Rekomendacje AI: jak Manago AI dobiera produkty do ramki rekomendacji

Każda z tych decyzji wpływa na wynik biznesowy. Nawet dobry model może wygenerować słabą ramkę, jeśli strategia usuwa zbyt wiele produktów albo nie przewiduje, co zrobić, gdy główny scenariusz nie wypełni ramki. Przyjrzyjmy się więc, jak działają rekomendacje produktowe w Manago AI, od pierwszej decyzji modelu po ostatni produkt wyświetlony klientowi.

Dwie warstwy, dwa różne zadania

Manago AI rozdziela rekomendacje produktowe na dwie warstwy. Warstwa modelu decyduje, które produkty są najtrafniejsze dla konkretnego klienta. Zależnie od konfiguracji może wykorzystywać scenariusze statystyczne oparte na wzorcach występujących w całej bazie klientów albo własne modele AI trenowane na danych firmy z myślą o konkretnym celu biznesowym.

Warstwa strategii odpowiada za to, co dzieje się z tym wyborem dalej: filtruje produkty, uzupełnia zestaw, porządkuje go i decyduje o produktach niedostępnych. Obsługuje ją Architekt Rekomendacji, którego logika działa niezależnie od wybranego scenariusza bazowego. To rozróżnienie jest ważne, bo słaby wynik nie zawsze oznacza, że model źle dobiera produkty. Filtr utworzony pół roku temu może po cichu usuwać połowę całkiem dobrego zestawu rekomendacji, dlatego przed zmianą modelu warto sprawdzić, co strategia robi z jego wynikami.

Co silnik rekomendacji już wie

Silnik uczenia maszynowego, na którym opierają się statystyczne rekomendacje Manago AI, analizuje indywidualne zachowania klientów, historię zakupów oraz relacje między produktami w katalogu. Nie wymaga ręcznego określania, które produkty powinny być ze sobą łączone. Zamiast tego szuka wzorców w aktywności klientów i wykorzystuje je do tworzenia kilku rodzajów rekomendacji.

Filtrowanie kolaboracyjne

Filtrowanie kolaboracyjne działa w dwóch kierunkach. W modelu produkt → produkt silnik analizuje, jak często i z jakim prawdopodobieństwem określone produkty pojawiają się razem. Nie muszą być podobne ani należeć do tej samej kategorii, dzięki czemu system może wykrywać zależności, które nie byłyby oczywiste przy zwykłych regułach merchandisingowych.

Model użytkownik → produkt patrzy na problem od strony klienta. Analizuje osoby o podobnych profilach behawioralnych i na podstawie ich zainteresowań wskazuje produkty, które mogą być trafne także dla danego klienta. W obu przypadkach podstawą rekomendacji jest rzeczywiste zachowanie, a nie wcześniejsze założenie dotyczące tego, które produkty logicznie powinny do siebie pasować.

Produkty najczęściej kupowane po obejrzeniu kilku innych

Ten scenariusz bierze pod uwagę kilka produktów oglądanych przez klienta, a nie tylko produkt znajdujący się aktualnie na ekranie. Analizuje, co kupowali inni klienci, którzy wcześniej przeglądali podobny zestaw produktów, i na tej podstawie buduje rekomendacje.

Sprawdza się wtedy, gdy chcesz, aby rekomendacje odzwierciedlały szerszy wzorzec przeglądania, a nie pojedynczą interakcję z jednym produktem.

Produkty najczęściej oglądane i kupowane razem

Oba scenariusze wykorzystują podobną zasadę, ale analizują inne zachowania. Pierwszy identyfikuje produkty często oglądane podczas tej samej wizyty na stronie, a drugi – produkty, które regularnie pojawiają się razem w zamówieniach.

Mieszane scenariusze

Te scenariusze łączą kilka rodzajów statystyk i pozwalają określić, jak duże znaczenie ma mieć każdy typ zachowania. Na pierwszych pozycjach są produkty, które klient najpewniej kupi, następnie te, które prawdopodobnie zechce obejrzeć.

