CRS Онлайн

Conscious Recommendation System (CRS) — это интеллектуальный продукт в сфере data science, созданный для оптимизации и увеличения прибыльности онлайн-торговли. Система может быть применена как на уже существующих, так и на вновь создающихся интернет-магазинах.

С помощью интеллектуального анализа данных CRS предоставляет конечному пользователю точно таргетированные и осознанные рекомендаций по тем товарам, которые действительно интересуют пользователя в момент покупки.

Осознанная рекомендация — результат работы обучаемой системы анализа данных о поведении пользователей, покупающих товары на протяжении длительного времени.

Сферы применения
Функциональные особенности
Общие принципы работы системы
Применение системы в бизнесе
Какая информация необходима рекомендательной системе?
Как подключить ваш магазин к CRS?

Сферы применения

Сферой применения рекомендательной системы CRS является ритейл где присутствуют устойчивые сочетания продаваемых товаров (в этом случае система после обучения становится способна выдавать осознанные рекомендации по таким сочетаниями)

Первоначально система разрабатывалась для фарм-ритейла, поскольку в этой сфере чаще всего встречаются устойчивые сочетания медицинских препаратов и товаров медицинского назначения, применяемых для лечения различных заболеваний.

Также система применима для таких сфер, как:

  • спортивные товары
  • мебель
  • инструменты
  • строительные материалы
  • одежда
  • продукты питания
  • бытовая химия
  • и т.п.

 

 

Функциональные особенности

Отличие CRS-системы от традиционных рекомендательных систем заключается в том, что система формирует рекомендации по составлению полной корзины, удовлетворяющей спрос на определенный конечный набор товаров, в определённый момент времени, а рекомендации типа “самый популярный товар”, “с этим товаром обычно покупают” или “вы раньше покупали” учитываются с различными весовыми коэффициентами при формировании рекомендации.

Например, если покупатель выбрал горные лыжи, то система отберет и порекомендует самые адекватные для данного покупателя товары, сопутствующие именно этой конкретной паре лыж — ботинки, перчатки, палки и пр. Причем, как и в случае с медикаментами (рецепты) и прочими устойчивыми наборами товаров выдача рекомендаций основана не на частоте появления товаров в одном чеке, а на исследовании всей совокупности покупательского спроса на подобные наборы товаров. Такой эффект работы системы основан на применении принципов NLP (Natural Language Processing) к исследованиям спроса.

Стандартные рекомендации также учитываются системой и специальным образом, на основе пожеланий менеджмента торговой сети встраиваются в “осознанные рекомендации” для увеличения маржинальности и продвижения отдельных товаров.

 

В рамках системы решена также задача “холодного старта” (запуска системы в случае если система не имеет достаточных данных для конкретного выбора). Большая часть рекомендательных систем имеют проблемы при необходимости что-то порекомендовать новому покупателю или подобрать сопутствующие товары к новому артикулу. Нами разработаны методики, позволяющие составить рекомендательный блок даже в этом случае.

Еще одним принципиальным и очень важным отличием рекомендательной системы  CRS от аналогичных систем является выдача менеджменту торговой сети списка товаров, которые покупатель скорее всего купил бы, но они отсутствовали на складе в момент покупки (в терминах фармацевтики — “дефектура”).

Реализация описанного выше функционала становится возможной потому, что система предсказывает полную корзину возможных покупок и проверяет наличие необходимых товаров. Список дефектур постоянно пополняется системой перед выдачей рекомендации, когда проверяется наличие товара на складе магазина и производится вынужденная замена товара.

Общие принципы работы системы

Система CRS построена таким образом, чтобы максимально точно учесть пожелания покупателя и предсказать наибольшее количество товаров, которые он может купить в дополнение к первому же выбранному им товару. После добавления в корзину новых товаров система генерирует рекомендации на основании всего набора элементов, а не только добавленного последним или первым.

Рис.1. Основные функциональные блоки и их взаимодействие в оффлайн продажах.

При этом система пытается находить такие товары, которые соответствуют как можно большей подгруппе из корзины. Например, если в корзине находятся товары “лыжи”, “крепления лыжные”, “перчатки” и “футбольный мяч”, то система сама определит первые 3 товара как значимую группу и предложит к ней лыжные ботинки, палки и вероятно какие-то другие сопутствующие товары. При этом рекомендация “насос для мяча” также будет сформирована в системе, но вероятно не показана (покупка будет отнесена больше к лыжной теме). Если же один из товаров лыжной тематики системно не будет интересен пользователям (например, лыжные ботинки никто покупать по рекомендации не хочет), то со временем рекомендации “насос” будет предоставлено место при выдаче и если продажи насосов по рекомендации будут эффективны, то система это учтет и перестроится с целью оптимизации дополнительных продаж.

Основной функциональный блок системы, предсказывающий покупательскую корзину в целом, позволяет избежать одной серьезной проблемы — “холодный старт”, когда продавец ничего еще не знает о покупателе и после первого выбора товара не может ему ничего иного предложить, кроме как “с этим еще покупают …” или аналог ранее выбранного товара. Система CRS в этом случае выдает список рекомендаций, в котором первый выбранный товар считается основным. А после добавления в корзину каждого следующего товара рекомендации системы CRS становятся еще более “осознанными” и точными.

При построении системы каждый функциональный блок учитывает различные пожелания торговой сети:

  • Продвижение конкретных товаров;
  • Замены товаров на более маржинальные;
  • Акционные предложения;
  • Список рекомендуемых допродаж;

 

Если пользователь зарегистрирован в системе и имеет собственную историю покупок, то система дополнительно учитывает:

  • Пользовательские предпочтения к ценовым категориям товара;
  • Пользовательские предпочтения к торговой марке или качеству;
  • Обычно покупаемые товары, если они не относятся к категории товаров длительного использования;
  • Предложение сопутствующих товаров или расходных материалов к ранее приобретенным товарам длительного использования.

Применение системы в бизнесе

Рис.2. Основные функциональные блоки и их взаимодействие в онлайн продажах.

Какая информация необходима рекомендательной системе?

CRS необходима информация о текущих продажах, это позволяет корректировать и обучаться изменяющейся рыночной ситуации. Также система получает и соотносит поведение пользователя на сайте с его последующей покупательной активностью. Это необходимо для оценки эффективности и правильного выбора триггерных рассылок.

Кроме того, CRS необходимо получать информацию об отсутствии на складе товара, который система определила как рекомендуемый. Это позволяет формировать дефектуры (списки товаров, которые требуется иметь на складе) и правильно планировать закупки.

Как подключить ваш магазин к CRS?

  1. Связаться с нами (mastermind.com.ua) и заключить договор на первоначальный анализ данных.
  2. Передать нам срез неперсонализированных данных по продажам вашей системы за год. В общем случае это данные из чеков (товары, цена, номер пользователя, номер точки продаж)
  3. После анализа ваших данных и выявления закономерностей, мы формализуем понятие корзины (сочетаемые группы товаров) для вашего типа бизнеса и презентуем вам результаты исследований.
  4. Далее, ваши техническими специалисты разрабатывают вместе с нами процедуру предоставлении данных системе CRS уже на постоянной основе.
  5. CRS система обучается на ваших данных и формирует связи между товарами
    Система начинает работать с вашим интернет-магазином в штатном режиме, выдавая ответы на запросы (в виде набора сервисов-API)
  6. Мы проводим консультации с вашими сотрудниками, отвечая на саппорт-реквесты
  7. Мы договариваемся также о способах логирования пользовательской активности
  8. По мере накопления реальных данных система улучшает качество рекомендаций