Utilizza l'algoritmo Apriori per un migliore motore di raccomandazione dei prodotti in WooCommerce

In questo articolo imparerai l'efficace metodo di raccomandazione del prodotto (la cosiddetta analisi del carrello). Utilizzando un algoritmo speciale (algoritmo di Apriori), imparerai quali prodotti vendere in set. Impariamo a conoscere il motore di raccomandazione del prodotto (analisi del carrello dell'algoritmo Apriori) e aumentiamo il valore medio del carrello nel tuo negozio WooCommerce.

️ Ti sei mai chiesto perché le persone non acquistano prodotti cross-sell ?

Leggi l'articolo per vedere come potenziare il motore di raccomandazione del prodotto in WooCommerce . Cominciamo!

Sommario

• Raccomandazioni intelligenti sui prodotti - cross-selling
• Algoritmo Apriori - motore di raccomandazione in poche parole
• Suggerimenti per un motore di raccomandazione efficace per WooCommerce
• Il principio di funzionamento dell'Algoritmo Apriori
• Riepilogo

Raccomandazioni intelligenti sui prodotti - cross-selling

Uno dei metodi per aumentare le vendite nel negozio online è la raccomandazione di prodotti correlati .

Sfortunatamente, l'implementazione più comune di tali consigli è la visualizzazione di prodotti della stessa categoria. Sotto il prodotto che stiamo visualizzando, vediamo altri prodotti di questo tipo, ad esempio altre offerte di calzature.

Tuttavia, la relazione tra i prodotti non risulta dalla categoria congiunta in cui sono stati aggiunti al negozio. Consigliare altre scarpe quando il cliente ne ha già messo un paio nel carrello non ha alcun senso. In questo modo, facciamo ipotesi cieche sul fatto che funzioni. Forse il cliente aggiungerà qualcos'altro al carrello.

L'essenza delle raccomandazioni sui prodotti è offrire ai clienti un prodotto a cui saranno interessati. Come facciamo a sapere quali sono questi prodotti? Grazie alle statistiche! Con il suo aiuto, possiamo scoprire che la maggior parte dei clienti che acquistano il prodotto A, acquistano anche B e C. In questo caso, consigliamo B e C al cliente che mette A nel carrello. Questo tipo di consiglio sui prodotti funziona meglio nella pagina del carrello.

In questo modo, i clienti che effettuano l'acquisto ottengono informazioni che possono acquistare altri articoli. Percepiamo una certa tendenza all'acquisto e ne facilitiamo l'implementazione ai clienti successivi .

Grazie a una comoda interfaccia, i clienti successivi aggiungeranno ulteriori prodotti ai loro ordini. Il valore del carrello aumenterà . Il negozio guadagnerà di più. Sono tutti felici :)

In caso di tale upselling, puoi applicare uno sconto sul prodotto venduto. In questo modo, la soddisfazione del cliente per l'acquisto aumenterà.

Algoritmo Apriori - motore di raccomandazione in poche parole

Cos'è l'analisi del carrello?

Domanda: come ottenere dati utili dagli ordini di prodotti per consigli sui prodotti? La risposta è la cosiddetta analisi del carrello. È un metodo di data mining .

Un algoritmo efficiente e popolare per l'analisi del carrello è l'algoritmo Apriori. Questo algoritmo definisce come estraiamo i dati e come ne valutiamo l'utilità.

Non tutte le correlazioni di prodotti nel carrello del cliente verranno utilizzate per i consigli. Se un caso si è verificato 1 volta su 1000, non ha senso implementare tale raccomandazione a livello di negozio. Questa non è una tendenza, ma un singolo caso.

Ma dobbiamo trovare un motore di raccomandazione per il nostro negozio (come WooCommerce). Vediamo un esempio!