Pozwala to nadać rekomendacjom kierunek biznesowy bez rezygnowania z danych behawioralnych, na których się opierają. Takie dane ułatwiają też wychwycenie powiązań trudnych do zauważenia przy samej logice kategorii, szczególnie gdy klienci regularnie oglądają lub kupują razem produkty, których zespół merchandisingu nigdy nie połączyłby ręcznie.

W scenariuszach AI można również określić zakres czasu, z którego analizowane są dane: wszystko, miesięczny lub tygodniowy. To niewielkie ustawienie, ale przydatne tam, gdzie zachowania zakupowe zmieniają się sezonowo. Krótszy zakres pozwala mocniej oprzeć rekomendacje na aktualnych wzorcach, a szerszy zachowuje więcej długoterminowej historii.

Silnik potrzebuje jednak odpowiedniej ilości danych. Korzysta z informacji transakcyjnych zapisanych jako zdarzenia zakupowe, feedu produktowego XML oraz danych o wizytach na stronie. Jeśli dotychczasowa historia transakcji jest zbyt krótka, przed wdrożeniem można zaimportować wcześniejsze transakcje z platformy e-commerce i zapewnić modelowi lepszy punkt wyjścia.

Zobacz, czego nauczył się silnik

Silnik rekomendacji zawiera także panel analityczny, który pomaga zrozumieć, z czego wynikają generowane rekomendacje. Pokazuje, jaka część bazy kontaktów jest objęta rekomendacjami, oraz prezentuje graf relacji między kategoriami i produktami. Grubość poszczególnych połączeń odzwierciedla siłę rekomendacji.

Dostępny jest również widok najczęściej rekomendowanych kategorii wraz z proporcją produktów rekomendowanych i nierekomendowanych w każdej z nich. Dzięki temu panel przydaje się nie tylko do optymalizacji kampanii. Jeżeli większość produktów z określonej kategorii regularnie nie pojawia się w rekomendacjach, może to być dla zespołu merchandisingu ważny sygnał dotyczący popytu albo samego asortymentu.

Własne modele AI zaczynają od celu biznesowego

Rekomendacje statystyczne opisują wzorce, które już występują w katalogu i bazie klientów. Własne modele AI idą krok dalej, ucząc się zachowań poszczególnych klientów w odniesieniu do celu wybranego przez firmę.

AI Recommendations wykorzystuje modele przygotowywane indywidualnie dla danej organizacji. Można je trenować pod kątem jednego z trzech celów: maksymalizacji prawdopodobieństwa zakupu, maksymalizacji wartości zakupu lub maksymalizacji prawdopodobieństwa wyświetlenia produktu. Wykorzystują przy tym informacje o klientach, reakcje na wiadomości e-mail, dane zakupowe i zachowania na stronie. Modele są regularnie trenowane ponownie, codziennie lub co tydzień, dzięki czemu rekomendacje nadążają za zmieniającymi się zachowaniami klientów.

Proces zaczyna się od zdefiniowania celu, a nie od wyboru ustawień modelu. Najpierw określasz, co dane umieszczenie ma osiągnąć, a model jest przygotowywany pod ten konkretny cel, przez agenta AI w platformie albo nasz zespół. Zanim rozpocznie się uczenie modelu, sprawdzane są właściwości kontaktów, katalog produktów i historia ostatnich zakupów, żeby ocenić, czy dane są wystarczająco kompletne i jakościowe. Jeśli czegoś brakuje, wychodzi to na jaw jeszcze przed uruchomieniem strategii, a nie dopiero wtedy, gdy zaczyna wpływać na wyniki. Jest to jednocześnie test wykonalności: jeżeli dostępne dane nie pozwalają osiągnąć wybranego celu, można wykryć problem jeszcze przed trenowaniem modelu, zamiast dopiero wtedy, gdy strategia zacznie już działać. Gdy dane są gotowe, zaczyna się trenowanie modelu.

