекомендуют?", вы всегда можете узнать, почему для вас выбран именно этот товар.
Возможно, сейчас у нас нет для вас рекомендаций, или они не соответствуют вашим интересам, потому что мы ещё слишком мало знаем о ваших предпочтениях. Выражайте свое мнение, оставляя отзывы о товарах, оценивая отзывы других посетителей, совершая покупки, и возвращайтесь на эту страницу - мы обязательно найдем для вас что-нибудь стоящее.
На второй неделе декабря я встречался (точнее наша компания) с Andreas Weigend, профессором Стенфордского университета. Очень примечательно, что он работал chief scientist в интернет магазине amazon.com
Общение было интересным, но на сайте я тоже нашел много полезной информации:
Особенно меня заинтересовали две его статьи:
1) В статье рассказывает про методологию проведения экпериментов в amazon.com, а также о концепциях механизма рекомендаций.
2) Почти то же самое, что в первой статье, только немного понятнее. :).
В Omniture есть такая фича, как Multivariate testing. Некоторая информация име ется здесь:
Перед запуском рекламной кампании в электронной коммерции разрабатываются маркетинговые модели, которые должны в точности отражать маркетинговую стратегию.
Интернет-реклама (или интернет-маркетинг) приводит потенциальных клиентов на сайт и требует серьезных инвестиций. Веб-аналитика помогает сделать анализ рекламы,
оценить конверсию сайта и посещаемость сайта. В качестве технического средства лучше использовать Google analytics, это очень хороший счетчик посещений сайта, можно
сказать лучший из всех бесплатных счетчиков сайтов.
На эффективность продвижения юзабилити влияет, но не настолько, как сейчас распространено мнение в сети Инернет. Больше влияют алгоритмы рекомендаций и навигация на сайте.
Сайты накапливают базу данных клиентов. И анализ интернет-магазинов показывает, что эта информация в маркетинге используется слабо.
Business intelligence или bi система позволяет делать сегментацию потребителей по поведению и демографии, а также скоринг вероятности отклика клиента.
Data mining инструменты затем используют для проведения кампаний прямого маркетинга (или direct marketing) по базе данных клиентов.
OLAP и bsc (сбалансированные показатели) инструменты очень важны для анализа в маркетинге. Bi системы также являются основой любой аналитической CRM системы.
Все это образует электронный маркетинг. Об этом весь сайт KPIs.ru, включая мои лекции по маркетингу.
Публикую очень важные и интересные материалы про системы рекомендаций.
Изучение статьи Amazon.com Recommendations Item-to-Item Collaborative filtering (построение рекомендаций типа товар-товар на основе предпочтений пользователей) подтолкнуло меня сделать краткий обзор этой статьи плюс добавить свои собственные мысли. Сама статья была написана командой разработчиков рекомендаций Amazon.com.
