Użyj algorytmu Apriori, aby uzyskać lepszy silnik rekomendacji produktów w WooCommerce

W tym artykule poznasz skuteczną metodę rekomendacji produktów (tzw. analiza koszykowa). Za pomocą specjalnego algorytmu (algorytm Apriori) dowiesz się, które produkty sprzedawać w zestawach. Poznajmy silnik rekomendacji produktów (algorytm analizy koszyka Apriori) i zwiększmy średnią wartość koszyka w Twoim sklepie WooCommerce.

️ Czy zastanawiałeś się kiedyś , dlaczego ludzie nie kupują produktów cross-sellingowych ?

Przeczytaj artykuł, aby zobaczyć, jak ulepszyć silnik rekomendacji produktów w WooCommerce . Zaczynajmy!

Spis treści

• Inteligentne rekomendacje produktowe - cross-selling
• Algorytm Apriori – silnik rekomendacji w pigułce
• Wskazówki dotyczące skutecznego silnika rekomendacji dla WooCommerce
• Zasada działania Algorytmu Apriori
• Streszczenie

Inteligentne rekomendacje produktowe - cross-selling

Jedną z metod zwiększania sprzedaży w sklepie internetowym jest polecanie produktów powiązanych .

Niestety najczęstszą realizacją takich rekomendacji jest wyświetlanie produktów z tej samej kategorii. Pod przeglądanym produktem widzimy inne produkty tego typu – np. inne oferty obuwia.

Jednak związek między produktami nie wynika z łącznej kategorii, w której zostały dodane do sklepu. Polecanie innych butów, gdy klient włożył już jedną parę do koszyka, nie ma najmniejszego sensu. W ten sposób na ślepo zgadujemy, czy to działa. Może klient doda coś jeszcze do koszyka.

Istotą rekomendacji produktowych jest dostarczenie klientom produktu, którym będą zainteresowani. Skąd wiemy, jakie to produkty? Dzięki statystykom! Z jego pomocą możemy dowiedzieć się, że większość klientów kupując produkt A, kupuje również produkt B i C. W takim przypadku rekomendujemy produkty B i C klientowi, który doda produkt A do koszyka. Tego rodzaju rekomendacje produktów najlepiej sprawdzają się na stronie koszyka.

W ten sposób klienci dokonujący zakupu otrzymują informację, że mogą dokupić inne pozycje. Dostrzegamy pewien trend zakupowy i ułatwiamy jego wdrożenie kolejnym klientom .

Dzięki wygodnemu interfejsowi kolejni klienci będą dodawać kolejne produkty do swoich zamówień. Wartość koszyka wzrośnie . Sklep zarobi więcej. Wszyscy są szczęśliwi :)

W przypadku takiej dosprzedaży możesz zastosować rabat na dosprzedaż produktu. W ten sposób wzrośnie zadowolenie klienta z zakupu.

Algorytm Apriori – silnik rekomendacji w pigułce

Czym jest analiza koszyka?

Pytanie - jak czerpać przydatne dane z zamówień produktów do rekomendacji produktów? Odpowiedzią jest tak zwana analiza koszykowa. Jest to metoda eksploracji danych .

Wydajnym i popularnym algorytmem analizy koszykowej jest algorytm Apriori. Algorytm ten określa, w jaki sposób wydobywamy dane i jak oceniamy ich użyteczność.

Nie każda korelacja produktów w koszyku klienta zostanie wykorzystana do rekomendacji. Jeśli przypadek zdarzył się 1 raz na 1000, to nie ma sensu wdrażać takiej rekomendacji na poziomie sklepu. To nie jest trend, ale pojedynczy przypadek.

Ale musimy znaleźć silnik rekomendacji dla naszego sklepu (jak WooCommerce). Zobaczmy przykład!

