ใช้อัลกอริทึม Apriori เพื่อเครื่องมือแนะนำผลิตภัณฑ์ที่ดีขึ้นใน WooCommerce

ในบทความนี้ คุณจะได้เรียนรู้วิธีการแนะนำสินค้าที่มีประสิทธิภาพ (การวิเคราะห์ตะกร้าสินค้าที่เรียกว่า) โดยใช้อัลกอริทึมพิเศษ (Apriori อัลกอริทึม) คุณจะได้เรียนรู้ว่าผลิตภัณฑ์ใดที่จะขายเป็นชุด มาเรียนรู้เกี่ยวกับเครื่องมือแนะนำผลิตภัณฑ์ (การวิเคราะห์รถเข็นอัลกอริทึม Apriori) และเพิ่มมูลค่ารถเข็นเฉลี่ยในร้านค้า WooCommerce ของคุณ

️ เคยสงสัยไหม ว่าทำไมคนถึงไม่ซื้อสินค้าแบบ Cross-Sell ?

อ่านบทความเพื่อดูวิธี เพิ่มประสิทธิภาพเครื่องมือแนะนำผลิตภัณฑ์ใน WooCommerce เอาล่ะ!

สารบัญ

• คำแนะนำผลิตภัณฑ์อัจฉริยะ - การขายต่อเนื่อง
• อัลกอริทึม Apriori - เครื่องมือแนะนำสั้น ๆ
• เคล็ดลับสำหรับเครื่องมือแนะนำที่มีประสิทธิภาพสำหรับ WooCommerce
• หลักการทำงานของอัลกอริทึม Apriori
• สรุป

คำแนะนำผลิตภัณฑ์อัจฉริยะ - การขายต่อเนื่อง

วิธีการหนึ่งในการเพิ่มยอดขายในร้านค้าออนไลน์คือ การแนะนำผลิตภัณฑ์ที่เกี่ยวข้อง

น่าเสียดายที่การนำคำแนะนำดังกล่าวไปใช้โดยทั่วไปคือการแสดงผลิตภัณฑ์จากหมวดหมู่เดียวกัน ใต้ผลิตภัณฑ์ที่เรากำลังดู เราเห็นผลิตภัณฑ์ประเภทนี้อื่นๆ เช่น ข้อเสนอรองเท้าอื่นๆ

อย่างไรก็ตาม ความสัมพันธ์ระหว่างสินค้าไม่ได้เกิดจากหมวดหมู่ร่วมที่มีการเพิ่มสินค้าเข้าในร้านค้า การแนะนำรองเท้าอื่น ๆ เมื่อลูกค้าได้ใส่คู่หนึ่งลงในรถเข็นแล้วนั้นไม่สมเหตุสมผลแต่อย่างใด วิธีนี้ทำให้เราเดาได้ว่าวิธีนี้ได้ผลหรือไม่ บางทีลูกค้าจะเพิ่มอย่างอื่นลงในรถเข็น

สาระสำคัญของคำแนะนำผลิตภัณฑ์คือการให้ลูกค้าผลิตภัณฑ์ที่พวกเขาจะสนใจ เราจะรู้ได้อย่างไรว่าผลิตภัณฑ์เหล่านี้คืออะไร? ขอบคุณสถิติ! ด้วยความช่วยเหลือ เราพบว่าลูกค้าส่วนใหญ่ที่ซื้อสินค้า A ซื้อ B และ C ด้วย ในกรณีนี้ เราแนะนำ B และ C ให้กับลูกค้าที่ใส่ A ในรถเข็น คำแนะนำผลิตภัณฑ์ประเภทนี้ทำงานได้ดีที่สุดในหน้ารถเข็น

ด้วยวิธีนี้ ลูกค้าที่ทำการซื้อจะได้รับข้อมูลว่าพวกเขาสามารถซื้อสินค้าอื่นๆ ได้ เรารับรู้ถึงแนวโน้มการซื้อบางอย่าง และเราอำนวยความสะดวกในการดำเนินการให้กับลูกค้าที่ตามมา

ด้วยอินเทอร์เฟซที่สะดวก ลูกค้ารายต่อไปจะเพิ่มผลิตภัณฑ์เพิ่มเติมในคำสั่งซื้อของตน มูลค่าของรถเข็นจะเพิ่มขึ้น ร้านค้าจะมีรายได้มากขึ้น ทุกคนมีความสุข :)

ในกรณีของการขายต่อยอด คุณสามารถใช้ส่วนลดกับการขายต่อยอดผลิตภัณฑ์ได้ ด้วยวิธีนี้ความพึงพอใจของลูกค้าต่อการซื้อจะเพิ่มขึ้น

อัลกอริทึม Apriori - เครื่องมือแนะนำสั้น ๆ

การวิเคราะห์รถเข็นคืออะไร?

