Det viktigaste när du ska välja rätt strategi för produktrekommendationer

Om du någonsin har surfat på en e-handelswebbplats är sannolikheten stor att du har stött på produktrekommendationer. Dessa maskininlärningsdrivna rekommendationer, som är utformade för att föreslå relevanta produkter för dina webbplatsbesökare, används av marknadsförare och säljplanerare för att driva upptäckter, öka monetariseringen och minska avhoppsfrekvensen. Bakom varje kraftfull widget finns dock algoritmbaserade beslut som styr olika tillvägagångssätt för rekommendationer. Dessa kallas i första hand för rekommendationsstrategier och tillhandahåller den logik som ligger till grund för vilken artikel som väljs ut och presenteras i alla digitala rekommendationswidgetar.

Att välja rätt strategi för det önskade målet är avgörande för framgång, och felaktig tillämpning av strategier kan få allvarliga konsekvenser. Det kan inte bara leda till förlorade intäkter, utan det kan också få kunder att förlora förtroendet för både värdet av rekommendationer och er förmåga att överhuvudtaget leverera personliga och engagerande upplevelser. Och eftersom kundupplevelser i allt högre grad tar över som den viktigaste skiljelinjen mellan nätaktörer måste varumärken dra nytta av de möjligheter som ges genom rekommendationer och använda dem som en bidragande faktor till den övergripande framgången.

Att använda personliga rekommendationer ses ibland som en chansning, men det behöver det inte vara. När man begrundar de lämpligaste strategierna att tillämpa måste varje marknadsförare först överväga kontexten för varje upplevelse (dvs. vilken sida den ska distribueras på) samt den målgrupp de vill nå (dvs. specifika personas eller segment). Först därefter kan en lämplig strategi väljas och tillämpas i hopp om att de i slutändan ska generera intäkter. Dessutom kan olika rekommendationsstrategier, tack vare lättillgängliga datainsikter, levereras till olika målgruppssegment, vilket utgör en fantastisk möjlighet att knyta an till besökare på ett personligt plan. 

Moderna rekommendationsmotorer stöder nu omnikanalsupplevelser och synkroniserar rekommendationer på webben, i mobilappar, via e-post och i fysiska butiker. Om en rekommendation matchas korrekt med en användare kan den skapa en angenäm användarupplevelse, vilket ökar chansen att en koppling bildas mellan en webbplats och besökaren. Och med tillgång till rikligt med användar- och produktinformation kan marknadsförare enkelt göra detta i stor skala. Marknadsförare måste dock hitta rätt balans, säkerställa att de har rätt insikter för rätt strategier – till exempel köphistorik för köpbaserade rekommendationer – och inte överträda några gränser som kan äventyra relationen med kunderna.

När det gäller produktrekommendationer finns det tre huvudtyper av strategier som användare kan titta på när de utformar sina planer:

• Globala rekommendationsstrategier: Dessa strategier fokuserar på generella egenskaper och trender i kundbasen och erbjuder rekommendationer som är relevanta för en bredare publik. Eftersom startsidan är den huvudsakliga ingångspunkten använder marknadsförare ofta dessa strategier för att visa upp innehåll för nya besökare på webbplatsen.
• Kontextuella rekommendationsstrategier: Dessa strategier tar hänsyn till kundens aktuella kontext, till exempel produkten de tittar på eller hur de interagerar med er webbplats, för att föreslå relaterade eller kompletterande artiklar. Dessa presterar vanligtvis bra på produktinformationssidor eller artikelsidor.
• Personliga rekommendationsstrategier: Dessa strategier kan utnyttja kundinsikter för att föreslå artiklar som tillgodoser deras specifika preferenser samt surf- och köphistorik. Dessa algoritmer används vanligtvis för att bättre möta återkommande besökares behov, och vissa är utformade särskilt för nya besökare. Dessa strategier kan implementeras på olika sidor och skärmar. Tänk dig karsidor som visar och automatiskt sorterar relevanta lagerhållningsenheter (SKU) utifrån kundernas unika intressen och preferenser. Personalisering i realtid är numera standard, och systemen anpassar rekommendationerna omedelbart baserat på sammanhanget i stunden och externa signaler som väder, plats, trender med mera.

