En introduktion till system för produktrekommendationer

Produktrekommendationssystem presenterar tillgängliga köpobjekt på webbsidor, i mobilappar, i e-postmeddelanden eller på anslutna skärmar som kiosker och olika IoT-enheter. En av de populäraste metoder som återförsäljare använder är rekommendationer, som vägleder besökare till produkter de troligen är intresserade av, vilket förbättrar sökprocessen och hjälper dem att hitta det de vill ha på ett effektivare sätt. 

Idag har återförsäljare ofta tusentals (och ibland miljoner) produkter i sina lager, vilket gör det svårt för shoppare att hitta exakt det de letar efter. Och med personliga rekommendationer kan varumärken hjälpa användare att enkelt hitta relevanta produkter baserat på deras preferenser, utgiftstrender, intressen och avsikter, med det slutliga målet att driva försäljning, merförsäljning, korsförsäljning, större kundvagnar och högre genomsnittliga ordervärden (AOV).

Ett produktrekommendationssystem som drivs med maskininlärning är den teknik som används för att föreslå vilka produkter som visas för kunder som interagerar med ett märkes digitala tillgångar. Rekommendationsalgoritmer som drivs av ett antal algoritmbaserade beslut analyserar insikter om användar-, produkt- och kontextdata – både på och utanför webbplatsen – för att erbjuda en personlig upplevelse i hela din kundbas. 

Detta förbättrar upptäckandeprocessen och hjälper användarna att hitta det de letar efter – och ibland produkter som de inte ens visste att de letade efter. På så sätt kan företag lära sig mer om varje användares unika preferenser och intressen, optimera prestanda i realtid och samtidigt förfina sina testfärdplaner på lång sikt. 

Och när det gäller produktrekommendationer finns det ingen arketypisk strategi som marknadsförare bör använda för alla produkter. Olika strategier måste tillämpas för olika användare, beroende på hur mycket information som finns tillgänglig om kunden, deras utgifts- och engagemangsmönster samt sammanhanget för produkterna på en webbplats. Detta innefattar hur besökare interagerar med din webbplats, status, geografisk plats, tid på dygnet, tidigare köp med mera.

Rekommendationer kan ge viktiga insikter och möjlighet att bättre förstå vem en kund är för att kunna glädja dem, tillföra värde och förbättra den övergripande relationen till ett varumärke. Och när det gäller strategierna bakom var och en av dem finns det tre primära nivåer:

• Globala rekommendationsstrategier
• Strategier för kontextuella rekommendationer
• Strategier för personliga rekommendationer

Var och en av dessa strategier styr vilka produkter som ingår i en upplevelse.

När marknadsförare väljer strategi måste de först bedöma mängden tillgängliga insikter om användar- och produktdata samt användarens position i köptratten, vilket gör att denna information styr vilken strategi som ska tillämpas.

Globala strategier 
Dessa strategier tenderar att vara enklast att implementera och innebär helt enkelt att alla användare – oavsett om det är långvariga kunder eller nya besökare – presenteras för de mest köpta, populära eller trendande produkterna i en rekommendationswidget.

Kontextuella strategier 
Dessa strategier förlitar sig på produktkontext och utvärderar produktattribut – till exempel färg, stil, vilken kategori den tillhör och hur ofta den köps tillsammans med andra produkter – för att rekommendera artiklar till köparna.

Personalized recommendation strategies 
Personliga strategier, den mest sofistikerade nivån, tar inte bara hänsyn till kontext utan även till användarnas faktiska motivation, preferenser och engagemangsmönster. De tar tillgängliga datainsikter om användaren och produktkontexten i beaktande för att visa relevanta rekommendationer på en 1:1-nivå. Detta innebär att ett varumärke, för att effektivt kunna implementera dem, måste ha tillgång till datadrivna insikter om användaren, såsom köphistorik, önskemål och behov, klick, tillagda varor i varukorgen med mera.