Przykłady skutecznej realizacji

W sieci możemy znaleźć informacje, że analiza koszykowa była wykorzystywana przez Wal-Mart w latach 90. Jest to jedna z największych sieci hipermarketów w Stanach Zjednoczonych. Dzięki analizie koszykowej odkryto silny związek między piwem a pieluchami . Sam byś czegoś takiego nie wymyślił, takie dziwne korelacje wynikają z eksploracji danych.

Przejdźmy do konkretów: piwo i pieluchy dla dzieci były często kupowane w piątkowe wieczory przez młodych mężczyzn .

Dzięki tej wiedzy analitycy wprowadzili zmiany w sklepie.

Po pierwsze, umieścili te produkty bliżej siebie.

Po drugie, zmodyfikowali działania marketingowe.

W dużym hipermarkecie obowiązują wszystkie promocje i rabaty na produkty. W piątki zdecydowano, że tylko jeden z dwóch produktów będzie przeceniony. W większości przypadków oba i tak zostaną zakupione . W ten sposób sklep zyskał dodatkową sprzedaż i zaoszczędził na działaniach marketingowych.

Wiele zasad i metod stosowanych w analizie sklepów tradycyjnych można odnieść również do e-commerce . Niektóre z nich są łatwiejsze do wdrożenia. Nasze sklepy internetowe można łatwo monitorować - kliknięcia, ruch, czas spędzony na stronie. Warto też wykorzystać dane o produktach w koszyku do usprawnienia silnika rekomendacji w sklepie (np. WooCommerce) .

Wskazówki dotyczące skutecznego silnika rekomendacji dla WooCommerce

Algorytm Apriori nie tylko pokazuje relacje pomiędzy produktami, ale dzięki swojej konstrukcji pozwala odrzucić nieistotne dane. W tym celu wprowadza dwa ważne pojęcia:

• wsparcie - częstotliwość występowania
• pewność - pewność reguły

Algorytm umożliwia wyznaczenie minimalnych wartości dla tych dwóch wskaźników. Tym samym odrzucamy transakcje, które nie spełniają założeń jakościowych rekomendacji.

Działanie tego algorytmu jest iteracyjne. Nie przetwarzamy wszystkich danych jednocześnie. Dzięki temu algorytm ogranicza liczbę obliczeń na bazie danych.

Pokażę działanie algorytmu w praktyce. Wyjaśnię wykorzystanie wsparcia i zaufania jako kluczowych elementów algorytmu Apriori.

Zasada działania Algorytmu Apriori

Wstępne założenia np

Posłużmy się uproszczonym przykładem.

Załóżmy, że mamy w sklepie cztery produkty: A, B, C, D. Klienci dokonali 7 transakcji, które wyglądają tak:

1. A, B, C, D
2. A, B
3. B, C, D
4. A, B, D
5. PNE
6. PŁYTA CD
7. B, D

Za pomocą Apriori określimy relacje między produktami . Jako wsparcie ustawiamy wartość 3. Oznacza to, że reguła musi wystąpić 3 razy w danej iteracji.

Pierwsza iteracja

Rozpocznijmy pierwszą iterację. Określamy jak często produkt pojawiał się w zamówieniach:

• A - 3 razy
• B - 6 razy
• C - 4 razy
• D - 5 razy

Każdy z tych produktów pojawił się w zamówieniach więcej niż 3 razy. Wszystkie produkty spełniają wymagania wsparcia . Każdą z nich wykorzystamy w kolejnej iteracji.

Druga iteracja

Szukamy teraz powiązań w produktach opartych na zestawie dwóch produktów. Sprawdzamy , jak często klienci łączą dwa wybrane produkty w jednym zamówieniu .

• A, B - 3 razy
• A, C - 1 raz
• A, D - 2 razy
• B, C - 3 razy
• B, D - 4 razy
• C, D - 3 razy

Jak widać, zbiory {A, C} i {A, D} nie spełniają założeń wsparcia . Występują mniej niż trzy razy. Dlatego wykluczamy je z następnej iteracji .

