Lana Zolotar
Нужно уметь вовремя остановиться =)
Руслан, спасибо! И те, и другие рекомендации строятся на основе поведения. Алгоритм "популярные товары из интересных пользователю категорий" от персональных рекомендаций отличается тем, что он строится на основе долгосрочного интереса пользователя к категории. В случае с техникой, это действительно можно объяснить тем, что это скорее продуманные покупки, чем эмоциональные, и здесь более долгий цикл принятия решения.
Хотя в разных магазинах результаты отличаются, поэтому мы всегда за то, чтобы проводить тесты и находить лучшие решения в каждом конкретном случае.
Андрей, почему спонсирует? ) В "блогах" каждый человек или компания может поделиться своим кейсом. У нас много историй успеха клиентов, которые мы любим рассказывать
Даниль, спасибо, что заметил. Поправили вывод.
Артем, конверсия в заказы. Все боты, экстремальные значения и т.д. - не учитываются. В методике проведения A/B- теста учитывается куча факторов. И главное, маржинальность магазина от наличия или отсутствия рекомендаций не меняется. Растет количество заказов. ROI от внедрения рекомендаций положительный.
Дмитрий, спасибо за конструктивные вопросы! По порядку:
1) 90% считаем достаточным для принятия решения в e-commerce.
2) сравнивали с базовой с учетом мультивариантности тестирования
3) Мы считаем значимость для среднего чека и она обязательно учитывается при принятии решения. Средний чек - величина очень волатильная с очень широкими доверительными интервалами, именно поэтому мы стараемся не опираться на него при принятии решения и выбрать победу по среднему чеку, если результаты стабильные и очень достоверные. При этом так же как не имеет смысла принимать решение без статистического обоснования решения, так же не имеет смысла упираться только в статистику, забывая о том, что дополнительное время сбора данных стоит клиенту упущенной выручки
4) и 5) на эти вопросы, к сожалению, ответить не можем - это особенности работы наших алгоритмов, коммерческая тайна. Некоторые детали мы рассказываем в нашем блоге на Хабре - https://habr.com/company/retailrocket/
Артем, нет, не методом подбора, а тестированием вариантов, которые по нашему опыту показывают наилучшие результаты. В разных сферах и разных магазинах эффективность отличается, где-то лучше работают одни алгоритмы, где-то другие. Для этого Growth Hacker'ы и проводят исследования. Рост на 9,5% - значительный рост для многих магазинов.
Попробуйте походить по сайту, а потом вернитесь на главную и посмотрите, как изменились рекомендации. Персонализация тем эффективнее, чем больше данных у системы есть о пользователе.
Алексей, исследования проводились с помощью A/B-тестирования, наличие скидки влияет на оба сегмента, поэтому прирост конверсии и выручки - это эффект персонализации.
Не совсем понимаю ваш комментарий... Чтобы избежать проблем последовательного сравнения разных сегментов, мы тестируем сразу несколько вариантов и выбираем победивший со статистической достоверностью.
Положительно. Мы оцениваем всю воронку вплоть до конверсии в покупку на сайте, и считаем гипотезу успешной только при учете увеличения продаж. К сожалению, конкретные цифры раскрывать не можем.