I vissa situationer kan användarens interaktionshistorik till och med kopplas samman med historiken för alla andra användare på en webbplats för att rekommendera produkter. Med exempelvis strategin ”Collaborative Filtering” rekommenderas användare produkter baserat på preferenser och interaktioner hos webbplatsbesökare som uppvisat liknande engagemangsmönster. Samtidigt baseras preferensbaserade rekommendationer på datainsikter som ett rekommendationssystem automatiskt sammanställer för att skapa en heltäckande förståelse av en viss kund och föreslå produkter utifrån kundens identifierade preferenser.

Globala strategier kan användas för alla typer av webbplatsbesökare, oavsett om de är nya, återkommande eller lojala. Och kontextuella och personaliserade strategier kan användas redan under den första sessionen eller sidvisningen om kontextuella insikter från första- eller nollpartisdata är tillgängliga för användaren, till exempel dennes geolokalisering (kontextuellt) eller preferenser (personaliserat). 

Potentialen att öka intäkterna stiger när rekommendationerna passar bäst för dessa insikter. Marknadsförare bör till exempel använda kontextuella eller personliga strategier för frekventa köpare och VIP-användare som de har goda datainsikter om. Dessutom stärks dessa strategier när de kombineras, vilket maximerar effekten av de implementerade rekommendationerna.

Strategierna bakom rekommendationerna måste identifieras i förväg och förklara logiken bakom själva rekommendationerna. Exempel på denna logik inkluderar: 

• Nyligen visade 
• Populärast 
• Visa liknande artiklar som den som visas för tillfället 
• Visa objekt baserat på besökarens sökhistorik 
• Visa artiklar som visas tillsammans med en artikel som för närvarande visas

Strategierna bakom rekommendationerna måste identifieras i förväg och förklara logiken bakom själva rekommendationerna. Exempel på denna logik inkluderar: 

• Nyligen visade 
• Populärast 
• Visa liknande artiklar som den som visas för tillfället 
• Visa objekt baserat på besökarens sökhistorik 
• Visa artiklar som visas tillsammans med en artikel som för närvarande visas

Dessa strategier kommer att förbättra (eller begränsa) de rekommendationer som ges till varje användare, vilket gör det möjligt för marknadsförare att skräddarsy widgetarna för att på bästa sätt optimera prestanda och önskat mål. När en marknadsförare har valt en strategi att använda för en rekommendationswidget kan de ställa in regler, som ”exkludera nyligen inköpta artiklar” eller ”inkludera endast artiklar som kostar max 25 $”, för att begränsa vilka produkter som visas i varje widget. 

Dessutom passar vissa strategier bättre för specifika sidor. Exempelvis är ”Visats tillsammans” idealiskt för produktsidor eftersom de relaterar till produkter som redan visas. ”Köpts tillsammans” passar bra för varukorgssidor, särskilt direkt efter att en användare har lagt till en vara i sin varukorg. Och ”Populärast” är en utmärkt rekommendationsstrategi för startsidan som hjälper till att få igång upptäckandeprocessen för både nya och återkommande besökare.

Rekommendationsstrategier och algoritmer som används bör variera beroende på varje användares visade avsikt, och användarsignaler hjälper till att dra slutsatser om och identifiera sannolikheten för en konvertering. 

• Användare med låg avsikt är ofta nya besökare, oidentifierbara, kommer via sök eller sociala medier eller använder en mobil enhet. 
• Användare med medelhög avsikt är ofta återkommande besökare som går att identifiera, som kommer direkt till webbplatsen eller via en e-postkampanj eller som interagerar med en webbplats på en dator. 
• Användare med hög köpintention har antingen gjort ett köp tidigare, lagt till varor i sin varukorg eller sökt efter produkter direkt på webbplatsen. 