Trzecia iteracja

Poszukujemy zestawów składających się z trzech produktów, które:

• wystąpiły w zamówieniach klientów
• nie zawierają w sobie zbiorów {A, C} i {A, D}

Jest to zatem zbiór {B, C, D} . Występuje w zamówieniach tylko dwa razy, więc nie spełnia naszych założeń wsparcia .

Wynik

Nasze założenia spełniają następujące zbiory:

• A, B - wystąpiły trzykrotnie w zamówieniach
• B, C - również 3 razy
• B, D - 4 razy

Ten przykład miał jedynie zilustrować działanie algorytmu. W przypadku większości sklepów internetowych obliczenia na danych będą znacznie bardziej skomplikowane, ponieważ będzie ich więcej.

Wsparcie wyrażone w procentach

Warto dodać, że wsparcie określa globalny udział reguły we wszystkich transakcjach. Zgodziliśmy się poprzeć nasze minimalne wymagania jako wartość liczbową: 3. Możemy jednak ustalić wartość procentową . W tym przypadku:

• A, B mają wsparcie równe ok. 42,9% - występują 3 razy na 7 transakcji
• B, C mają takie samo wsparcie
• B, D mają wsparcie równe około 57,14% - występują 4 razy na 7 transakcji

Wysokie wartości procentowe współczynnika wsparcia wynikają z małej liczby produktów w naszym przykładzie. Mamy tylko 4 produkty: A, B, C i D.

Jest bardzo mało prawdopodobne, aby w sklepie z np. 1000 produktami w połowie zamówień zawsze były dwa identyczne produkty.

Ten przykład jest celowo uproszczony. Powinieneś wziąć to pod uwagę podczas korzystania z algorytmu w swoim sklepie. Minimalną wartość wsparcia należy ustalić indywidualnie dla sklepu, branży itp.

Wnioski

Pozostaje kwestia zaufania . Określa występowanie danej reguły dla wszystkich tych, w których wystąpił zestaw początkowy.

️ Jak to obliczyć?

{A, B} - wystąpiło trzykrotnie w zamówieniach Zestaw początkowy to A. Ten produkt również pojawił się w zamówieniach trzykrotnie. Zaufanie jest zatem 100%.

Zróbmy lustrzane odbicie tej pary. {B, A} wystąpiło w zamówieniach 3 razy. Tutaj nic się nie zmieniło – para jest ta sama. Zmienia się jednak początkowy zestaw. To jest B. Ten produkt wystąpił w 6 transakcjach. Daje nam to pewność na poziomie 50%. Produkt A wystąpił tylko w połowie transakcji, w których wystąpił produkt B.

• A i B mają 100% pewność
• B i A mają 50% pewności
• B i C mają 50% pewności
• C i B mają 75% pewności
• B i D mają 66,7% pewności
• D i B mają 80% pewności

Nasz uproszczony przykład (4 produkty, 7 transakcji) daje początek następującym rekomendacjom:

• A -> B
• B -> D
• C -> B
• D -> B

gdzie pierwszy produkt to ten, który użytkownik dodaje do koszyka. Drugi to ten, który polecamy .

Streszczenie

Analiza koszyka to bardzo efektywna metoda dla systemu rekomendacji produktów (również dla WooCommerce). Nie wyobrażam sobie jednak ręcznego przetwarzania danych według powyższego algorytmu. Zwłaszcza w większych sklepach.

Efektywna analiza koszykowa wymaga wygodnej implementacji . Algorytm Apriori powinien działać na zasadzie programu, a nie ręcznego przetwarzania danych.

W sieci istnieje implementacja algorytmu Apriori w języku Python .

Jednak, jak widać na zrzucie ekranu, korzystanie z niego wymaga umiejętności programowania.

Interesuje Cię wygodne wdrożenie Algorytmu Apriori w WooCommerce? Daj mi znać w sekcji komentarzy poniżej.