Используйте априорный алгоритм для лучшего механизма рекомендаций по продуктам в WooCommerce

В этой статье вы познакомитесь с эффективным методом товарных рекомендаций (так называемый анализ корзины). С помощью специального алгоритма (алгоритма Априори) вы узнаете, какие товары продавать наборами. Давайте узнаем о механизме рекомендаций по продуктам (анализ корзины с помощью априорного алгоритма) и увеличим среднюю стоимость корзины в вашем магазине WooCommerce.

️ Вы когда-нибудь задумывались , почему люди не покупают товары для перекрестных продаж ?

Прочтите статью, чтобы узнать, как улучшить механизм рекомендаций по продуктам в WooCommerce . Давай начнем!

Оглавление

• Интеллектуальные рекомендации по продуктам — перекрестные продажи
• Алгоритм априори — система рекомендаций в двух словах
• Советы по эффективному механизму рекомендаций для WooCommerce
• Принцип работы априорного алгоритма
• Краткое содержание

Интеллектуальные рекомендации по продуктам — перекрестные продажи

Одним из методов увеличения продаж в интернет-магазине является рекомендация сопутствующих товаров .

К сожалению, наиболее распространенная реализация таких рекомендаций — это показ товаров из одной категории. Под продуктом, который мы просматриваем, мы видим другие продукты этого типа - например, другие предложения обуви.

Однако связь между продуктами не является результатом совместной категории, в которой они были добавлены в магазин. Рекомендовать другую обувь, когда клиент уже положил одну пару в корзину, не имеет никакого смысла. Таким образом, мы делаем слепые предположения о том, работает ли это. Возможно, клиент добавит что-то еще в корзину.

Суть товарных рекомендаций заключается в том, чтобы дать покупателям товар, который им будет интересен. Откуда мы знаем, что это за товары? Спасибо статистике! С его помощью мы можем узнать, что большинство клиентов, покупающих товар А, также покупают Б и В. В этом случае мы рекомендуем Б и В покупателю, который кладет А в корзину. Этот тип рекомендации продукта лучше всего работает на странице корзины.

Таким образом, клиенты, совершающие покупку, получают информацию о том, что они могут купить другие товары. Мы улавливаем определенный покупательский тренд и облегчаем его реализацию последующим покупателям .

Благодаря удобному интерфейсу последующие покупатели будут добавлять к своим заказам дополнительные товары. Стоимость корзины увеличится . Магазин заработает больше. Все довольны :)

В случае такой допродажи вы можете применить скидку на проданный товар. Таким образом, удовлетворенность клиентов покупкой увеличится.

Алгоритм априори — система рекомендаций в двух словах

Что такое анализ корзины?

Вопрос - как взять полезные данные из товарных заказов для товарных рекомендаций? Ответ заключается в так называемом анализе корзины. Это метод интеллектуального анализа данных .

Эффективным и популярным алгоритмом анализа корзины является алгоритм Априори. Этот алгоритм определяет, как мы собираем данные и как мы оцениваем их полезность.

Не каждая корреляция товаров в корзине покупателя будет использоваться для рекомендаций. Если случай случился 1 раз из 1000, то реализовывать такую ​​рекомендацию на уровне магазина нет смысла. Это не тенденция, а единичный случай.

Но нам нужно найти механизм рекомендаций для нашего магазина (например, WooCommerce). Давайте посмотрим пример!

Примеры эффективной реализации

В Интернете мы можем найти информацию о том, что анализ корзины использовался Wal-Mart в 1990-х годах. Это одна из крупнейших сетей гипермаркетов в США. Благодаря анализу корзины была обнаружена тесная связь между пивом и подгузниками . Вы бы сами ничего подобного не придумали, такие странные корреляции получаются в результате интеллектуального анализа данных.

Перейдем к делу: пиво и детские подгузники часто покупали в пятницу вечером молодые люди .

Благодаря этим знаниям аналитики внесли изменения в магазин.

Во-первых, они помещают эти продукты ближе друг к другу.

Во-вторых, они изменили маркетинговую деятельность.

В большом гипермаркете действуют все акции и скидки на товары. По пятницам было решено, что скидка будет только на один из двух товаров. В большинстве случаев они оба будут куплены так или иначе . Таким образом, магазин получил дополнительные продажи и сэкономил на маркетинговых мероприятиях.

Многие принципы и методы, используемые при анализе традиционных магазинов , также могут быть применены к электронной коммерции . Некоторые из них легче реализовать. Наши интернет-магазины легко отслеживать — клики, трафик и время, проведенное на сайте. Также стоит использовать данные о товарах в корзине для улучшения механизма рекомендаций в магазине (например, WooCommerce) .

Советы по эффективному механизму рекомендаций для WooCommerce

Алгоритм Apriori не только показывает отношения между продуктами, но и благодаря своей конструкции позволяет отбрасывать малозначительные данные. Для этого вводятся два важных понятия:

• поддержка - частота появления
• доверие - уверенность в правиле

Алгоритм позволяет определить минимальные значения этих двух показателей. Таким образом, мы отклоняем транзакции, которые не соответствуют предположениям о качестве для рекомендации.

