Jei kada nors esi bandęs rasti tobulą dovaną artimajam ir valandų valandas klaidžiojęs po internetinius parduotuvių katalogus, puikiai žinai, kaip frustruojanti gali būti ši patirtis. O dabar įsivaizduok, kad esi el. parduotuvės savininkas ir tavo klientai kasdien susiduria su šia pačia problema. Štai čia ir ateina į pagalbą personalizuotos dovanų rekomendacijų sistemos, kurios gali ne tik palengvinti klientų gyvenimą, bet ir gerokai padidinti tavo pardavimus.
Šiandien papasakosiu, kaip sukurti tokią sistemą nuo nulio, naudojant dirbtinio intelekto galimybes ir klientų elgsenos analizę. Tikrai nėra taip sudėtinga, kaip gali atrodyti iš pirmo žvilgsnio!
Kodėl personalizuotos rekomendacijos yra aukso kasykla
Prieš nerimsim į techninius dalykus, pirmiausia supraskime, kodėl verta investuoti laiką ir išteklius į tokią sistemą. Statistika kalba už save – el. parduotuvės su personalizuotomis rekomendacijomis vidutiniškai uždirba 15-35% daugiau nei tos, kurios jų neturi. Amazon, pavyzdžiui, teigia, kad 35% jų pardavimų ateina būtent iš rekomendacijų sistemos.
Bet skaičiai – tai tik viena medalio pusė. Tikroji vertė slypi klientų patirtyje. Kai tavo svetainė „supranta” klientą ir siūlo tikrai tinkamas dovanas, tai sukuria emocinio ryšio pojūtį. Klientas jaučiasi suprastas, o tai reiškia, kad jis greičiausiai grįš pas tave dar ne kartą.
Ypač dovanų srityje tai svarbu, nes žmonės dažnai patiria stresą rinkdamiesi. Jie nori, kad dovana būtų prasminga, tinkama, bet kartu ir originali. Kai tavo sistema gali pasiūlyti keletą puikių variantų, pagrįstų realiais duomenimis apie gavėją ar panašius žmones, tai tampa tikru gelbėjimo ratu.
Duomenų rinkimas: pagrindas visam projektui
Gerai, dabar pereikime prie konkretybių. Bet koks AI sprendimas yra toks geras, kokie duomenys jam pateikiami. Dovanų rekomendacijų sistemai reikia rinkti informaciją iš kelių šaltinių:
Tiesiogiai iš klientų: Registracijos metu ar specialiose anketose galima paklausti pagrindinių dalykų – amžiaus, lyties, pomėgių, šeimos sudėties. Bet čia svarbu nerasti aukso vidurio – per daug klausimų atbaidys, per mažai – neturėsi pakankamai informacijos.
Elgsenos duomenys: Tai tikrasis lobis. Stebi, kokius produktus klientas peržiūri, kiek laiko praleidžia kiekviename puslapyje, ką deda į krepšelį, bet neperka, kokiu metu dienos dažniausiai apsipirkinėja. Šie duomenys atskleidžia daug daugiau nei bet kokia anketa.
Pirkimų istorija: Ne tik kas buvo nupirkta, bet ir kada, kokia proga, kokia kaina. Jei klientas gruodžio pradžioje perka žaislų, greičiausiai ruošiasi Kalėdoms. Jei vasario viduryje ieško romantiškų dovanų – aišku, kad Valentino dienai.
Socialiniai signalai: Jei klientas sutinka, galima integruoti duomenis iš socialinių tinklų. Tai padeda suprasti jo pomėgius, gyvenimo stilių, net draugų ratus.
Techniškai šiuos duomenis galima rinkti naudojant Google Analytics, Facebook Pixel, specialius tracking kodus arba sukurti savo sprendimą. Svarbu nepamirsti GDPR reikalavimų – visada reikia gauti aiškų sutikimą duomenų rinkimui.
AI algoritmai: kaip mašina išmoksta suprasti žmones
Dabar pats įdomiausias etapas – kaip iš šių duomenų sukurti protingą sistemą. Yra keletas pagrindinių metodų, kuriuos galima derinti tarpusavyje:
Collaborative filtering – tai metodas, kuris remiasi principu „panašūs žmonės mėgsta panašius dalykus”. Sistema analizuoja, ką perka panašūs klientai, ir siūlo tuos pačius produktus. Pavyzdžiui, jei 30-mečiai vyrai dažnai perka tam tikrą parfumą dovanų, sistema siūlys jį kitiems panašaus amžiaus vyrams.
Content-based filtering – čia dėmesys skiriamas produktų savybėms. Jei klientas dažnai perka ekologiškus produktus, sistema siūlys kitas ekologiškas dovanas. Šiam metodui reikia detaliai aprašyti kiekvieną produktą – kategorija, stilius, kaina, medžiagos ir pan.
Deep learning – sudėtingesnis, bet galingesnis metodas. Naudojami neuroniniai tinklai, kurie gali rasti sudėtingus ryšius duomenyse. Pavyzdžiui, sistema gali pastebėti, kad žmonės, kurie perka tam tikrą knygų žanrą, dažnai taip pat domisi konkrečiais namų dekoro elementais.
Praktiškai rekomenduoju pradėti nuo paprastesnių metodų ir palaipsniui komplikuoti. Python bibliotekos kaip scikit-learn, TensorFlow ar PyTorch puikiai tinka šiems tikslams. Jei programavimas ne tavo stiprioji pusė, yra ir gatavų sprendimų kaip Amazon Personalize ar Google Recommendations AI.
Konteksto svarba: ne tik kas, bet ir kada
Vienas dalykas, kurį dažnai pamiršta – kontekstas. Dovana gimtadieniui skiriasi nuo dovanos Kalėdoms ar Valentino dienai. Sistema turi mokėti atsižvelgti į šiuos niuansus.