Esempi di implementazione efficace

Online possiamo trovare informazioni che l'analisi del carrello è stata utilizzata da Wal-Mart negli anni '90. È una delle più grandi catene di ipermercati negli Stati Uniti. Grazie all'analisi del carrello è stata scoperta una forte relazione tra birra e pannolini . Non ti verrebbe in mente qualcosa del genere da solo, tali strane correlazioni derivano dal data mining.

Veniamo al dunque: birra e pannolini per bambini venivano spesso comprati il ​​venerdì sera dai ragazzi .

Grazie a questa conoscenza, gli analisti hanno introdotto cambiamenti nel negozio.

Innanzitutto, avvicinano questi prodotti.

In secondo luogo, hanno modificato le attività di marketing.

Un grande ipermercato applica tutte le promozioni e gli sconti sui prodotti. Il venerdì è stato deciso di scontare solo uno dei due prodotti. Nella maggior parte dei casi, entrambi verranno comunque acquistati . In questo modo, il negozio ha guadagnato ulteriori vendite e risparmiato sulle attività di marketing.

Molti dei principi e dei metodi utilizzati nell'analisi dei negozi tradizionali possono essere applicati anche all'e-commerce . Alcuni di essi sono più facili da implementare. I nostri negozi online possono essere facilmente monitorati: clic, traffico e tempo trascorso sul sito. Vale anche la pena utilizzare i dati sui prodotti nel carrello per migliorare il motore di raccomandazione in un negozio (come WooCommerce) .

Suggerimenti per un motore di raccomandazione efficace per WooCommerce

L'algoritmo Apriori non solo mostra le relazioni tra i prodotti, ma grazie al suo design consente di scartare i dati non significativi. A tal fine, introduce due importanti concetti:

• supporto - frequenza di occorrenza
• fiducia - certezza della regola

L'algoritmo consente di determinare i valori minimi per questi due indicatori. Pertanto, rifiutiamo le transazioni che non soddisfano i presupposti di qualità per la raccomandazione.

Il funzionamento di questo algoritmo è iterativo. Non elaboriamo tutti i dati contemporaneamente. Grazie a ciò, l'algoritmo limita il numero di calcoli sul database.

Ti mostrerò il funzionamento dell'algoritmo in pratica. Spiegherò l'uso del supporto e della fiducia come elementi chiave dell'algoritmo Apriori.

Il principio di funzionamento dell'Algoritmo Apriori

Ipotesi iniziali per esempio

Usiamo un esempio semplificato.

Supponiamo di avere quattro prodotti nel nostro negozio: A, B, C, D. I clienti hanno effettuato 7 transazioni, che hanno questo aspetto:

1. A, B, C, D
2. A, B
3. B, C, D
4. A, B, D
5. AVANTI CRISTO
6. CD
7. B, D

Useremo Apriori per determinare le relazioni tra i prodotti . Come support , impostiamo il valore su 3. Ciò significa che la regola deve verificarsi 3 volte nell'iterazione data.

La prima iterazione

Iniziamo la prima iterazione. Determiniamo la frequenza con cui il prodotto è apparso negli ordini:

• R - 3 volte
• B - 6 volte
• C - 4 volte
• D - 5 volte

Ciascuno di questi prodotti è apparso negli ordini più di 3 volte. Tutti i prodotti soddisfano i requisiti di supporto . Useremo ciascuno di essi nella prossima iterazione.

La seconda iterazione

Cerchiamo ora le connessioni nei prodotti basati su un insieme di due prodotti. Cerchiamo la frequenza con cui i clienti mettono insieme due prodotti selezionati in un unico ordine .

• A, B - 3 volte
• A, C - 1 volta
• A, D - 2 volte
• SI, DO - 3 volte
• B, D - 4 volte
• C, D - 3 volte

Come puoi vedere, gli insiemi {A, C} e {A, D} non soddisfano le ipotesi di supporto . Si verificano meno di tre volte. Pertanto, li escludiamo dalla prossima iterazione .

