Одна из основных проблем, с которыми сталкивается электронная коммерция, заключается в том, как представить товары таким образом, чтобы они были привлекательными и полезными для потенциальных клиентов. В частности, порядок, в котором отображаются продукты, играет жизненно важную роль в пути клиента, привлекая его внимание и влияя на его решение о покупке.

Стратегия ранжирования продукта варьируется в зависимости от целей компании и, что более важно, от потребностей клиента. Рейтинг продуктов можно разделить на три подхода (см. рис. 1):

  • Вдохновляющий подход касается клиентов, у которых нет конкретного намерения совершить покупку и которые хотят вдохновляться новыми тенденциями и продуктами.
  • Ориентационный подход фильтрует продукты на основе предпочтений клиентов.
  • Релевантный подход ранжирует продукты по их значимости для поисковых запросов.

Вдохновляющий подход полезен для стимулирования продаж и роста электронной коммерции, поскольку он мотивирует клиентов совершать покупки, которые ранее не собирались делать это. Однако основное внимание в науке о данных уделяется методам и практикам подходов ориентации и релевантности. В этой статье я быстро опишу подходы к ориентации и релевантности, а затем сосредоточусь на вдохновляющем рейтинге продуктов.

Ориентационный подход

Ориентационный подход необходим из-за подавляющего количества продуктов, предлагаемых покупателю, что приводит к парадоксу выбора, когда покупателю сложно выбрать конкретный продукт из множества доступных альтернатив (Schwartz, 2004). Рейтинги продуктов для ориентации генерируются рекомендательными системами. Эти системы фильтруют продукты на основе сходства с другими клиентами и их взаимодействия с продуктами. Эти сходства выводятся из покупательского поведения при совершении покупок и просмотров или суждений о предпочтениях и могут быть дополнены контекстной информацией, такой как демографические данные и пол. Существует несколько методов фильтрации, в том числе совместная фильтрация, фильтрация на основе контента и гибридная фильтрация (см. Khanal et al. 2020). Эти алгоритмы предсказывают вероятность взаимодействия клиентов с конкретными продуктами, которые затем можно использовать для определения их рейтинга.

Релевантный подход

Релевантный подход позволяет клиентам успешно находить нужный продукт, сортируя продукты в соответствии с их поисковым запросом. Оптимизация рейтинга продуктов для релевантности является основной задачей поисковых систем (теория поиска информации: например, Liu, 2011; Goenka, 2020) и достигается за счет использования алгоритмов обучения для ранжирования. Ранг продуктов для данного запроса определяется несколькими характеристиками продукта и их соответствием запросу и продукту. Обучение ранжированию алгоритмов можно разделить на три метода: точечный, попарный и списочный. В то время как точечные подходы имеют дело с оптимизацией точности прогнозируемых рангов (например, методы на основе регрессии), попарные и списочные подходы в большей степени имеют дело со всем набором продуктов и их относительным порядком (например, RankNet, LambdaRank; Burges, 2010). ).

Алгоритмы ранжирования в рекомендательных или поисковых системах используют конкретную информацию о намерениях для оптимизации своего ранжирования, такую ​​как явная обратная связь (например, суждения пользователей о конкретных продуктах) или неявная обратная связь (например, наблюдаемое поведение пользователя, например, данные о посещениях; Joachims, et al., 2005 ).
Как мы можем эффективно ранжироваться, если нам не хватает этой конкретной информации о намерениях?

Вдохновляющий подход

Вдохновляющие рейтинги продуктов направлены на то, чтобы привлечь клиентов, которые больше заинтересованы в гедонистическом просмотре (т. Е. «Посещении витрин») и еще не уверены в том, что они хотят купить. Таким образом, в вдохновляющих системах ранжирования отсутствуют данные, отражающие конкретные интересы и потребности клиентов (которые часто неизвестны самим клиентам). Простой способ ранжировать продукты в этом сценарии — по их популярности. Можно выделить три подхода: детерминированный, вероятностный подход и сочетание вероятностного подхода и рекомендательных систем.

