Рубрика «ecommerce» - 10

Эта статья – продолжение опубликованной в блоге Centrobit моей статьи Анатомия рекомендательных сервисов (Часть 1).
Здесь мы поговорим про алгоритмы товарных рекомендаций для интернет-магазинов, основанные на близости поведения посетителей. Из подключенных к crossss.ru более 150 магазинов, в 32% именно такие алгоритмы работают лучше любых других.

Например, в блоге crossss мы уже писАли о том, как внедрение рекомендаций в магазине BeMad повысило ценность посетителя на 253%.

Как мы этого добиваемся?

Сначала — краткое содержание предыдущей серии

Рекомендательная система – это программный комплекс, который определяет интересы и предпочтения посетителя и дает рекомендации в соответствии с ними. Такая система может встраиваться в сайт интернет-магазина с помощью JS-сниппета или интеграции по API, как, например, http://crossss.ru, и, таким образом, осуществляет расширяющую персонализацию интернет-магазина.
Для построения рекомендаций такая система может использовать различные данные о текущем посетителе, их основные группы — на картинке:

Рекомендательные системы по принципу рекомендации можно разделить на несколько классов (от более простых к более сложным):

• Рекомендации, подбираемые вручную (сотрудник магазина вручную заводит списки связанных товаров)
• Статические рекомендации товар-к-товару (Item-To-Item Collaborative Filtering — мы о них коротенько говорили в первой части статьи)
• Контентные рекомендательные системы (основанные исключительно на свойствах продуктов — мы их тоже обсудили в первой части )
• Динамические рекомендации, создаваемые на основе поведения конкретного посетителя и контекста

Поговорим теперь про динамические рекомендации, создаваемые по поведению посетителя в режиме реального времени.
Читать полностью »