Machine learning и качество контента сайтов ecom. Как измерить и оценить влияние на продажи

Сегодня мы поговорим про качество контента в разрезе его влияния на метрики продаж. Об этом подробно рассказывал Виталий Палехин (Dataforce) в своем докладе на конференции "ECOM Trends 2022: аналитика, контент и работа с маркетплейсами". Виталий разобрал, какие метрики контента можно считать и насколько они значимы для онлайн продаж, какую ценность можно получить на основе их анализа и как организовать сбор и обработку этих данных.

Ранее мы уже разбирали, как сильно качество проработки карточки товара влияет на SEO. Теперь копнем глубже с упором на конверсию.

Мы заморочились — изучили и сгруппировали параметры карточек, разработали ML модель, которая описывает влияние параметров карточек на различные факторы и посчитали их степень влияния на конверсию.

Для этого мы:

В итоге получили объемный список метрик контента, разложенных по степени влияния на конверсию, по убыванию — сверху вниз. Сверху расположились метрики, оказывающие наибольшее влияние на исследуемую метрику, в нашем случае на метрику %CR.

И отдельно про каждую из метрик:

Давайте разберем немного подробнее, как читать этот график.

Как уже было сказано, вверху графика расположены свойства контента, которые оказывают наибольшее влияние на метрику %CR. Отклонение влево или вправо от вертикальной оси показывает негативное или позитивное влияние соответствующей фичи (свойства контента карточки) на исследуемую метрику.

Красным обозначается высокое абсолютное значение фичи, т.е. чем краснее “индикатор” фичи, тем больше абсолютное значение этой фичи в исследуемых карточках товаров.

Фичи могут как повысить, так и понизить конверсию. Конкретно в нашем примере, увеличение количества товаров в блоке “не забыть купить”, который показывается вместе с основной карточкой товара, “тянет” конверсию в минус, а в блоке “рекомендуем вам”, напротив, позитивно влияет на метрику конверсии.

Для начала мы разобрали фичу количество товаров, показываемых в блоке “не забудь купить”. Так как модель нам показала, что увеличение абсолютного значения фичи в блоке отрицательно влияет на конверсию, мы намеренно сократили значение количества товаров в исследуемом блоке.

Предварительно мы получили прогнозное значение %CR на исходном количестве товаров в блоке “не забудь купить” и сравнили реальную конверсию и конверсию предикт, чтобы подтвердить достоверность предикт-данных.

Далее, мы сократили значение карточек в блоке “не забудь купить” и вновь обучили модель на измененных параметрах. В итоге получили данные, которые говорят, что при уменьшении количества товаров в блоке — конверсия значительно возрастает.

Аналогичный опыт мы проделали с данными по блоку “рекомендуем вам”. Но так как модель показывала прямую зависимость между увеличением количества товаров в блоке и метрикой %CR — мы намеренно увеличивали значения товаров для обучения модели. В результате модель также предсказала рост %CR.

Разумеется данные модели — это лишь прогнозные данные, однако, их можно достаточно успешно использовать для выбора вектора проектирования A/B-тестов при работе с контентом интернет-магазина, существенно экономить время и ресурсы команды, подкрепляя профессиональный опыт цифрами, полученными с привлечением технологий машинного обучения.

Вот лишь некоторые примеры использования полученных данных:

Рассмотрим стандартную карточку товара современного интернет-магазина. На ней можно выделить блоки контента: цены, отзывы, видео, 3Д обзоры итд.

1.Отзывы

2.Скидка

3.Наличие

….

• Количество фото

• Видео / 3d обзор

• Рейтинг

• Популярность

•…

Чтобы собрать данные о контенте, мы использовали фиды, откуда получили часть данных (название, описание товара, цена товаров и т.д.). Недостающие данные о контенте карточек товаров собрали с помощью собственного краулера, который обходит заданные страницы интернет-магазина. Данные о метриках трафика и продаж получили из систем аналитики. После чего агрегировали их и загрузили в ClickHouse.

Стоит отметить, что при необходимости данные можно обогатить сведениями о выкупе товаров из CRM, данными из Яндекс.Вебмастер/GSC, данными из поисковых систем и техническими данными о состоянии страниц.

Метрики качества, которые мы собрали, можно удобно разложить по товарной структуре, сохраняя всю иерархию вложенности интернет-магазина. То есть — начиная с категорий, листингов, доходя до нижних уровней — карточек.

И в результате мы получаем полную карту качества, где наглядно видно, какие сегменты проработаны хорошо, а какие не очень. Уже в таком виде отчет будет полезен специалистам, отвечающим за контент ecom.

Пример данных карточек. Собранные данные можно использовать в “сыром” необработанном виде, например, для отслеживания качества проработки контента в разрезе карточек товаров, или же нормировать и привести к единому виду для удобства чтения и использования в построении ML-моделей.

По нашему опыту, фичи также удобно бить по типам:

Количество фич и категорий может варьироваться в зависимости от блоков контента сайта ecommerce.

Нормировать фичи можно «в лоб» (по среднему) или с использованием коэффициентов значимости (взвешивать). Можно делать раздельно в разрезе больших вертикалей.

Есть разные подходы, мы использовали нормирование метрик от 0 до 100.

Полученную модель можно обогатить:

Кейс использования данных: в преддверии сезонного роста спроса на определенные категории товаров, можно проанализировать зависимость качества проработки контента на поисковую видимость и заранее проработать карточки товаров в интересующем сегменте, чтобы получить больше органического трафика и, как следствие, повлиять на увеличение профита от продаж во время высокого сезона.

Контент карточек (и листингов) – ценные данные про пользовательский опыт, медиа, описание, коммерческие свойства.

Исследуя данные о качестве контента ecommerce мы можем:

1. Находить точки роста и генерировать гипотезы увеличения метрик конверсий/продаж.

2. Оптимизировать инвестиции в контент.

3. Приоритезировать работу с контентом и интегрировать, полученные данные в работу по SEO-оптимизации сайта.