Cel zmienia rekomendacje

Wybór celu jest jedną z najważniejszych decyzji biznesowych podczas konfiguracji, ponieważ bezpośrednio wpływa na to, co zobaczy klient. Model trenowany z myślą o maksymalizacji prawdopodobieństwa zakupu nie musi wskazywać tych samych produktów co model nastawiony na zwiększenie wartości zamówienia. Oba mogą trafnie odpowiadać na potrzeby tego samego klienta, ponieważ rozwiązują dwa różne problemy.

Dlatego znaczenie ma miejsce, w którym rekomendacja się pojawia. Ramka skierowana do niezdecydowanego klienta może potrzebować innego celu niż ramka dla osoby, która już z dużym prawdopodobieństwem dokona zakupu i której warto zaproponować produkty zwiększające wartość koszyka. AI Recommendations uwzględnia cel bezpośrednio w procesie optymalizacji, dzięki czemu model może zostać dostrojony pod kątem konkretnego rezultatu, np. prawdopodobieństwa zakupu albo wartości zamówienia, zamiast ogólnie rozumianej trafności.

Możesz uruchomić kilka modeli, z których każdy realizuje inny cel biznesowy. W praktyce pozwala to tworzyć bardziej wyspecjalizowane modele do konkretnych zadań biznesowych: jeden dla strony produktu, drugi dla e-maila po zakupie. Próba wykorzystania jednego modelu do wszystkich wszystkich zadań oznacza optymalizację pod kątem średniej z różnych celów, a taki model może nie sprawdzić się w żadnym z tych miejsc.

Możesz opisać strategię, zamiast budować ją od zera

Strategia rekomendacji nie musi zawsze zaczynać się od ręcznej konfiguracji w kreatorze. AI w platformie wykorzystuje język naturalny, aby pomóc stworzyć inteligentną strategię rekomendacji na podstawie opisu tego, co chcesz osiągnąć.

Zamiast ręcznie składać pierwszą wersję strategii, opisujesz swój cel i sprawdzasz konfigurację przygotowaną przez system. Efektem jest zwykła strategia, którą możesz przeglądać, zmieniać i dopracowywać, więc wszystkie decyzje opisane w tym artykule pozostają pod kontrolą marketera. AI przygotowuje punkt wyjścia, zamiast ukrywać logikę konfiguracji.

Jeśli nie chcesz zaczynać od pustej konfiguracji, gotowe szablony są trzecią opcją obok kreatora i AI. Wybierasz najbliższy potrzebom punkt wyjścia, a następnie dopasowujesz strategię do placementu, odbiorców i celu biznesowego zamiast budować całość od zera.

Praktyczna korzyść to przede wszystkim szybkość. Jeżeli stworzenie kolejnej strategii zajmuje kilka minut zamiast całego popołudnia, zespół nie musi korzystać z jednej ogólnej konfiguracji w zupełnie różnych miejscach. Może szybciej tworzyć i testować alternatywy bez zamieniania każdego wariantu w osobny projekt wdrożeniowy. Więcej o budowaniu i ponownym wykorzystywaniu strategii znajdziesz w materiale poświęconym modułowi Recommendation Architect.

Jak model łączy się z Architektem Rekomendacji

Niezależnie od tego, który silnik wybierzesz, w Architekcie Rekomendacji pełni on funkcję scenariusza bazowego. W przypadku własnego modelu wybierasz AI Recommendations, a następnie wskazujesz model, który ma zostać użyty. Od tego momentu Architekt Rekomendacji decyduje, w jaki sposób wyniki modelu zostaną przekształcone w ostateczną ramkę rekomendacji.

Kilka reguł jest szczególnie istotnych, ponieważ mogą wyraźnie zmienić wynik nawet przy niezmienionym modelu.

Modyfikatory działają po kolei

Każdy modyfikator działa na zestawie produktów zwróconym przez poprzedni krok, a nie na całym oryginalnym katalogu. Kolejność modyfikatorów zmienia więc rezultat. Strategia, która najpierw filtruje produkty, a później je modyfikuje, może dać inny końcowy zestaw niż strategia wykonująca dokładnie te same operacje w odwrotnej kolejności. Dlatego podczas diagnozowania problemów ze strategią warto analizować cały ciąg operacji, a nie każdy modyfikator osobno.

