Use o Algoritmo Apriori para Melhor Mecanismo de Recomendação de Produtos no WooCommerce

Neste artigo, você aprenderá o método eficaz de recomendações de produtos (a chamada análise de carrinho). Usando um algoritmo especial (algoritmo Apriori), você aprenderá quais produtos vender em conjuntos. Vamos aprender sobre o mecanismo de recomendação de produtos (análise de carrinho do algoritmo Apriori) e aumentar o valor médio do carrinho em sua loja WooCommerce.

️ Você já se perguntou por que as pessoas não compram produtos de venda cruzada ?

Leia o artigo para ver como impulsionar o mecanismo de recomendação de produtos no WooCommerce . Vamos começar!

Índice

• Recomendações inteligentes de produtos - vendas cruzadas
• Algoritmo a priori - mecanismo de recomendação em poucas palavras
• Dicas para um mecanismo de recomendação eficaz para WooCommerce
• O princípio de operação do Algoritmo Apriori
• Resumo

Recomendações inteligentes de produtos - vendas cruzadas

Um dos métodos para aumentar as vendas na loja online é a recomendação de produtos relacionados .

Infelizmente, a implementação mais comum dessas recomendações é exibir produtos da mesma categoria. Sob o produto que estamos visualizando, vemos outros produtos deste tipo - por exemplo, outras ofertas de calçado.

No entanto, a relação entre os produtos não decorre da categoria conjunta em que foram adicionados à loja. Recomendar outros sapatos quando o cliente já colocou um par no carrinho não faz o menor sentido. Dessa forma, fazemos suposições cegas sobre se isso funciona. Talvez o cliente adicione algo mais ao carrinho.

A essência das recomendações de produtos é dar aos clientes um produto que os interesse. Como sabemos quais são esses produtos? Graças às estatísticas! Com sua ajuda, podemos descobrir que a maioria dos clientes que compram o produto A, também compram B e C. Nesse caso, recomendamos B e C ao cliente que coloca A no carrinho. Esse tipo de recomendação de produto funciona melhor na página do carrinho.

Dessa forma, os clientes que efetuam a compra ficam sabendo que podem comprar outros itens. Percebemos uma determinada tendência de compra e facilitamos sua implementação para clientes subseqüentes .

Graças a uma interface conveniente, os clientes subsequentes adicionarão produtos adicionais aos seus pedidos. O valor do carrinho aumentará . A loja vai ganhar mais. Todos ficam felizes :)

No caso desse upselling, você pode aplicar um desconto no produto vendido. Dessa forma, a satisfação do cliente com a compra aumentará.

Algoritmo a priori - mecanismo de recomendação em poucas palavras

O que é a análise do carrinho?

Pergunta - como obter dados úteis de pedidos de produtos para recomendações de produtos? A resposta é a chamada análise de carrinho. É um método de mineração de dados .

Um algoritmo eficiente e popular para análise de carrinho é o algoritmo Apriori. Esse algoritmo define como extraímos dados e como avaliamos sua utilidade.

Nem toda correlação de produtos no carrinho do cliente será usada para recomendações. Se um caso ocorreu 1 vez em 1000, não há sentido em implementar tal recomendação no nível da loja. Esta não é uma tendência, mas um único caso.

Mas precisamos encontrar um mecanismo de recomendação para nossa loja (como o WooCommerce). Vejamos um exemplo!

Exemplos de implementação eficaz

Online podemos encontrar informações de que a análise de carrinho foi utilizada pelo Wal-Mart na década de 1990. É uma das maiores redes de hipermercados dos Estados Unidos. Graças à análise do carrinho, descobriu-se uma forte relação entre cerveja e fraldas . Você não inventaria algo assim sozinho, essas estranhas correlações resultam da mineração de dados.

Vamos direto ao ponto: cerveja e fraldas de bebê eram muitas vezes compradas por rapazes nas noites de sexta-feira .

Graças a esse conhecimento, os analistas introduziram mudanças na loja.

Primeiro, eles colocam esses produtos mais próximos.

Em segundo lugar, eles modificaram as atividades de marketing.

Um grande hipermercado aplica todas as promoções e descontos em produtos. Às sextas-feiras, ficou definido que apenas um dos dois produtos terá desconto. Na maioria dos casos, ambos serão adquiridos de qualquer maneira . Dessa forma, a loja ganhou vendas adicionais e economizou em atividades de marketing.

Muitos dos princípios e métodos utilizados na análise de lojas tradicionais também podem ser aplicados ao comércio eletrônico . Alguns deles são mais fáceis de implementar. Nossas lojas online podem ser facilmente monitoradas - cliques, tráfego e tempo gasto no site. Também vale a pena usar os dados dos produtos no carrinho para melhorar o mecanismo de recomendação de uma loja (como o WooCommerce) .

Dicas para um mecanismo de recomendação eficaz para WooCommerce

O algoritmo Apriori não apenas mostra as relações entre os produtos, mas graças ao seu design permite rejeitar dados insignificantes. Para tanto, introduz dois conceitos importantes:

• suporte - frequência de ocorrência
• confiança - certeza da regra

O algoritmo permite determinar os valores mínimos para esses dois indicadores. Assim, rejeitamos transações que não atendam às premissas de qualidade da recomendação.