Exempel på specifika rekommendationsstrategier som faller under dessa tre nivåer listas i tabellen nedan.

Vi kikar närmare på de olika rekommendationsstrategier som erbjuds av de främsta leverantörerna av motorer för personliga rekommendationer, och bryter ner hur de fungerar och när de bör användas.

Mest populära

Rekommenderar storsäljande produkter eller mest visade innehåll. En populär rekommendationsstrategi är att visa ”toppartiklar” eller artiklar som rankas som ”ofta köpta” eller ”bäst”. Artiklar poängsätts baserat på den vägda summan av alla interaktioner, till exempel köp, tillägg i varukorg och produktvisningar. Systemet gynnar nya interaktioner framför historiska och uppdaterar poängen varje gång ett flöde med datainsikter synkroniseras.

Eftersom denna strategi vanligtvis inte baseras på djupt personliga insikter är den fördelaktig när man vet lite eller ingenting om en användare, eller när användaren bara visar intresse för att surfa runt på webbplatsen. Den är också utmärkt för att marknadsföra dina hetaste varor och hjälper din verksamhet att sticka ut i konkurrensen. Det underlättar och förbättrar produktupptäckten samt hjälper dig att marknadsföra ditt varumärke och de populära varor som erbjuds.

Du kan också använda ”populärt på platsen” för att fylla i rekommendationer baserade på vad användare i en underavdelning inom ett lands IP-adress nyligen har köpt, lagt till i varukorgen eller tittat på. 

Dessutom kan varumärken använda rekommendationsstrategin ”populärt” för att visa upp populära produkter för webbplatsbesökare. I likhet med strategin ”mest populärt” poängsätts produkter baserat på summan av alla interaktioner innan de presenteras för användarna. När ett varumärke till exempel har identifierat de 20, 50 eller 100+ populäraste produkterna till försäljning på webbplatsen kan det använda den här strategin för att visa valfria fem produkter ur den gruppen i en rekommenderad widget på startsidan, i stället för enbart de fem populäraste produkterna.

En annan liknande strategi är den mer specifika strategin ”populärast i kategori”, som inte bara visar de populärast medtagna objekten utan endast inkluderar artiklar från en angiven kategori. ”Trendande” kan också användas för att lyfta fram produkter eller innehåll som upplever en ökad popularitet eller ett växande intresse.

Du kan också filtrera efter ”senaste nytt”, som visar nyligen tillagda produkter eller innehåll, och ”säsongens val”, som sammanställer rekommendationer baserat på säsongstrender och preferenser.

Likhet

Som namnet antyder visar widgets som drivs av en liknande strategimodell produkter som liknar den artikel (eller grupp av artiklar) som visas för tillfället, med hänsyn till artikelns popularitet. Komplexa algoritmer är utformade för att fastställa mätvärdena – med hjälp av kategorier och nyckelord från flödet – vilket resulterar i en liknande poängsumma för varje artikel. Därefter visas produkterna med de högsta likhetspoängen för kunden.

Även om det finns många användningsområden för denna strategi är en av de mest effektiva att placera en rekommendationswidget som drivs av ”likhetsstrategin” på en produktinformationssida (PDP). Detta gör att webbplatsbesökaren inte bara exponeras för ytterligare produkter, utan även för produkter som de sannolikt är intresserade av. Att visa artiklar som liknar en produkt som visas kommunicerar potentiellt en verksamhets förmåga att förstå vad användaren letar efter, vilket ökar sannolikheten för en lyckad försäljning.

Produktrekommendationer har specifika kontextuella strategier och kan lämpa sig väl för produktsidor. Överväg dessutom att använda dessa strategier för att öka ditt genomsnittliga ordervärde om en rekommendationswidget för ”nyss tillagt” kan distribueras via en popup-ruta efter att en kund har lagt till en vara i sin varukorg – i synnerhet om du visar produkter som är något billigare än de som finns i kundens varukorg. Det gör det möjligt för kunderna att fatta snabba köpbeslut, vilket ofta leder till merförsäljning.

