Компания GlassesUSA использует алгоритмы Deep Learning, создавая персонализированные рекомендации для пользователей
Ведущий мировой онлайн-ритейлер очков экспериментирует с моделью самообучения товарных рекомендаций и достигает 88% роста выручки.
О компании
Двенадцать лет назад основатели GlassesUSA.com поставили перед собой цель предоставить потребителям высококачественные очки для коррекции зрения по более приемлемой цене, чем другие компании на рынке. Десять лет спустя компания сократила посредников в производственном процессе и в настоящее время является крупнейшим в мире онлайн-ритейлером очков, предлагая различные модели для коррекции зрения, солнцезащитные очки, контактные линзы и многое другое потребителям в более чем 92 странах мира. Сегодня, когда в основе работы GlassesUSA.com лежит философия, где в центре всегда стоит покупатель и его потребности, персонализация пользовательского опыта доведена до совершенства — используя большое количество данных, бренд обслуживает клиентов с разными вкусами и запросами, предпочтениями и потребностями в профессиональной оптике. Но, после многих лет оптимизации опыта в digital-каналах, команда eCommerce была готова пойти дальше и рекомендовать активным пользователям дополнительные товары, которые могли бы их заинтересовать. Проведенный тест рекомендаций на базе глубокого машинного обучения (Deep Learning) против традиционных персональных рекомендаций (на базе алгоритма коллаборативной фильтрации) на главной странице сайта показал, что усовершенствованный алгоритм Deep Learning способен увеличить онлайн-конверсию на 68%, а выручку на 88%, и все это только от использования одного виджета.
С платформой нам больше не нужно вручную настраивать стратегию для нашего виджета рекомендаций на главной странице сайта. Алгоритм Deep Learning автоматически определяет правильный набор параметров для каждого пользователя, исходя из его поведения, того, где он находится в рамках customer journey, а также любых текущих трендов на сайте. Это делает данный инструмент лидером среди любых других стратегий персонализации не только с точки зрения результата, но и с точки зрения экономии времени.
Проблема
Как создатель онлайн-площадки для частных марок, а также более 60 дизайнерских брендов, команда GlassesUSA.com понимает сложность поиска идеальной пары очков среди тысяч моделей, доступных в каталоге. Здесь на помощь приходят персонализированные рекомендации. Приоритетная цель рекомендаций — обеспечить простой и понятный процесс поиска нужного товара, включая главную страницу — начальную точку входа для большинства онлайн-покупателей. Для того, чтобы максимально повысить эффективность товарных рекомендаций, команде нужно было найти решение, которое:
- Способно быстро самообучаться, чтобы рекомендовать наиболее релевантные товары из своего каталога продукции с множеством позиций, учитывая тренды на сайте в текущий момент времени.
- Учитывает не только накопленные данные о поведении пользователя, но и активность в рамках текущей сессии, чтобы выявить те товары, с которыми пользователь чаще взаимодействует (изучает подробнее или покупает, например).
- Продолжает непрерывно изучать каждый элемент новых поступающих данных, чтобы обеспечить постоянную оптимизацию товарных рекомендаций в режиме реального времени.
Именно поэтому выбор команды пал на Deep Learning рекомендации.
Решение
В основе гипотезы была заложена идея о том, что персонализированные товарные рекомендации в режиме реального времени будут влиять на действия пользователей благодаря усовершенствованному алгоритму Deep Learning.
Исследуя верхнеуровневый этап воронки customer journey, бренд решил сфокусироваться на той области сайта, где ранее отображался виджет рекомендаций, который демонстрировал до шести различных товаров. Надеясь извлечь как можно больше пользы из этого центрального размещения на странице, eCommerce команда предположила, что, если бы она могла дать в этом виджете более персонализированные рекомендации для каждого конкретного пользователя при входе на эту страницу, это решение могло бы не только улучшить показатели добавления в корзину, но и увеличило бы конверсию и выручку. К тому же классическая стратегия коллаборативной фильтрации, показывающая потенциально интересные товары на основе того, с чем взаимодействовали другие аналогичные пользователи, хоть и может быть высокоэффективной, но не является по-настоящему персонализированной.
Узнав о том, что Deep Learning рекомендации могут не только учитывать поведение пользователей в прошлом, но и в рамках текущей активности в рамках сессии, команда GlassesUSA.com провела сравнительный тест двух стратегий рекомендаций на главной странице для всего desktop-трафика сайта: результативность рекомендаций на основе коллаборативной фильтрации против персонализированных рекомендаций на базе алгоритма Deep Learning.
За счет автоматической настройки индивидуальной товарной выдачи на сайте команда сделала лишь несколько небольших изменений в стратегии, прежде чем быстро увидеть результаты: показатель добавления в корзину увеличился на 45%, конверсия выросла на 68%, а выручка на 88% за счет рекомендаций на базе Deep Learning.
После проведения подобного теста на мобильной версии сайта, алгоритм снова оказался лидером по результативности в сравнении с контрольной группой (рекомендации на базе коллаборативной фильтрации). После таких внушительных результатов на сайте GlassesUSA.com используется исключительно алгоритм Deep Learning для рекомендаций на популярном виджете главной страницы.
Виджет с рекомендациями из 6 персонализированных товаров на главной странице с использованием алгоритма Deep Learning.
Ключевые выводы
Для того, чтобы следовать своей миссии предлагать лучшие очки по доступным ценам для своих потребителей, команда GlassesUSA.com признала, что нужно выходить за рамки базовых рекомендаций и переходить к действительно персонализированным товарным рекомендациям для каждого пользователя. Готовность бренда расширить границы предоставления услуг для своих клиентов привела компанию к решению применить рекомендации на базе алгоритма Deep Learning — так у GlassesUSA.com появилась возможность предвосхищать потребности клиентов и автоматически предсказывать, с какими товарами каждый из них будет вероятнее всего взаимодействовать уже на самом верхнем этапе воронки. Результаты первоначальных тестов рекомендаций на базе Deep Learning на главной странице, как на desktop, так и на мобильной версии сайта, уже доказали свою эффективность — усовершенствованный алгоритм увеличил конверсию на 68% и выручку на 88%.
Результаты
88%
45%