A operação deste algoritmo é iterativa. Não processamos todos os dados de uma só vez. Graças a isso, o algoritmo limita o número de cálculos no banco de dados.

Mostrarei o funcionamento do algoritmo na prática. Vou explicar o uso de suporte e confiança como elementos-chave do algoritmo Apriori.

O princípio de operação do Algoritmo Apriori

Suposições iniciais, por exemplo

Vamos usar um exemplo simplificado.

Vamos supor que temos quatro produtos em nossa loja: A, B, C, D. Os clientes fizeram 7 transações, que se parecem com isso:

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

Usaremos Apriori para determinar as relações entre os produtos . Como suporte , definimos o valor como 3. Isso significa que a regra deve ocorrer 3 vezes na iteração especificada.

A primeira iteração

Vamos começar a primeira iteração. Determinamos com que frequência o produto apareceu nos pedidos:

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

Cada um desses produtos apareceu nos pedidos mais de 3 vezes. Todos os produtos atendem aos requisitos de suporte . Usaremos cada um deles na próxima iteração.

A segunda iteração

Agora procuramos conexões em produtos baseados em um conjunto de dois produtos. Procuramos com que frequência os clientes juntam dois produtos selecionados em um pedido .

• A, B - 3 vezes
• A, C - 1 vez
• A, D - 2 vezes
• B, C - 3 vezes
• B, D - 4 vezes
• C, D - 3 vezes

Como você pode ver, os conjuntos {A, C} e {A, D} não atendem às suposições de suporte . Eles ocorrem menos de três vezes. Portanto, nós os excluímos da próxima iteração .

Terceira iteração

Procuramos conjuntos constituídos por três produtos, que:

• ocorreu em pedidos de clientes
• não contêm conjuntos {A, C} e {A, D} em si mesmos

É, portanto, um conjunto de {B, C, D} . Ele ocorre em pedidos apenas duas vezes, portanto, não atende às nossas suposições de suporte .

Resultado

Nossas premissas atendem aos seguintes conjuntos:

• A, B - ocorreu três vezes em ordens
• B, C - 3 vezes também
• B, D - 4 vezes

Este exemplo foi feito apenas para ilustrar a operação do algoritmo. Para a maioria das lojas online, os cálculos dos dados serão muito mais complicados, pois haverá mais deles.

Suporte expresso em porcentagem

Vale acrescentar que o suporte define o compartilhamento global da regra em todas as transações. Concordamos em apoiar nossos requisitos mínimos como um valor numérico: 3. No entanto, poderíamos definir uma porcentagem . Nesse caso:

• A, B têm suporte igual a aproximadamente 42,9% - ocorrem 3 vezes para 7 transações
• B, C têm o mesmo suporte
• B, D têm suporte igual a aproximadamente 57,14% - ocorrem 4 vezes para 7 transações

Altas porcentagens do fator de suporte resultam de um pequeno número de produtos em nosso exemplo. Temos apenas 4 produtos: A, B, C e D.

É muito pouco provável que numa loja com, por exemplo, 1000 produtos, existam sempre dois produtos idênticos em metade das encomendas.

Este exemplo é deliberadamente simplificado. Você deve levar isso em consideração ao usar o algoritmo em sua loja. Você deve definir o valor mínimo de apoio individualmente para a loja, indústria, etc.

Conclusões

A questão da confiança permanece. Especifica a ocorrência de uma determinada regra para todos aqueles onde ocorreu o conjunto inicial.

️ Como calculá-lo?

{A, B} - ocorreu três vezes em pedidos O conjunto inicial é A. Este produto também apareceu em pedidos três vezes. A confiança é, portanto, de 100%.

Vamos espelhar a imagem deste par. {B, A} ocorreu em ordens 3 vezes. Nada mudou aqui - o par é o mesmo. No entanto, o conjunto inicial muda. Este é B. Este produto ocorreu em 6 transações. Isso nos dá confiança no nível de 50%. O produto A ocorreu apenas em metade das transações em que ocorreu o produto B.

• A e B têm 100% de confiança
• B e A têm 50% de confiança
• B e C têm 50% de confiança
• C e B têm 75% de confiança
• B e D têm 66,7% de confiança
• D e B têm 80% de confiança

Nosso exemplo simplificado (4 produtos, 7 transações) dá origem às seguintes recomendações:

• A -> B
• B -> D
• C -> B
• D -> B

onde o primeiro produto é aquele que o usuário adiciona ao carrinho. O segundo é este que recomendamos .

Resumo

A análise do carrinho é um método muito eficaz para o sistema de recomendação de produtos (também para WooCommerce). No entanto, não consigo imaginar o processamento manual de dados de acordo com o algoritmo acima. Especialmente com lojas maiores.

Uma análise de carrinho eficaz requer uma implementação conveniente . O algoritmo Apriori deve funcionar com base no princípio de um programa, não no processamento manual de dados.

Existe uma implementação do Algoritmo Apriori em Python na rede.

No entanto, como você pode ver na captura de tela, requer habilidades de programação para usá-lo.

Uma implementação conveniente do Algoritmo Apriori no WooCommerce lhe interessa? Me avise na seção de comentários abaixo.