Детерминированный подход к вдохновляющему ранжированию продуктов
Этот подход в основном основан на бизнес-показателях или данных, связанных с продажами, таких как количество проданных товаров, цена или маржа, в качестве переменных ранжирования. Наряду с различными характеристиками продукта эти показатели можно использовать в качестве входных данных для алгоритма обучения ранжированию, чтобы определить позицию продукта в рейтинге (см. Letessier, 2014). Одним из неудобств этого подхода является то, что многие бизнес-показатели взаимозависимы и зависят от факторов, выходящих за рамки характеристик продукта (например, стратегии ценообразования). Например, цена продукта может влиять как на маржу, так и на продажи, а это означает, что переменная ранжирования может быть искажена переменными, не связанными с привлекательными характеристиками продукта.
Более того, такой подход может привести к возникновению петли обратной связи. Например, хорошо продаваемые продукты получат более высокий рейтинг и большую видимость, что приведет к еще большему росту продаж. Хотя эта стратегия может эффективно привлекать клиентов, со временем она может стать неинтересной, что ограничивает ее полезность в качестве инструмента для привлечения потенциальных клиентов.

Вероятностный подход для вдохновляющего ранжирования продуктов:
Альтернативным подходом может быть создание ранжирования на основе вероятности с использованием вероятностей кликов или покупок для продукта. Этот подход снижает риск циклической зависимости за счет внесения некоторой степени несистематического шума, который может повлиять на позицию продукта. В результате рейтинг показывает более разнообразное представление товаров. В этом контексте два продукта являются разнообразными, если их соответствующие наборы клиентов имеют минимальное пересечение или не пересекаются вовсе. Принимая во внимание разнообразие, покупатель всегда найдет что-то новое, а ритейлеры смогут обратиться к более широкому кругу покупателей и расширить свою клиентскую базу.
Феррейра и его коллеги (2020) предложили подход к динамическому ранжированию, который учитывает как популярность (на основе вероятности нажатия), так и разнообразие при ранжировании. Алгоритм обучение, а затем заработок, хотя и не является строго алгоритмом машинного обучения, направлен на оптимизацию количества привлеченных клиентов (т. рейтинг, предлагаемый будущим клиентам. Таким образом, никогда не существует идеального рейтинга, основанного на популярности, но существует рейтинг, который с большей вероятностью привлечет много потенциальных клиентов. Используя данные Wayfair, они могли показать, что их алгоритм зацепил до 30% больше клиентов, чем ранжирование Wayfair по умолчанию, основанное только на популярности.

Рейтинг продуктов, основанный на сочетании рекомендаций и вдохновляющих идей

Вдохновляющие рейтинги предназначены для клиентов, которые не уверены, что они хотят купить, в то время как рекомендуемые рейтинги продуктов предполагают, что у клиента есть четкая склонность к тому, что они хотят. Это приводит к разнице в степени разнообразия в рейтингах, поскольку алгоритмы рекомендаций, как правило, предлагают аналогичные продукты с низким разнообразием, в то время как рейтинги для вдохновения должны включать определенную степень разнообразия, чтобы привлечь покупателей витрин без явного интереса. Netflix (2012) решил эту проблему, искусно соединив базовый рейтинг элементов, учитывающий популярность (вероятность потребления), с ранжированием на основе персонализированных рекомендаций. Оптимальное сочетание весов для общего ранжирования определялось с помощью алгоритма обучения ранжированию. Эта стратегия особенно эффективна при обращении к разным людям в семье с использованием общей учетной записи Netflix.

Сила вдохновляющих рейтингов в электронной коммерции

Роль вдохновляющих рейтингов в сфере электронной коммерции нельзя недооценивать. В то время как подходы ориентации и релевантности доминируют в ранжировании продуктов, привлекательность вдохновляющих рейтингов заключается в их способности увлечь и привлечь клиентов, которые не уверены в своих покупательских намерениях. Вдохновляющие рейтинги дают ощущение исследования и открытия, привлекая клиентов, которым нравится эмпирический аспект просмотра и «витринных покупок». Несмотря на то, что определение обратной связи с пользователями для вдохновляющих задач ранжирования остается сложной задачей, такие подходы, как вероятностное ранжирование, основанное на вероятности клика или покупки, предлагают многообещающее решение, внося разнообразие и привлекая внимание клиентов неожиданным выбором. Включение рейтингов популярности наряду с традиционными рекомендательными системами может открыть новые возможности для роста, позволяя ритейлерам охватить более широкий круг клиентов и стимулировать их постоянное взаимодействие. Понимая силу вдохновения в пути клиента, предприятия электронной коммерции могут улучшить общее впечатление от покупок и увеличить продажи и удовлетворенность клиентов.