Det finns också en tillvägagångssätt med ”visuell likhet” som använder djupinlärning för att rekommendera artiklar som liknar den produkt som kunden tittar på, vilket tillgodoser kundens preferenser utöver explicita beskrivningar. Detta fungerar som regel bra för att rekommendera liknande produkter som en kund kan vara intresserad av på produktsidor (PDP) och på sidor där varor läggs i varukorgen

Köps ofta tillsammans

Inom denna strategi visar widgets artiklar som ofta köps tillsammans med den artikel som för tillfället visas. Om ert mål är att fylla besökarens varukorg med ytterligare produkter ger denna strategi uppsäljnings- och merförsäljningsmöjligheter (till exempel att föreslå en billaddare till en ny smarttelefon, sandaler till ett par shorts eller strumpor till ett nytt par sneakers).

Systemet poängsätter produkter baserat på hur många gånger de har köpts tillsammans i samma transaktion, och nedprioriterar produkter som vanligtvis köps tillsammans med många andra artiklar. Dessutom rekommenderar det produkter som är starkt sammankopplade med varandra snarare än produkter som har en godtycklig koppling till en populär produkt.

Ett populärt sätt för marknadsförare att använda denna strategi är för en widget som kompletterar utseendet och visar en samling produkter som passar ihop. När en besökare lägger till en produkt i varukorgen kan du dessutom använda en strategi där produkter som ”köpts tillsammans” visas för merförsäljning och uppmuntrar kunden till ett till passande köpbeslut.

Visas tillsammans 

Denna rekommendationsstrategi beror på vilken produkt som en användare tittar på för tillfället. Systemet poängsätter andra artiklar baserat på det antal gånger de har visats tillsammans med artikeln som visas under en enskild session. När en artikel vanligtvis visas tillsammans med många olika artiklar anser systemet att kopplingen är svag, vilket minskar sannolikheten för att den föreslås som en rekommendation.

Djupinlärning

Självlärande algoritmer utnyttjar vanligtvis återkommande neurala nätverk (RNN) för att förutsäga nästa bästa artikel som en kund sannolikt kommer att engagera sig i, baserat på andra kunder med liknande surf- eller köphistorik. Dessa algoritmer kan också utformas för att engagera kunder redan från den första sidvisningen med relevanta artiklar, vilket löser problemet med det kalla starttillståndet.

Senaste framsteg omfattar förstärkningsinlärning och hybridmodeller som kombinerar samarbetsbaserade, innehållsbaserade och kontextuella signaler för optimala rekommendationer.

Kollaborativ filtrering

Samarbetsfiltrering är en av de populäraste rekommendationsstrategierna och baserar rekommendationer på likheter mellan olika användare. Systemet analyserar webbplatsengagemanget hos användare som liknar den aktuella användaren – vad de har tittat på, vilka produkter de har köpt och vad de har lagt i sina varukorgar – och rekommenderar sedan dessa produkter till andra användare som uppvisar liknande preferenser och köpintentioner på valfri sidtyp.

Även om samarbetsfiltrering är en populär strategi på marknaden visar forskning att algoritmer för ”nyligen visade” och ”visades tillsammans” konsekvent presterar bättre. Djupinlärningsalgoritmer blir allt populärare för dessa användningsområden, som att identifiera samband mellan olika artiklar genom att titta på produktinteraktioner i hela användarbasen och rekommendera nästa bästa artikel därefter.

Baserat på affinitet

Dessa strategier gör det möjligt för marknadsförare att ge träffsäkra produktrekommendationer när och till vem de är som viktigast. När kunder surfar på en webbplats och interagerar med olika produkter exponeras de för ett antal produktegenskaper, till exempel färg, varumärke, stil med mera. Rekommendationssystem använder sedan dessa interaktioner för att identifiera och dra slutsatser om användarnas preferenser, vilket bygger upp starka målgruppsfunktioner för personalisering.

Den här strategin använder ett viktat poängtal baserat på korrelationen mellan användarengagemang (antal visningar, tillägg i varukorgen, köp osv.) och attributen för de produkter som de har interagerat med. Systemet baserar sedan sina rekommendationer på dessa poäng och kan arbeta i realtid och upptäcka eventuella förändringar i preferenser. Ofta i form av en widget med texten ”Rekommenderas för dig” passar den här strategin alla sidtyper.

Empatibaserad

En adaptiv, automatisk algoritm som utnyttjar den optimala rekommendationsalgoritmen och strategin baserat på kundens sinnestillstånd, fas i kundresan och webbplatsens placering.