Filter i Replace with similar products nie są tym samym

Filter pozostawia albo wyklucza produkty z zestawu zwróconego przez model. Model nadal decyduje, które produkty są trafne, a filtr jedynie ogranicza to, co może przejść dalej. Przydaje się to wtedy, gdy chcesz nałożyć ograniczenie biznesowe bez zmieniania samej logiki rekomendacyjnej, np. chronić marżę albo wykluczyć kategorię promocyjną z ramki przeznaczonej na produkty w pełnej cenie.

"Replace with similar products" działa inaczej, ponieważ zastępuje produkty wybrane przez model innymi, które mają wskazaną cechę. Takie zamienniki nie musiały znajdować się w pierwotnym zestawie rekomendacji, więc wykorzystanie tej opcji może osłabić logikę obliczeń, na podstawie których powstały rekomendacje. Jeżeli celem jest po prostu kontrolowanie, które produkty mogą trafić do ramki, Filter jest bezpieczniejszym wyborem.

Replace with similar products może działać w trzech trybach: na podstawie szczegółów produktu, na podstawie danych behawioralnych, na podstawie wyglądu. Ostatni z nich wykorzystuje AI do analizy obrazów i wyszukuje produkty o podobnych cechach wizualnych, m.in. kształtach, kolorach czy wzorach. Może być szczególnie przydatny w takich kategoriach jak moda, akcesoria czy wyposażenie wnętrz, gdzie podobieństwo produktów nie zawsze da się dobrze opisać samymi atrybutami w katalogu.

Scenariusze zapasowe pomagają wypełnić całą ramkę

Ramka rekomendacji nie musi opierać się na jednym scenariuszu. W kreatorze "Zaawansowany" można skonfigurować dwa lub trzy scenariusze i określić, jak mają ze sobą współpracować. Przy opcji Set main and fallback scenarios system pobiera maksymalną możliwą liczbę rekomendacji ze scenariusza A, a jeśli nadal zostają wolne miejsca, przechodzi do scenariusza B, a następnie C. Przy opcji "rozłóż po równo" produkty są pobierane mniej więcej po równo z wybranych scenariuszy.

Najlepiej zacząć od najbardziej precyzyjnego scenariusza, a kolejne scenariusze zapasowe dobierać coraz ogólniejsze. Własny model AI może więc zajmować pierwsze miejsce, za nim może znaleźć się scenariusz behawioralny, a na końcu ogólna opcja działająca na poziomie katalogu.

Scenariusze zapasowe rozwiązują bardzo praktyczny problem. Scenariusz może być trafny, a mimo to zwracać zbyt mało produktów z powodu ograniczonej historii klienta, zastosowanych filtrów albo braków magazynowych. Bez scenariusza zapasowego oznacza to niewykorzystane miejsca w ramce. Dobrze ustawiona hierarchia pozwala ramce dalej wspierać sprzedaż, nawet jeśli scenariusz główny nie jest w stanie wypełnić wszystkich miejsc. Samo wypełnienie ramki nie powinno jednak być celem, bo źle dobrany scenariusz zapasowy może uzupełnić ją produktami mającymi niewiele wspólnego z zamiarami klienta.

Dostępność i sortowanie wkraczają później

Dostępność produktu jest obsługiwana niezależnie od logiki rekomendacji. Domyślnie wyświetlane są tylko produkty z available=true oraz quantity>0. Można włączyć wyświetlanie produktów niedostępnych, ale pozostawienie tej opcji wyłączonej zapobiega kierowaniu klientów do produktów, których nie mogą kupić.

Sortowanie jest stosowane dopiero po wykonaniu reguł rekomendacji i dostępności. Pozostałe produkty można uporządkować według ceny, rabatu, największej zniżki, popularności, statusu bestsellera, nowości lub dowolnego dostępnego pola produktu.

Cały proces można więc sprowadzić do czterech etapów: model dobiera produkty, strategia filtruje i uzupełnia zestaw, reguły dostępności usuwają produkty, których nie można kupić, a sortowanie ustala kolejność tych, które pozostały.

