Sådan kommer du i gang med recommendations

Når vi hos Vertica taler med vores kunder om deres e-handelsløsninger, er der ofte fokus på, hvordan de får mere sælgende tiltag ind i deres løsning. De er nået til et sted, hvor deres e-handelsløsning er bygget, og de har fået et godt fundament. De tiltrækker kunder og skaber omsætning, og nu vil de videre og arbejde aktivt med løsningen og skabe endnu mere salg.

Produktrelationer virker
Her er der selvfølgelig mange tiltag, man kan prøve af. Vi vil oftest fra Verticas side i dialog med kunden gennemgå de forskellige muligheder og optimeringer i den kontekst, som den aktuelle kundes løsning, produkter og kunder giver.

En af de ting vi igen og igen ser have en effekt, når vi tester vores løsninger med brugere, er relaterede / anbefalede produkter. Det vil sige helt klassiske elementer som ”andre kunder har også klikket på” og ”andre kunder har også købt”. Brugerne viser interesse for disse produkter, klikker på dem og putter igen og igen de anbefalede produkter i kurven. Her et eksempel med ”andre fodboldmål” præsenteret under et konkret fodboldmål i vores løsning for Tress.

Recommendation Engine - Tress

Relaterede varer kan populært sagt sammenlignes med den butiksansatte, der – når man køber et par bukser – lige sørger for at spørge, om ikke man skal have et bælte med. Og det virker.

Arbejdet med produktrelationer
Udfordringen ved de relaterede varer er netop relationerne. Skal e-handelsløsningen på et produkt som fodboldmålet i ovenstående eksempel, liste andre fodboldmål, så skal løsningen på en eller anden måde finde ud af at kunne opliste netop disse fodboldmål. Relationerne skal med andre ord skabes, og det tager tid.

Vil du oven i købet have forskellige typer relationer som ”andre kunder har også klikket på” og ”andre kunder har også købt”, skal du skabe dem alle. Og flere af dem vil udvikle sig over tid, således at de skal opdateres over tid.

Og hvor den butiksansatte i tøjbutikken kan foretage en nogenlunde intelligent anbefaling af et bælte, findes der rigelige eksempler på det modsatte, hvor f.eks. den ansatte på en tankstation igen og igen spørger ud af det blå: ”skal du ikke have to flasker vand med”. Relationerne skal med andre ord være relevante og ikke støjende eller åbenlyst tankeløse.

Recommendation engines
Her kommer recommendation engines ind som en metode til automatisere dét at få anbefalet relaterede varer til brugere på vores e-handelsløsning.

Noget af det, der fylder meget i IT-landskabet for tiden er big data. Med big data menes opsamlingen og udnyttelsen af meget store datamængder.

Recommendation engines er netop dette: automatisk opsamling af store mængder data om brugeres adfærd på vores e-handelsløsning og udnyttelsen af disse data til at anbefale produkter til andre brugere – baseret på deres adfærd.

Det vil sige, at fordi jeg klikker på en række produkter og har samme adfærd som en række andre brugere, vil en recommendation engine anbefale udvalgte produkter til mig baseret på hvad de lignende brugere har klikket på eller købt.

Dette baseres på en række logaritmer, der i virkeligheden er kernen i de enkelte recommendation engines tilbud, nemlig det at de kan behandle de store datamængder og finde forskellige mønstre at basere anbefalinger på. Eksempler kan være:

  • Andre kunder har købt
  • Andre kunder har kigget på
  • Andre kunder har puttet i kurven

Recommendation engines er typisk cloud-baserede services, der ikke kræver installation, men kaldes eksternt fra vores løsning. En recommendation engine vil typisk have et månedligt abonnement.

Hvordan kommer du i gang?
Det første, vi skal beslutte i arbejdet med recommendation engines, er hvilke placeringer på vores side, som vi vil placere anbefalede produkter i.

Klassiske eksempler på placeringer er bånd – som før set på løsningen fra Tress og herunder set på en af vores andre kunders løsning, Peter Justesen Company. Her er der brugt to bånd under produktet på en produktdetaljeside og et i siden. Hos Peter Justesen Company arbejdes der desuden med at give anbefalinger i en midlertidig kurv som set til venstre herover.

Recommendation Engine - Placeringer - 1

Hvilke placeringer eller bånd du vil anvende hvor på din side er første beslutning – efterfulgt af typen af anbefaling i de aktuelle placeringer.

Som set af eksemplerne fra Peter Justesen Company ovenover anvendes to forskellige typer anbefalinger: ”andre kunder har kigget på” og ”andre kunder har købt”.

Igennem det hele skal du huske at opveje mængden af placeringer og dermed anbefalinger af produkter og dermed hvor (populært sagt) ”pushy”, du vil opfattes.

Implementering af en recommendation engine
Når du har valgt, hvor på din side du vil anvende anbefalinger fra en recommendation engine, skal du som det første danne grundlaget for anbefalingerne.

Det vil sige, at du skal opsamle data om brugeres opførsel på sitet i form af hvilke produkter de klikker på, hvilke produkter de putter i kurven og hvilke produkter de køber. Dette gøres ved at indsætte scripts i vores løsning, der tracker brugere på en måde, der kan sammenlignes med den tracking, vi implementerer ved for eksempel Google Analytics.

Efterfølgende kan vi (som vist i nedenstående figur) på enhver side i vores løsning sende informationer til vores recommendation engine og få dens forslag til anbefalinger tilbage.

Recommendation Engine - Forklaring

Her vil de konkrete forslag være inden for den type anbefalinger, vi har valgt til den enkelte placering på siden. Og vi vil selvfølgelig kunne ”kalde” flere gange, hvis vi på samme side har mere end én type anbefaling.

Undgå ”koldstarter”
Det er klart, at de anbefalinger, som en recommendation engine kan komme med, vil blive bedre og bedre efterhånden som dens datamængde blive større og større – altså i takt med at websitet har flere og flere besøgende.

På samme vis vil dens anbefalinger, når dit site går i luften, naturligt være udfordret af, at der ikke er nogle data at basere anbefalinger på – det der kaldes, ”koldstart”

Her kan du vælge at begynde at indsamle data fra brugeres opførsel som det første og først efter noget tid begynde at anvende anbefalinger, således at du har opsamlet data, før du igangsætter din recommendation engine.

Desuden tilbyder de fleste recommendation engines, at du kan importere historiske data – typisk ordredata – således at den har noget at basere anbefalinger på.

Måling, opfølgning og justering
Vi vil hos Vertica altid anbefale, at du til en start vælger ganske få placeringer på din side og danner erfaringer ud fra dette.

Alle recommendation engines stiller sider til rådighed, der viser, hvordan de performer – ligesom Google Analytics. Du vil kunne danne overblik over, hvor mange brugere der følger de anbefalinger, der vises, og hvordan de konverterer til endelige ordrer.

Baseret på dette vil du løbende kunne justere de enkelte placeringer og f.eks. ændre typen af anbefaling. Herefter er det et spørgsmål om at holde øje med performance af anbefalingerne og løbende udvide med flere og flere placeringer på din side i takt med, at du ser anbefalingerne bære frugt.

Se min kollega Lars Christensen fortælle mere om recommendation engines på vertica.tv

Du kan også læse mere om recommendation engines på Vertica.dk her.

Kategorier: E-handel

Tagged as: , , ,