Dołącz do czytelników
Brak wyników

Temat numeru , Otwarty dostęp

30 kwietnia 2019

NR 5 (Kwiecień 2019)

Jak sztuczna inteligencja zwiększa konwersję w sklepie internetowym

0 138

Sztuczna inteligencja (AI, artificial intelligence) stanowi obecnie najpopularniejszy kierunek rozwoju nie tylko w tzw. Martech (marketing technology), ale również w innych obszarach, gdzie zbierane są dane. Od narodzin dyscypliny w połowie lat 50. XX wieku dokonało się kilka przełomów, z których najważniejszy dotyczył trendu danetyzacji, a więc przetwarzania coraz większej ilości danych. To dzięki technologiom Big Data, algorytmy uczące się (ML, machine learning) uzyskują dzisiaj coraz większą precyzję w określaniu prawdopodobieństwa wystąpienia pewnych zdarzeń.

To bardzo ogólne stwierdzenie obejmuje bardzo praktyczne zastosowania. Jeżeli zaobserwujemy, że klienci, którzy wybierają produkt A, w 70% wybierają również produkt C, ale niekoniecznie B, to wiedza ta jest dla marketera bez wątpienia użyteczna. Jednak zaletą zastosowania do rozpoznawania takich zależności algorytmów AI jest to, że potrafią działać w czasie rzeczywistym, dostosowując się do napływu nowych danych, a im więcej danych jesteśmy w stanie zdobyć, aby zasilić algorytmy AI/ML, tym lepiej. 

Na jakich danych możesz operować w sklepie internetowym? 

Podstawowym źródłem danych jest strona internetowa sklepu. Samo monitorowanie strony jest stosunkowo proste – odbywa się przez dodanie przez odpowiedni skrypt ciastka z UUID-em (universally unique identifier, czyli unikalnym identyfikatorem klienta), który będzie stanowił podstawę do stworzenia profilu klienta w CRM (customer relationship management). Dotyczy to zarówno klientów anonimowych, jak i zidentyfikowanych – to znaczy tych, którzy zapisują się na newsletter lub logują się do sklepu internetowego. 

 

Rys. 1. Profil w CRM dla sklepu internetowego powinien zbierać różne rodzaje danych
– nie tylko te deklaratywne podane przy rejestracji, ale wszystkie akcje użytkownika,
transakcje, a także umożliwiać zaawansowaną segmentację klientów. Źródło: Synerise



Dzięki monitorowaniu zachowań klientów możemy przeanalizować najpopularniejsze ścieżki zakupowe oraz podzielić ich według zainteresowań. Wiemy też dzięki temu, co jest dodawane do koszyka – nawet, jeżeli transakcje nie zostały sfinalizowane. Ma to niebagatelne znaczenie dla tego, co będzie prezentowane klientom w rekomendacjach oraz co możemy zrobić, aby zwiększyć konwersję zakupową.

Drugim rodzajem danych, na których bazuje silnik rekomendacji, są dane transakcyjne. Tutaj zawarte są informacje o produktach (ceny, kategorie) oraz zakupach klientów (jakie produkty są kupowane razem, jakie są najczęściej wybierane w danej kategorii itd.). Historyczne dane transakcyjne musimy zaimportować do systemu rekomendacji, a także zapewnić odpowiednią integrację dla danych bieżących. Te dane stanowić będą podstawę m.in. dla kampanii typu cross-sell i up-sell, ale także pozwolą wyróżnić produkty, które sprzedają się najlepiej.

A zatem: co może polecić sztuczna inteligencja? 

W różnych miejscach sklepu możesz umieścić ramki rekomendacji, które będą prezentowały produkty wg różnych kryteriów. Przy wyborze silnika należy pamiętać, że nie wszystkie typy rekomendacji sprawdzą się w każdej branży. 

1. Rekomendacje personalizowane to jeden z najpopularniejszych typów rekomendacji. Popularność stosowania tego typu rekomendacji wynika przede wszystkim z ich wpływu na konwersję zakupową – mogą być wyświetlane użytkownikowi od pierwszych chwil w sklepie. Dopasowanie wyświetlanych produktów do zainteresowań użytkownika pomaga zatem przykuć uwagę i zachęcić do dalszych akcji i podążenia w dół lejka sprzedażowego. Rekomendacje personalizowane są dynamicznie dopasowywane do ilości informacji, jaką posiadamy o użytkowniku. W przypadku klientów sklepu podstawą dopasowania będzie historia zakupowa i dane behawioralne, natomiast użytkownikom anonimowym, których historii nie posiadamy, prezentowane będą produkty najczęściej sprzedawane i promocje. 
2. Produkty podobne prezentowane są na karcie produktu. Ich podstawą jest feed produktowy, ale wybór rekomendacji wyświetlanych użytkownikowi dokonuje się również na bazie danych dotyczących popularności produktów z kategorii. Jeżeli użytkownik wyświetla model smartfona A, system może na bazie danych historycznych podsunąć jako podobny model w innej cenie, jako mający statystycznie lepszą konwersję zakupową. 
3. Produkty podobne wizualnie. Jest to typ rekomendacji, który doskonale sprawdza się w branży odzieżowej i obuwniczej, gdzie wybór produktu motywowany jest w przeważającej mierze jego wyglądem. Podobny wizualnie smartfon niekoniecznie będzie interesujący dla użytkownika, który zwraca uwagę na parametry techniczne czy markę. Natomiast sukienka czy buty podobne do aktualnie przeglądanych zwiększają szansę na to, że użytkownik znajdzie produkt najbardziej przystający do jego potrzeb i zakupem zakończy wizytę w sklepie.
 

Rys. 2. Przykładowe rekomendacje oparte na visual similarity.
Źródło: Synerise


4. Produkty komplementarne. Cross-sell to bardzo prosty sposób na zwiększenie wartości koszyka zakupowego. Najprostszym przykładem działania rekomendacji jest sprzedaż telefonów komórkowych – lista akcesoriów, jakie można dokupić do każdego smartfona, jest całkiem spora. Prezentując je na karcie produktu lub w koszyku zakupowym, a także wysyłając je mailem po zakupie, zwię...

Artykuł jest dostępny dla zalogowanych użytkowników.

Jak uzyskać dostęp? Wystarczy, że założysz konto lub zalogujesz się.
Czeka na Ciebie pakiet inspirujących materiałów.
Załóż konto Zaloguj się

Przypisy