Senast visade

När du använder denna strategi rekommenderar systemet de senaste varorna som den aktuella användaren har tittat på, med de senast visade varorna först. Dessa rekommendationer baseras vanligen på insikter från de senaste 30 dagarna.

En liknande metod är dessutom strategin "visad med nyligen visade", som visar artiklar som vanligtvis har visats under samma session som den nuvarande kundens senast visade artiklar.

Senaste köpet

Denna rekommendationsstrategi tittar specifikt på det eller de senaste köpen som en användare har genomfört, vanligtvis under det senaste året. Den är idealisk för att uppmuntra till upprepade köp och lyfter fram produkter som en användare har köpt och som kan behöva fyllas på, som till exempel husdjursmat eller smink. Strategin är enkel och okomplicerad att implementera och visar en kunds senast köpta produkt i en rekommendationswidget.

Köpt med

När du integrerar insikter från offline-transaktioner kan du använda dem för att driva smartare rekommendationer online. Med strategin ”köps ofta tillsammans offline” rekommenderar systemet produkter som har köpts tillsammans offline med den artikel som för närvarande visas på e-handelswebbplatsen. Produkterna som visas i dessa widgetar poängsätts baserat på hur många gånger de har köpts tillsammans i samma transaktion. Systemet rekommenderar produkter som är starkt kopplade till varandra och nedprioriterar produkter som vanligtvis köps tillsammans med många andra artiklar.

På samma sätt som rekommendationsstrategin offline rekommenderar en strategi för ”köp tillsammans online/offline” – med hjälp av insikter från transaktioner offline – produkter som har köpts tillsammans antingen offline eller online med den artikel som för närvarande visas.

När rekommendationssystemet använder ”köpt tillsammans med nyligen köpta” tittar det på de senaste varorna som köpts av den aktuella användaren och föreslår artiklar som vanligtvis köps tillsammans med dessa nya köp. När strategin till exempel används på startsidan kan den visa kompletterande varor för alla besökare som har köpt en vara under den senaste veckan medan de fortfarande är relevanta.

I likhet med strategin ”köpt med nyligen köpt” säkerställer metoden ”köpt med senast köpt” att alla rekommendationer enbart baseras på det senaste köp som den aktuella användaren har genomfört.

När du har valt en rekommendationsstrategi som du vill använda för en specifik kampanj finns det några steg till att gå igenom under konfigurationsfasen. Nedan följer en lista över de inställningar, regler och steg som varje marknadsförare bör gå igenom innan en kampanj publiceras: 

• Namn: Namnge varje strategi i din testplattform för att skilja kampanjerna åt 
• Strategi: Välj önskad strategi för varje rekommendationstest  
• Blanda resultaten: alternativ för att låta objekt som visas i widgetar ändras vid varje siduppdatering 
• Filter: exkluderings- och inkluderingsregler som marknadsförare kan ställa in för en given kampanj 
• Anpassade regler: Anpassade exkluderings- och inkluderingsegler som marknadsförare kan ställa in baserat på produktegenskaper. Några exempel är: 
  • Inkludera endast: Rekommendera endast produkter med en specifik egenskap (t.ex. varor som kostar mer än 30 $) 
  • Exclude: Never recommend products with a specific property (such as never recommend items that are on sale) 
  • Pin: Rekommendera alltid en specifik produkt först, oavsett algoritm 

När fördefinierade filter används elimineras behovet av att tillämpa anpassade regeln ”inkludera” eller ”exkludera”. Dessa dimensioner är mer flexibla eftersom de inte kräver att egendomsvärden anges explicit. De måste i stället matcha / inte matcha objektets aktuella egendomsvärde i vyn. En uppdelning av hur dessa strategier tillämpas följer nedan: 

• Med samma egenskap: Säkerställer att rekommendationerna har vissa egenskaper gemensamt med den artikel som visas 
• Med olika egenskaper: Säkerställer att rekommendationerna inte har vissa, angivna egenskaper som det objekt som visas 
• Med samma kategori: Ser till att de rekommenderade artiklarna matchar samma kategori eller överordnade kategori för den artikel som visas 

Om dessa dimensioner inte räcker till kan marknadsförare skapa egna filtreringsregler och välja vilka objekt som ska inkluderas, exkluderas eller fästas i en rekommendationswidget. 