Štai keletas praktinių sprendimų:
Sezoniškumas: Sukurk kalendorių su pagrindinėmis šventėmis ir progomis. Prieš Kalėdas stiprink šeimos dovanų rekomendacijas, prieš Valentino dieną – romantiškų, prieš rugsėjį – mokyklinių prekių.
Biudžeto segmentacija: Ne visi klientai gali leisti sau brangias dovanas. Sistema turėtų mokėti prisitaikyti prie kliento pirkimo galių. Jei klientas paprastai perka produktus iki 50 eurų, neverta siūlyti jam 500 eurų vertės dovanų.
Ryšių tipai: Dovana mamai skiriasi nuo dovanos kolegei ar geriausiui draugui. Jei įmanoma, leisk klientams nurodyti, kokiam ryšiui ieško dovanos, ir prisitaikyk prie to.
Skubumas: Jei klientas ieško dovanos paskutinę minutę, siūlyk produktus, kuriuos galima greitai pristatyti arba atsisiųsti (pvz., dovanų čekius, skaitmenines dovanas).
Testavimas ir optimizavimas: kaip žinoti, ar sistema veikia
Sukūrei sistemą, paleidi ją – ir kas toliau? Kaip suprasti, ar ji tikrai veikia gerai? Čia reikia nustatyti aiškius metrikų rodiklius ir nuolat juos stebėti.
Paspaudimų dažnis (Click-through rate): Kiek procentų klientų paspaudžia ant rekomenduojamų produktų? Jei mažiau nei 2-3%, greičiausiai rekomendacijos nėra pakankamai tikslios.
Konversijos koeficientas: Svarbiausia – kiek žmonių iš tikrųjų nuperka rekomenduojamus produktus. Geras rodiklis būtų 5-10% ar daugiau.
Vidutinis krepšelio dydis: Ar rekomendacijos padeda klientams pirkti daugiau? Turėtum pastebėti didėjantį vidutinį užsakymo dydį.
Klientų grįžimas: Ar žmonės, kurie naudojasi rekomendacijomis, dažniau grįžta į parduotuvę?
A/B testavimas čia neįkainojamas įrankis. Daliai klientų rodyk senas, atsitiktines rekomendacijas, o daliai – naujas, AI generuotas. Palygink rezultatus ir pamatysi tikrąjį sistemos poveikį.
Taip pat reguliariai peržiūrėk ir atnaujink algoritmus. Klientų pomėgiai keičiasi, atsiranda naujų produktų, keičiasi sezoniškumas. Sistema, kuri neevolicionuoja, greitai pasens.
Privatumo ir etikos klausimai
Kalbant apie duomenų rinkimą ir analizę, negalima apeiti privatumo temų. Tai ne tik teisiniai reikalavimai, bet ir pasitikėjimo su klientais klausimas.
Visų pirma, būk skaidrus. Aiškiai paaiškink klientams, kokius duomenis renki ir kaip juos naudoji. Daugelis žmonių sutiks dalintis informacija, jei supras, kad mainais gaus geresnę patirtį.
Antra, duok kontrolę klientams. Leisk jiems redaguoti savo profilį, ištrinti duomenis, atsisakyti rekomendacijų. Paradoksalu, bet kuo daugiau kontrolės duodi, tuo labiau žmonės pasitiki.
Trečia, apsaugok duomenis. Naudok šifravimą, reguliariai daryk atsargines kopijas, riboj prieigą prie duomenų tik tiems darbuotojams, kuriems tai tikrai reikalinga.
Ir nepamirštk – ne viskas, kas techniškai įmanoma, yra etiškai teisingą. Jei pastebėjai, kad sistema gali numatyti, jog klientas ruošiasi skyryboms ar turi sveikatos problemų, tai nereiškia, kad turi tą informaciją naudoti reklamai.
Kai viskas susidėlioja: realūs rezultatai ir ateities vizijos
Gerai sukurta personalizuotų dovanų rekomendacijų sistema – tai ne vienkartinis projektas, o nuolat augantis organizmas. Pradėjęs nuo paprastų algoritmų, palaipsniui galėsi pridėti vis sudėtingesnes funkcijas.
Pavyzdžiui, ateityje galėtum integruoti balso asistentus – klientas galėtų paklausti „Kokią dovaną pirkti 25-mečiai sesei, kuri mėgsta jogą?” ir gauti konkretų atsakymą. Arba naudoti kompiuterinio matymo technologijas – klientas įkeltų gavėjo nuotrauką, o sistema analizuotų stilių ir siūlytų tinkamas dovanas.
Dirbtinio intelekto srityje technologijos keičiasi labai greitai. Tai, kas šiandien atrodo fantastika, rytoj gali tapti standartine funkcija. Svarbu sekti tendencijas, bet nepulti į kiekvieną naują „stebuklą” – geriau turėti paprastą, bet veikiančią sistemą nei sudėtingą, bet nepatikimą.
Galiausiai, nepamirštk, kad technologijos – tai tik įrankis. Tikroji vertė atsiranda tada, kai sugebi suprasti savo klientų poreikius ir jiems padėti. Geriausia rekomendacijų sistema pasaulyje nepadės, jei tavo produktų asortimentas prastas arba klientų aptarnavimas nevykęs.
Taigi, jei nusprendei kurti personalizuotų dovanų rekomendacijų sistemą, pradėk nuo mažo – surink pagrindinius duomenis, išbandyk paprastus algoritmus, pamatuok rezultatus. Ir palaipsniui, žingsnis po žingsnio, kurkis sistemą, kuri ne tik padidins tavo pardavimus, bet ir padarys klientų gyvenimą šiek tiek lengvesnį. O ar ne tam ir yra skirtos technologijos?