Работа этого алгоритма является итеративной. Мы не обрабатываем все данные сразу. Благодаря этому алгоритм ограничивает количество вычислений в базе данных.

Я покажу вам работу алгоритма на практике. Я объясню использование поддержки и уверенности в качестве ключевых элементов априорного алгоритма.

Принцип работы априорного алгоритма

Например, исходные предположения

Воспользуемся упрощенным примером.

Предположим, что у нас в магазине есть четыре товара: A, B, C, D. Покупатели совершили 7 транзакций, которые выглядят так:

1. А, Б, В, Г
2. А, Б
3. Б, В, Г
4. А, Б, Д
5. ДО Н.Э
6. CD
7. Б, Д

Мы будем использовать Apriori для определения отношений между продуктами . В качестве поддержки устанавливаем значение 3. Это означает, что правило должно встречаться 3 раза в данной итерации.

Первая итерация

Начнем первую итерацию. Определяем, как часто товар появлялся в заказах:

• А - 3 раза
• Б - 6 раз
• С - 4 раза
• Д - 5 раз

Каждый из этих товаров появлялся в заказах более 3-х раз. Все продукты соответствуют требованиям поддержки . Мы будем использовать каждый из них в следующей итерации.

Вторая итерация

Теперь мы ищем связи в продуктах на основе набора из двух продуктов. Мы смотрим , как часто клиенты объединяют два выбранных продукта в один заказ .

• А, Б - 3 раза
• А, С - 1 раз
• А, Д - 2 раза
• Б, В - 3 раза
• Б, Д - 4 раза
• В, Д - 3 раза

Как видите, множества {A, C} и {A, D} не удовлетворяют предположениям о поддержке . Они встречаются менее трех раз. Поэтому исключаем их из следующей итерации .

Третья итерация

Мы ищем наборы, состоящие из трех продуктов, которые:

• произошло в заказах клиентов
• не содержат наборов {A, C} и {A, D} сами по себе

Следовательно, это набор {B, C, D} . Он встречается в заказах только два раза, поэтому не соответствует нашим предположениям о поддержке .

Результат

Наши предположения удовлетворяют следующим множествам:

• А, Б - встречались трижды в ордерах
• В, С - также 3 раза
• Б, Д - 4 раза

Этот пример предназначен только для иллюстрации работы алгоритма. Для большинства интернет-магазинов расчеты по данным будут намного сложнее, так как их будет больше.

Поддержка выражена в процентах

Стоит добавить, что поддержка определяет глобальную долю правила во всех транзакциях. Мы согласились поддерживать наши минимальные требования в виде числового значения: 3. Однако мы могли бы установить процентное значение . В этом случае:

• A, B имеют поддержку равную примерно 42,9% - встречаются 3 раза на 7 транзакций
• B, C имеют одинаковую опору
• B, D имеют поддержку равную примерно 57,14% - встречаются 4 раза на 7 транзакций

В нашем примере высокий процент фактора поддержки является результатом небольшого количества продуктов. У нас всего 4 продукта: A, B, C и D.

Очень маловероятно, чтобы в магазине с, например, 1000 товаров в половине заказов всегда было два одинаковых товара.

Этот пример намеренно упрощен. Это следует учитывать при использовании алгоритма в вашем магазине. Вы должны установить минимальное значение поддержки индивидуально для магазина, отрасли и т. д.

Выводы

Остается вопрос доверия . Он определяет вхождение данного правила во все те, где имело место исходное множество.

️ Как рассчитать?

{A, B} - встречается в заказах трижды. Исходным набором является A. Этот товар также фигурировал в заказах трижды. Таким образом, уверенность составляет 100%.

Давайте зеркально отобразим эту пару. {B, A} встречается в заказах 3 раза. Здесь ничего не изменилось - пара та же. Однако первоначальный набор меняется. Это B. Этот продукт появился в 6 транзакциях. Это дает нам уверенность на уровне 50%. Продукт А встречается только в половине транзакций, в которых встречается продукт Б.

• A и B имеют 100% уверенность
• B и A имеют 50% достоверность
• B и C имеют 50% достоверность
• C и B имеют 75% уверенности
• B и D имеют достоверность 66,7%.
• D и B имеют 80% достоверность

Наш упрощенный пример (4 продукта, 7 транзакций) дает следующие рекомендации:

• А -> Б
• Б -> Г
• С -> Б
• Д -> Б

где первым товаром является тот, который пользователь добавляет в корзину. Второй - это то, что мы рекомендуем .

Краткое содержание

Анализ корзины — очень эффективный метод для системы рекомендаций по продуктам (также для WooCommerce). Однако я не могу себе представить ручную обработку данных по вышеописанному алгоритму. Особенно в больших магазинах.

Эффективный анализ корзины требует удобной реализации . Алгоритм Априори должен работать по принципу программы, а не ручной обработки данных.

В сети есть реализация Алгоритма Априори на Python .

Однако, как вы можете видеть на скриншоте, для его использования требуются навыки программирования.

Вас интересует удобная реализация Алгоритма Априори в WooCommerce? Дайте мне знать в разделе комментариев ниже.