Dessa avsiktsnivåklassificeringar ligger till grund för de strategier och regler som varje marknadsförare väljer för ett test. För användare med låg avsiktsnivå kommer till exempel strategin ”Visas tillsammans” att uppmuntra till vidare produktupptäckt och utforskning. Samtidigt passar en strategi med ”Köps tillsammans” bättre för användare med en hög nivå av avsikt, till exempel tidigare köpare, vilket ökar sannolikheten för mersälj till besökaren.

För att effektivt distribuera rekommendationer behöver du datainsikter. Dessa datainsikter, både implicita och explicita, samlas in automatiskt av systemet, vilket gör att det kan identifiera vilka produkter som ska visas för varje användare i en rekommendationswidget. En rekommendationsmotor kan samla in kontextuellt relevanta datainsikter i hela din kundbas. Webbplatser samlar in förstapartsgranskade datainsikter, medan datainsikter från källor från tredje part, till exempel CRM-system eller offline-köphistorik, kan integreras. Ju fler datainsikter som finns tillgängliga, desto starkare Become din personaliseringsstrategi. 

Genom att få tillgång till följande typer av insikter om användardata kan du få hjälp att driva smartare rekommendationer: 

• Plats: Det land, den region eller den stad som en användare befinner sig i 
• Teknik: Vilken typ av enhet som en användare besöker en webbplats från, vilken typ av webbläsare de använder, deras operativsystem med mera 
• Demografi: En användares kön, ålder, civilstånd osv. 
• Engagemang: Hur shoppare interagerar på webbplatsen, inklusive klick, varor som lagts till i kundvagnen, muspekare över element, antal visade sidor med mera. 
• Baserat på preferenser: De intressen som en användare visar på webbplatsen 
• Köp historik online och offline: De produkter som en användare har köpt på plats eller i butik 
• Trafikkälla: Trafikkällan som en användare besöker från, inklusive direkt trafik, betald trafik, social trafik och hänvisningstrafik 
• Tredjepart: Information om en användare från externa källor som samlats in via en plattform för datahantering (DMP) 

Tillgång till dessa datainsikter hjälper marknadsförare att identifiera målgrupper och förstå köptrender, vilket kan ligga till grund för segmenteringsstrategier. Andra element, som att känna till en användares trafikkälla eller vilken enhet de använder när de interagerar med ett varumärke, kan ligga till grund för meddelandestrategier. 

Ju oftare en användare besöker och interagerar med din webbplats, desto fler datainsikter Become tillgängliga. Systemet kan sedan använda dem för att förutsäga vad användare mest sannolikt kommer att köpa, fatta smartare segmenteringsbeslut och erbjuda mer relevanta rekommendationer.

Produktdataanalyser är också avgörande eftersom de ger rekommendationssystem möjligheten att placera rätt artiklar framför rätt användare. Produktdataflöden, som rymmer en återförsäljares hela produktkatalog, kan synkroniseras med rekommendationsmotorer. Produktflöden innehåller grundläggande information om de produkter som finns tillgängliga på en webbplats, inklusive, men inte begränsat till:

• SKU 
• Produktnamn 
• Produkt-URL 
• Pris 
• Lagerstatus 
• Bilder 
• Nyckelord 

Marknadsförare kan anpassa produktflöden och lägga till fler produktdatainsikter som senare kan användas för smartare personalisering, till exempel färg, storlek, stil och så vidare. Ju fler produktdatainsikter som finns tillgängliga, desto starkare blir era strategier för kontextuella och personliga rekommendationer.

Produktrekommendationer är ett utmärkt sätt att förbättra den övergripande användarupplevelsen, vägleda besökare genom upptäcktsprocessen och samtidigt generera mer intäkter för er organisation. Och med maskininlärning som gör det mesta av grovjobbet kan marknadsförare experimentera med olika strategier, segmenteringsmetoder och widgetar i stor skala, vilket exponerar fler produkter för användarna än någonsin tidigare för att generera avkastning och stärka företagens resultat.