Przykład: sześć miejsc rekomendacyjnych dla jednego klienta

Załóżmy, że na stronie głównej sklepu modowego znajduje się ramka na sześć produktów, skonfigurowana w kreatorze "Zaawansowany":

• Scenariusz A, główny: AI Recommendations z modelem trenowanym pod kątem maksymalizacji prawdopodobieństwa zakupu.

• Modyfikator: Filter → Wyklucz → główna kategoria "Sale", ponieważ ramka ma promować produkty w pełnej cenie.

• Scenariusz B, pierwszy zapasowy: ostatnio oglądane produkty.

• Scenariusz C, drugi zapasowy: najczęściej kupowane produkty.

• Tryb wyboru produktów: określ scenariusz główny i zapasowy.

• Sortowanie: bestsellery jako pierwsze.

• Produkty niedostępne: wyłączone.

Anna odwiedza stronę. W ciągu ostatniego roku dokonała dwóch zakupów, tydzień temu przeglądała odzież wierzchnią, a wczoraj oglądała cztery kurtki. Architekt Rekomendacji zaczyna od scenariusza A. Model AI wykorzystuje historię zakupów Anny, jej zachowania na stronie i tworzy uporządkowany zestaw rekomendacji.

Następnie filtr usuwa produkty z kategorii Sale. Zostają cztery rekomendacje, ale dwie z nich są niedostępne. Ponieważ strategia nie dopuszcza produktów bez stanu magazynowego, te dwa również odpadają. Scenariusz A wypełnia więc tylko dwa z sześciu miejsc. Pozostają cztery wolne miejsca, dlatego Architekt Rekomendacji przechodzi do scenariusza B. Anna oglądała wczoraj cztery kurtki, z czego trzy są nadal dostępne, więc wypełniają kolejne trzy miejsca. Ostatni produkt dostarcza scenariusz C, wykorzystując listę najczęściej kupowanych produktów.

Dopiero po wypełnieniu wszystkich sześciu miejsc uruchamiane jest sortowanie. Produkty oznaczone jako bestsellery przesuwają się na początek niezależnie od tego, czy pochodzą z modelu AI, ostatnio oglądanych produktów czy ogólnego scenariusza zapasowego. Anna widzi dzięki temu jeden spójny rząd rekomendacji, a nie trzy osobne grupy produktów.

Ta sama strategia może działać dla anonimowego użytkownika

Spójrzmy teraz na osobę odwiedzającą sklep po raz pierwszy. Jest anonimowa i zdążyła obejrzeć tylko trzy produkty. Rekomendacje dopasowywane przez AI również w tym przypadku mogą działać, ale model ma znacznie mniej informacji. W efekcie może zwrócić mniejszą liczbę produktów, a scenariusze zapasowe przejmą większą część pracy związanej z wypełnieniem ramki.

W ramce Anny model wypełnił dwa miejsca, a scenariusze zapasowe cztery. U anonimowego użytkownika scenariusze B i C mogą mieć jeszcze większy udział. Ta sama strategia radzi sobie z obiema sytuacjami, co ma duże znaczenie, ponieważ niezidentyfikowani odwiedzający często stanowią znaczną część ruchu w e-commerce.

Personalizacja może rozpocząć się jeszcze przed poznaniem adresu e-mail klienta. Jeśli użytkownik później się zidentyfikuje, zachowania zarejestrowane podczas anonimowej sesji mogą zostać połączone z jego profilem. Pierwsza spersonalizowana komunikacja po identyfikacji może więc już uwzględniać to, co użytkownik robił przed zapisem. W tym miejscu rekomendacje naturalnie łączą się z szerszą personalizacją strony internetowej.

Wykorzystuj tę samą strategię w różnych kanałach

Gotową strategię można zapisać w Bibliotece i wykorzystać ponownie. Ta sama konfiguracja rekomendacji może pojawić się na przykład w ramce na stronie i w szablonie e-maila utworzonym w Email Design Studio. Ułatwia to utrzymanie spójnej logiki rekomendacji we wszystkich punktach styku. Klient zobaczy rekomendacje oparte na tej samej strategii na stronie produktu, w e-mailu dotyczącym porzuconego koszyka czy w powiadomieniu web push. Zespół marketingowy nie musi przy tym utrzymywać osobnych kopii dla każdego miejsca.