Terza iterazione

Cerchiamo set composti da tre prodotti, che:

• avvenuto negli ordini dei clienti
• non contengono in sé gli insiemi {A, C} e {A, D}

È quindi un insieme di {B, C, D} . Si verifica negli ordini solo due volte, quindi non soddisfa le nostre ipotesi di supporto .

Risultato

Le nostre ipotesi soddisfano i seguenti insiemi:

• A, B - si è verificato tre volte negli ordini
• B, C - anche 3 volte
• B, D - 4 volte

Questo esempio aveva solo lo scopo di illustrare il funzionamento dell'algoritmo. Per la maggior parte dei negozi online, i calcoli sui dati saranno molto più complicati, poiché ce ne saranno di più.

Sostegno espresso in percentuale

Vale la pena aggiungere che il supporto definisce la quota globale della regola in tutte le transazioni. Abbiamo concordato di supportare i nostri requisiti minimi come valore numerico: 3. Tuttavia, potremmo impostare una percentuale . In questo caso:

• A, B hanno un supporto pari a circa il 42,9% - si verificano 3 volte per 7 transazioni
• B, C hanno lo stesso supporto
• B, D hanno un supporto pari a circa il 57,14% - si verificano 4 volte per 7 transazioni

Percentuali elevate del fattore di supporto derivano da un piccolo numero di prodotti nel nostro esempio. Abbiamo solo 4 prodotti: A, B, C e D.

È molto improbabile che in un negozio con, ad esempio, 1000 prodotti, ci fossero sempre due prodotti identici nella metà degli ordini.

Questo esempio è volutamente semplificato. Dovresti tenerne conto quando usi l'algoritmo nel tuo negozio. Dovresti impostare il valore minimo del supporto individualmente per il negozio, l'industria, ecc.

Conclusioni

Rimane il problema della fiducia . Specifica l'occorrenza di una determinata regola a tutte quelle in cui si è verificato l'insieme iniziale.

⁉️ Come calcolarlo?

{A, B} - si è verificato tre volte negli ordini Il set iniziale è A. Anche questo prodotto è apparso negli ordini tre volte. La fiducia è quindi del 100%.

Facciamo un'immagine speculare di questa coppia. {B, A} si è verificato negli ordini 3 volte. Non è cambiato nulla qui: la coppia è la stessa. Tuttavia, il set iniziale cambia. Questo è B. Questo prodotto si è verificato in 6 transazioni. Questo ci dà fiducia al 50%. Il prodotto A si è verificato solo nella metà delle transazioni in cui si è verificato il prodotto B.

• A e B hanno il 100% di confidenza
• B e A hanno il 50% di confidenza
• B e C hanno il 50% di confidenza
• C e B hanno il 75% di confidenza
• B e D hanno una confidenza del 66,7%.
• D e B hanno l'80% di confidenza

Il nostro esempio semplificato (4 prodotti, 7 transazioni) dà vita alle seguenti raccomandazioni:

• A -> B
• B -> D
• C -> B
• D -> B

dove il primo prodotto è quello che un utente aggiunge al carrello. Il secondo è questo che vi consigliamo .

Riepilogo

L'analisi del carrello è un metodo molto efficace per il sistema di raccomandazione del prodotto (anche per WooCommerce). Tuttavia, non riesco a immaginare l'elaborazione manuale dei dati secondo l'algoritmo di cui sopra. Soprattutto con negozi più grandi.

Un'analisi del carrello efficace richiede un'implementazione conveniente . L'algoritmo Apriori dovrebbe funzionare secondo il principio di un programma, non l'elaborazione manuale dei dati.

C'è un'implementazione dell'algoritmo Apriori in Python sulla rete.

Tuttavia, come puoi vedere nello screenshot, per usarlo sono necessarie competenze di programmazione.

Ti interessa una comoda implementazione dell'algoritmo Apriori in WooCommerce? Fammi sapere nella sezione commenti qui sotto.