คำถาม - จะนำข้อมูลที่เป็นประโยชน์จากการสั่งซื้อสินค้าไปใช้แนะนำสินค้าได้อย่างไร? คำตอบคือ การวิเคราะห์รถเข็น ที่เรียกว่า เป็นวิธีการขุดข้อมูล

อัลกอริทึมที่มีประสิทธิภาพและเป็นที่นิยมสำหรับการวิเคราะห์รถเข็นคืออัลกอริทึม Apriori อัลกอริทึมนี้กำหนดวิธีที่เราขุดข้อมูลและวิธีประเมินประโยชน์ของข้อมูล

ไม่ใช่ทุกความสัมพันธ์ของผลิตภัณฑ์ในตะกร้าสินค้าของลูกค้าที่จะใช้สำหรับคำแนะนำ หากกรณีเกิดขึ้น 1 ครั้งใน 1,000 ครั้ง ก็ไม่มีประโยชน์ที่จะใช้คำแนะนำดังกล่าวในระดับร้านค้า นี่ไม่ใช่แนวโน้ม แต่เป็นกรณีเดียว

แต่เราต้องหาเครื่องมือแนะนำสำหรับร้านค้าของเรา (เช่น WooCommerce) มาดูตัวอย่างกัน!

ตัวอย่างของการดำเนินการที่มีประสิทธิภาพ

เราสามารถค้นหาข้อมูลออนไลน์ที่ Wal-Mart ใช้การวิเคราะห์รถเข็นในปี 1990 เป็นหนึ่งในเครือข่ายไฮเปอร์มาร์เก็ตที่ใหญ่ที่สุดในสหรัฐอเมริกา จากการวิเคราะห์รถเข็น ทำให้ค้นพบความสัมพันธ์ที่ดีระหว่างเบียร์กับผ้าอ้อม คุณจะไม่คิดอะไรแบบนี้ด้วยตัวคุณเอง ความสัมพันธ์ที่แปลกประหลาดเช่นนี้เป็นผลมาจากการทำเหมืองข้อมูล

ให้เราเข้าประเด็น: ชายหนุ่มมักซื้อเบียร์และผ้าอ้อมเด็กในคืนวันศุกร์

ด้วยความรู้นี้ นักวิเคราะห์จึงได้แนะนำการเปลี่ยนแปลงในร้านค้า

ประการแรก พวกเขาวางผลิตภัณฑ์เหล่านี้ให้ใกล้กันมากขึ้น

ประการที่สอง พวกเขาปรับเปลี่ยนกิจกรรมทางการตลาด

ไฮเปอร์มาร์เก็ตขนาดใหญ่ใช้โปรโมชั่นและส่วนลดทั้งหมดสำหรับผลิตภัณฑ์ ในวันศุกร์ มีการตัดสินใจว่า จะลดราคาสินค้าเพียงหนึ่งในสองรายการเท่านั้น ส่วนใหญ่แล้วจะซื้อทั้งสองอย่างก็ตาม ด้วยวิธีนี้ ร้านค้าได้รับยอดขายเพิ่มเติมและประหยัดในกิจกรรมทางการตลาด

หลักการและวิธีการต่างๆ ที่ใช้ในการวิเคราะห์ร้านค้าแบบดั้งเดิม สามารถนำไปใช้กับอีคอมเมิร์ซได้เช่นกัน บางคนนำไปใช้ได้ง่ายกว่า ร้านค้าออนไลน์ของเราสามารถตรวจสอบได้อย่างง่ายดาย - การคลิก การเข้าชม และเวลาที่ใช้บนไซต์ นอกจากนี้ยังควรใช้ข้อมูลเกี่ยวกับผลิตภัณฑ์ในรถเข็นเพื่อ ปรับปรุงเครื่องมือแนะนำในร้านค้า (เช่น WooCommerce)

เคล็ดลับสำหรับเครื่องมือแนะนำที่มีประสิทธิภาพสำหรับ WooCommerce

อัลกอริทึม Apriori ไม่เพียงแต่แสดงความสัมพันธ์ระหว่างผลิตภัณฑ์เท่านั้น แต่ด้วยการออกแบบที่ช่วยให้คุณสามารถปฏิเสธข้อมูลที่ไม่สำคัญได้ เพื่อจุดประสงค์นี้ จะแนะนำแนวคิดสำคัญสองประการ:

• การสนับสนุน - ความถี่ของการเกิดขึ้น
• ความมั่นใจ - ความแน่นอนของกฎ

อัลกอริทึมทำให้สามารถกำหนดค่าขั้นต่ำสำหรับตัวบ่งชี้ทั้งสองนี้ได้ ดังนั้นเราจึงปฏิเสธการทำธุรกรรมที่ไม่เป็นไปตามสมมติฐานด้านคุณภาพสำหรับคำแนะนำ

การทำงานของอัลกอริทึมนี้เป็นแบบวนซ้ำ เราไม่ได้ประมวลผลข้อมูลทั้งหมดในครั้งเดียว ด้วยเหตุนี้ อัลกอริทึมจึงจำกัดจำนวนการคำนวณบนฐานข้อมูล

ฉันจะแสดงให้คุณเห็นการทำงานของอัลกอริทึมในทางปฏิบัติ ฉันจะอธิบายการใช้ การสนับสนุน และ ความเชื่อมั่น เป็นองค์ประกอบหลักของอัลกอริทึม Apriori

หลักการทำงานของอัลกอริทึม Apriori

ตัวอย่างสมมติฐานเบื้องต้น

ขอให้เราใช้ตัวอย่างง่ายๆ

สมมติว่าเรามีสินค้า 4 รายการในร้านของเรา: A, B, C, D ลูกค้าได้ทำธุรกรรม 7 รายการ ซึ่งมีลักษณะดังนี้:

1. เอบีซีดี
2. เอ บี
3. บี, ซี, ดี
4. เอ บี ดี
5. บี ซี
6. ซีดี
7. บี, ดี

เราจะใช้ Apriori เพื่อกำหนด ความสัมพันธ์ระหว่างผลิตภัณฑ์ ในฐานะ ผู้สนับสนุน เราตั้งค่าเป็น 3 ซึ่งหมายความว่ากฎจะต้องเกิดขึ้น 3 ครั้งในการวนซ้ำที่กำหนด

การทำซ้ำครั้งแรก

เรามาเริ่มการวนซ้ำครั้งแรก เรากำหนดความถี่ที่ผลิตภัณฑ์ปรากฏในคำสั่งซื้อ:

• เอ - 3 ครั้ง
• B - 6 ครั้ง
• C - 4 ครั้ง
• D - 5 ครั้ง

สินค้าเหล่านี้แต่ละรายการปรากฏในคำสั่งซื้อมากกว่า 3 ครั้ง ผลิตภัณฑ์ทั้งหมดเป็นไปตามข้อกำหนดการสนับสนุน เราจะใช้แต่ละรายการในการทำซ้ำครั้งต่อไป

การทำซ้ำครั้งที่สอง

ตอนนี้เรามองหาความเชื่อมโยงในผลิตภัณฑ์ตามชุดผลิตภัณฑ์สองรายการ เรามองหา ความถี่ที่ลูกค้ารวมผลิตภัณฑ์ที่เลือกไว้สองรายการในคำสั่งซื้อเดียว

• A, B - 3 ครั้ง
• A, C - 1 ครั้ง
• A, D - 2 ครั้ง
• B, C - 3 ครั้ง
• B, D - 4 ครั้ง
• C, D - 3 ครั้ง

อย่างที่คุณเห็น ชุด {A, C} และ {A, D} ไม่เป็นไปตาม สมมติฐานของ การสนับสนุน เกิดขึ้นน้อยกว่าสามครั้ง ดังนั้นเราจึง แยกพวกเขาออกจากการทำซ้ำครั้งต่อไป

การทำซ้ำครั้งที่สาม

เรามองหาชุดที่ประกอบด้วยสามผลิตภัณฑ์ ซึ่ง:

• เกิดขึ้นในคำสั่งซื้อของลูกค้า
• ไม่มีชุด {A, C} และ {A, D} ในตัวมันเอง

ดังนั้นจึงเป็นเซตของ {B, C, D} เกิดขึ้นในคำสั่งซื้อเพียงสองครั้ง ดังนั้นจึงไม่เป็นไปตามสมมติฐาน การสนับสนุน ของเรา

ผลลัพธ์

สมมติฐานของเราตรงตามชุดต่อไปนี้:

• A, B - เกิดขึ้นสามครั้งในการสั่งซื้อ
• B, C - 3 ครั้งเช่นกัน
• B, D - 4 ครั้ง

ตัวอย่างนี้มีไว้เพื่อแสดงการทำงานของอัลกอริทึมเท่านั้น สำหรับร้านค้าออนไลน์ส่วนใหญ่ การคำนวณข้อมูลจะซับซ้อนกว่ามาก เนื่องจากจะมีจำนวนมากขึ้น