Trzeba jednak pamiętać o jednej ważnej konsekwencji. Edycja strategii zapisanej w Bibliotece zmienia ją wszędzie tam, gdzie jest aktualnie używana. Jeżeli zmodyfikujesz strategię używaną w ramce na stronie głównej, możesz jednocześnie zmienić blok rekomendacji wykorzystywany w e-mailu na ścieżce klienta. Jeśli chcesz stworzyć wariant tylko dla jednego miejsca, najpierw skopiuj strategię i edytuj kopię.

Analityka rekomendacji pokazuje, który scenariusz wypełnia ramkę

Analityka rekomendacji śledzi wyświetlenia, kliknięcia, transakcje i przychód zarówno na poziomie ramki, jak i całej strategii. W pierwszej kolejności warto spojrzeć na udział poszczególnych scenariuszy w wypełnianiu ramki. Jeżeli przez większość czasu jeden scenariusz dostarcza do ramki najwięcej produktów, drugi scenariusz może być znacznie bardziej ograniczony, niż zakładano. Częstymi przyczynami są zbyt restrykcyjny filtr albo słaba dostępność produktów. Dla klienta ramka może przy tym wyglądać na kompletną, więc taki problem łatwo przeoczyć.

Następnie warto porównać strategię opartą na modelu ze strategią opartą na regułach, którą zastąpiła – w tym samym miejscu i w porównywalnym okresie. Dzięki temu łatwiej ocenić, czy model rzeczywiście poprawia wyniki, czy tylko pokazuje inne produkty. Na koniec można połączyć wyniki poszczególnych produktów z analizą pokrycia kategorii i sprawdzić, na jakie produkty klienci reagują wtedy, gdy rekomendacja wynika z ich rzeczywistego zachowania, a nie z planu merchandisingowego stworzonego przed rozpoczęciem sezonu. Taka wiedza może później wspierać marketing, dział zakupów i decyzje dotyczące asortymentu.

Jak rekomendacje wyglądają w praktyce

Empik Foto jest dobrym przykładem sytuacji, w której rekomendacje stają się elementem codziennej ścieżki klienta, zamiast funkcjonować wyłącznie w jednej karuzeli produktowej. Automatyzacje obejmowały rekomendacje po zakupie, a ankiety satysfakcji i inne interakcje na stronie dostarczały danych do doboru produktów. Warstwa rekomendacyjna działała obok odzyskiwania porzuconych koszyków, segmentacji i kampanii wielokanałowych.

Program przyniósł wzrost liczby transakcji o 201,24%, wzrost średniej wartości zamówienia o 9% r/r oraz ROI na poziomie 1868%. Są to wyniki całego programu, a nie samych rekomendacji, ale pokazują kontekst, w którym wykorzystywano tę logikę. Przeczytaj case study Empik Foto

GOG.com startował z innej pozycji. Przed wdrożeniem zespół nie był w stanie wykorzystywać rekomendacji produktowych opartych na AI na dużą skalę i wskazywał personalizowane rekomendacje jako jeden ze swoich celów. Opublikowane case study skupia się bardziej na spersonalizowanym onboardingu, w którym takie zachowania jak przeglądanie gatunków gier czy dodawanie tytułów do listy życzeń wpływały na komunikację. Onboarding wygenerował przychód wyższy o 7,8% niż w grupie kontrolnej, ale przypisywanie tego wyniku wyłącznie rekomendacjom byłoby nadużyciem. Case study GOG.com jest tutaj bardziej użyteczne jako przykład tego, dlaczego skuteczność rekomendacji zależy od danych behawioralnych i integracji, na których się opierają. Przeczytaj case study GOG.com