Dessutom är marknadsförare inte begränsade till en enda strategi per rekommendationswidget; i stället kan de använda flera strategier i samma widget för att förbättra prestandan. På en produktsida kan marknadsförare till exempel låta hälften av platserna i en widget baseras på en popularitetsstrategi och den andra hälften på en liknande strategi. Genom att kombinera dessa strategier kan konverteringsgraden öka avsevärt, vilket gör det möjligt att identifiera den högsta avkastningen för varje produktkategori och maximera intäkterna. 

Automatisk A/B-testning och kontinuerlig optimering är nu inbyggda i ledande plattformar, vilket gör att marknadsförare kan experimentera med strategier och omedelbart distribuera de varianter som presterar bäst. Förklarbar AI blir också allt viktigare, där rekommendationsmotorer ger insyn i varför specifika produkter föreslås.

Om en specifik strategi ger färre artiklar än antalet tillgängliga platser i en given widget – till exempel om endast tre par sneakers på en webbplats matchar en användares preferenser och intressen – kan systemet "lätta upp" de begränsningar som tillämpas av algoritmen eller filtren. Om detta inte löser problemet aktiverar rekommendationen en tillhörande reservalgoritm. Till exempel kan en "liknande" strategi ha "popularitet" som reservstrategi, och en strategi för "köpt med det senaste köpet" kan ha "köpta tillsammans" som sin första reservstrategi och "liknande" som sin andra reservstrategi. 

Reservlösningar respekterar tillämpade filtreringsregler. Om du till exempel ställer in en strategi och inför en regel som utesluter artiklar som kostar under 25 dollar, kommer systemet att följa denna begränsning även om det inte finns tillräckligt med produkter att visa i tillgängliga platser i en widget. 

Picking a strategy according to the audience 

Den optimala strategin för er verksamhet beror på en rad olika faktorer, däribland produktsortiment, tillgängliga kundinsikter och marknadsföringsmål. Ofta är en kombination av olika strategier mest effektiv, eftersom du då kan anpassa rekommendationerna efter olika kundsegment och sammanhang. Genom att strategiskt använda dessa kategorier kan du utnyttja kraften i personalisering för att skapa en mer engagerande och lönsam shoppingupplevelse för dina kunder. 

Not every strategy will work well for all site visitors. Marketers must be able to discern differences between segments of users and tailor experiences according to their needs and expressed interests. For example, site visitors that browse 5+ products on a retail site each week should be treated differently than first-time visitors that click on a search engine ad. 

Globala strategier, som ”Mest populärt”, är lämpliga för anonyma besökare eller förstagångsbesökare, medan personliga strategier hjälper till att skräddarsy rekommendationer för dina mest lojala kunder, som du har en gedigen engagemangshistorik att bygga på. Kunder förväntar sig nu att rekommendationer återspeglar deras värderingar, såsom hållbarhet, etisk anskaffning och tillgänglighet. Sökmotorer tar i allt högre grad hänsyn till dessa preferenser i sina algoritmer. 

Det här diagrammet ger några exempel på de olika rekommendationsstrategier som passar för varje typ av kund och scenario. Dessutom kan djupinlärning vara ett bra sätt att välja den mest optimala algoritmen när du inte är säker på vad den optimala strategin kommer att vara: 

Product recommendation strategies vary greatly from one another, and in order to select the right one, it’s important to consider all available options. Från köpbaserade strategier till globala, popularitetsbaserade strategier har rekommendationer potential att guida kunderna till det de letar efter, och ibland till och med få upp ögonen för artiklar som de inte visste att de letade efter. För att effektivt distribuera rekommendationer i stor skala i varje steg av kundresan behöver du dessutom en rekommendationsmotor som stöder var och en av dessa strategier, vilket ger dig flexibiliteten att anpassa vissa element och utnyttja insikter för mer sofistikerade, skräddarsydda upplevelser. Att ha en på plats kommer inte bara att underlätta implementeringsprocessen utan också optimera prestandan i realtid, vilket säkerställer att du ständigt utvinner det högsta värdet från dina rekommendationer och hjälper dig att uppnå din högsta avkastning (ROI).