การสนับสนุนแสดงเป็นเปอร์เซ็นต์

เป็นการเพิ่มมูลค่าที่ การสนับสนุน กำหนดส่วนแบ่งทั่วโลกของกฎในธุรกรรมทั้งหมด เราตกลงที่จะ สนับสนุน ข้อกำหนดขั้นต่ำของเราเป็นค่าตัวเลข: 3 อย่างไรก็ตาม เราสามารถกำหนดเปอร์เซ็นต์ได้ ในกรณีนี้:

• A, B มีการสนับสนุนเท่ากับประมาณ 42.9% - เกิดขึ้น 3 ครั้งสำหรับ 7 ธุรกรรม
• B, C มีการสนับสนุนเดียวกัน
• B, D มีการสนับสนุนเท่ากับประมาณ 57.14% - เกิดขึ้น 4 ครั้งสำหรับ 7 ธุรกรรม

เปอร์เซ็นต์ปัจจัย สนับสนุน ที่สูงเป็นผลมาจากผลิตภัณฑ์จำนวนน้อยในตัวอย่างของเรา เรามีสินค้าเพียง 4 รายการ: A, B, C และ D

ไม่น่าเป็นไปได้อย่างยิ่งที่ร้านค้าที่มีสินค้า 1,000 รายการ จะมีสินค้าที่เหมือนกัน 2 ชิ้นเสมอในครึ่งหนึ่งของคำสั่งซื้อ

ตัวอย่างนี้ทำให้ง่ายขึ้นโดยเจตนา คุณควรคำนึงถึงเมื่อใช้อัลกอริทึมในร้านค้าของคุณ คุณควรตั้งค่าขั้นต่ำของการสนับสนุนสำหรับร้านค้า อุตสาหกรรม ฯลฯ

ข้อสรุป

คำถามของ ความมั่นใจ ยังคงอยู่ ระบุการเกิดขึ้นของกฎที่กำหนดให้กับทุกคนที่ชุดเริ่มต้นเกิดขึ้น

️ คำนวณยังไง?

{A, B} - มีการสั่งซื้อสามครั้ง ชุดเริ่มต้นคือ A สินค้านี้ยังปรากฏในการสั่งซื้อสามครั้ง ความมั่นใจจึงเต็ม 100%

ให้เราสะท้อนภาพคู่นี้ {B, A} เกิดขึ้นในคำสั่งซื้อ 3 ครั้ง ไม่มีอะไรเปลี่ยนแปลงที่นี่ - ทั้งคู่ยังเหมือนเดิม อย่างไรก็ตาม การเปลี่ยนแปลงชุดเริ่มต้น นี่คือ B ผลิตภัณฑ์นี้เกิดขึ้นใน 6 รายการ ทำให้เรามีความมั่นใจที่ระดับ 50% สินค้า A เกิดขึ้นเพียงครึ่งหนึ่งของธุรกรรมที่สินค้า B เกิดขึ้น

• A และ B มีความมั่นใจ 100%
• B และ A มีความมั่นใจ 50%
• B และ C มีความมั่นใจ 50%
• C และ B มีความมั่นใจ 75%
• B และ D มีความเชื่อมั่น 66.7%
• D และ B มีความมั่นใจ 80%

ตัวอย่างง่ายๆ ของเรา (4 ผลิตภัณฑ์ 7 ธุรกรรม) ให้คำแนะนำต่อไปนี้:

• เอ -> บี
• B -> D
• C -> B
• D -> B

โดยสินค้าชิ้นแรกคือสินค้าที่ผู้ใช้เพิ่มลงในรถเข็น อันที่สองคืออันนี้ที่เราแนะนำ

สรุป

การวิเคราะห์รถเข็นเป็นวิธีที่มีประสิทธิภาพมากสำหรับระบบแนะนำสินค้า (สำหรับ WooCommerce) อย่างไรก็ตาม ฉันไม่สามารถจินตนาการถึงการประมวลผลข้อมูลด้วยตนเองตามอัลกอริทึมข้างต้นได้ โดยเฉพาะกับร้านค้าขนาดใหญ่

การวิเคราะห์รถเข็นที่มีประสิทธิภาพจำเป็นต้องมี การใช้งานที่สะดวก อัลกอริทึม Apriori ควรทำงานบนหลักการของโปรแกรม ไม่ใช่การประมวลผลข้อมูลด้วยตนเอง

มี การใช้งาน Apriori Algorithm ใน Python บนเครือข่าย

อย่างไรก็ตาม อย่างที่คุณเห็นในภาพหน้าจอ มันต้องใช้ทักษะการเขียนโปรแกรมเพื่อใช้งาน

การใช้งานอัลกอริทึม Apriori ใน WooCommerce อย่างสะดวกสบายคุณสนใจหรือไม่? แจ้งให้เราทราบในส่วนความคิดเห็นด้านล่าง