Monnari jest na jeszcze wcześniejszym etapie. Obecny program marki wykorzystuje segmentację behawioralną i transakcyjną, dynamiczny remarketing, kampanie po zakupie i personalizację. Rekomendacje AI są natomiast wskazane jako kolejna możliwość wzrostu, a nie źródło 5621% ROI. To ważne rozróżnienie, ponieważ modele rekomendacyjne zwykle stają się bardziej wartościowe wtedy, gdy dane i automatyzacje, na których się opierają, już działają. Przeczytaj case study Monnari

Te trzy przykłady ilustrują, że rekomendacje nie muszą pojawiać się w tym samym miejscu ani odgrywać tej samej roli w każdej firmie. Zależnie od ścieżki klienta mogą stać się częścią personalizacji strony, automatyzacji po zakupie, onboardingu albo odkrywania produktów. Więcej o łączeniu rekomendacji z komunikacją na stronie znajdziesz także w materiale poświęconym personalizacji strony.

Co rekomendacje AI zmieniają w biznesie

Konfiguracja może być rozbudowana, ale efekt biznesowy sprowadza się do czterech praktycznych zmian.

Każde miejsce może mieć własny cel biznesowy

Rekomendacja na stronie produktu nie musi rozwiązywać tego samego problemu co rekomendacja w e-mailu po zakupie. Jedna może optymalizować prawdopodobieństwo zakupu, druga – wartość zamówienia, zaangażowanie albo odsłony produktu. Zamiast stosować wszędzie jedną ogólną definicję trafności, model można trenować pod kątem konkretnego zadania, które dane miejsce ma wykonać.

Ramki rekomendacji działają także przy ograniczonej ilości danych

Nie każdy klient przychodzi z taką samą historią. Nowi użytkownicy, profile z niewielką ilością informacji czy chwilowe braki magazynowe mogą ograniczyć liczbę produktów dostępnych w scenariuszu. Hierarchia scenariuszy zapasowych daje strategii sensowną kolejną opcję, dzięki czemu brak produktów w jednym scenariuszu nie musi kończyć się pustą ramką albo zestawem przypadkowych produktów.

Personalizacja może zacząć się jeszcze przed identyfikacją

Rekomendacje mogą być dostępne dla anonimowych odwiedzających już podczas pierwszej sesji. Gdy odwiedzający się zidentyfikuje, jego wcześniejsza aktywność może zostać dołączona do profilu klienta, dzięki czemu późniejsza komunikacja może wykorzystywać dane o zachowaniu zebrane jeszcze przed zapisem lub zakupem. Wartość pierwszych danych o przeglądaniu nie kończy się więc wraz z anonimową sesją.

Jedna logika, wiele kanałów

Wspólna strategia rekomendacji może działać jednocześnie na stronie, w e-mailu i kanałach push, zamiast być odtwarzana osobno dla każdego kanału. Analityka pokazuje przy tym, jak poszczególne strategie się sprawdzają, które scenariusze faktycznie wypełniają ramki i na jakie produkty reagują klienci. Dzięki temu system rekomendacji staje się zarówno narzędziem do realizacji kampanii, jak i stałym źródłem wiedzy o popycie oraz asortymencie.

Od stałych reguł do rekomendacji, które podążają za zachowaniem klienta

Reguły sprawdzają się wtedy, gdy zależność między produktami jest znana i raczej się nie zmienia. Opisują jednak to, co zespół uważał za właściwe w chwili ich tworzenia. AI Recommendations dodaje do tego informacje wynikające z tego, co klienci rzeczywiście robią teraz.

Model wykrywa wzorce w danych behawioralnych, transakcyjnych i dotyczących zaangażowania, a Architekt Rekomendacji pozostawia zespołowi marketingowemu kontrolę nad biznesowymi ograniczeniami rekomendacji: tym, które produkty mogą zostać pokazane, jak działają scenariusze zapasowe oraz jakie reguły dostępności i sortowania obowiązują. Model odpowiada więc za trafność doboru produktów, marketer definiuje cel biznesowy i zasady działania strategii, a analityka pokazuje, czy całe rozwiązanie osiąga zakładany wynik.

Rekomendacje AI - najczęstsze pytania