WooCommerce'de Daha İyi Ürün Tavsiye Motoru için Apriori Algoritmasını kullanın

Bu yazıda, etkili ürün önerileri yöntemini (sepet analizi olarak adlandırılan) öğreneceksiniz. Özel bir algoritma (Apriori algoritması) kullanarak hangi ürünleri set halinde satacağınızı öğreneceksiniz. Ürün tavsiye motoru (Apriori algoritması alışveriş sepeti analizi) hakkında bilgi edinelim ve WooCommerce mağazanızdaki ortalama alışveriş sepeti değerini artıralım.

▪️İnsanların neden çapraz satış ürünleri almadığını hiç merak ettiniz mi?

WooCommerce'de Ürün Tavsiyesi motorunun nasıl güçlendirileceğini görmek için makaleyi okuyun. Hadi başlayalım!

İçindekiler

• Akıllı ürün önerileri - çapraz satış
• Apriori algoritması - kısaca tavsiye motoru
• WooCommerce için etkili bir öneri motoru için ipuçları
• Apriori Algoritmasının çalışma prensibi
• Özet

Akıllı ürün önerileri - çapraz satış

Online mağazada satışları artırmanın yollarından biri de ilgili ürünleri tavsiye etmektir .

Ne yazık ki, bu tür önerilerin en yaygın uygulaması, aynı kategorideki ürünleri sergilemektir. İncelediğimiz ürünün altında bu türden başka ürünler görüyoruz - örneğin diğer ayakkabı teklifleri.

Ancak ürünler arasındaki ilişki, bunların mağazaya eklendiği ortak kategoriden kaynaklanmaz. Müşteri sepete zaten bir çift ayakkabı koymuşken başka ayakkabı önermenin hiçbir anlamı yok. Bu şekilde, bunun işe yarayıp yaramadığına dair kör tahminler yaparız. Belki müşteri sepete başka bir şey ekler.

Ürün tavsiyelerinin özü, müşterilere ilgi duyacakları bir ürün vermektir. Bu ürünlerin ne olduğunu nasıl bilebiliriz? İstatistikler sayesinde! Onun yardımıyla, A ürününü satın alan müşterilerin çoğunluğunun B ve C'yi de satın aldığını öğrenebiliriz. Bu durumda, A'yı sepete koyan müşteriye B ve C'yi tavsiye ederiz. Bu tür bir ürün önerisi, alışveriş sepeti sayfasında en iyi sonucu verir.

Bu sayede satın alma işlemini gerçekleştiren müşteriler başka ürünler de satın alabilecekleri bilgisine sahip olurlar. Belli bir satın alma eğilimi algılıyor ve sonraki müşterilere uygulanmasını kolaylaştırıyoruz .

Kullanışlı bir arayüz sayesinde, sonraki müşteriler siparişlerine ek ürünler ekleyecektir. Sepetin değeri artacaktır . Mağaza daha çok kazanır. Herkes mutlu :)

Bu tür bir ek satış durumunda, ek satış yapılan ürüne indirim uygulayabilirsiniz. Bu sayede satın alma ile ilgili müşteri memnuniyeti artacaktır.

Apriori algoritması - kısaca tavsiye motoru

Sepet analizi nedir?

Soru - ürün tavsiyeleri için ürün siparişlerinden faydalı veriler nasıl alınır? Cevap, sözde alışveriş sepeti analizidir. Bir veri madenciliği yöntemidir .

Sepet analizi için verimli ve popüler bir algoritma, Apriori algoritmasıdır. Bu algoritma, verileri nasıl çıkardığımızı ve kullanışlılığını nasıl değerlendirdiğimizi tanımlar.

Müşterinin sepetindeki her ürün korelasyonu öneriler için kullanılmayacaktır. 1000'de 1 kez bir vaka olduysa, mağaza düzeyinde böyle bir tavsiyeyi uygulamanın bir anlamı yoktur. Bu bir trend değil, tek bir vaka.

Ancak mağazamız için bir öneri motoru bulmamız gerekiyor (WooCommerce gibi). Bir örnek görelim!

Etkili uygulama örnekleri

İnternette alışveriş sepeti analizinin 1990'larda Wal-Mart tarafından kullanıldığına dair bilgiler bulabiliriz. Amerika Birleşik Devletleri'ndeki en büyük hipermarket zincirlerinden biridir. Sepet analizi sayesinde bira ve çocuk bezi arasında güçlü bir ilişki keşfedildi . Böyle bir şeyi kendi başınıza bulamazsınız, bu tür garip korelasyonlar veri madenciliğinden kaynaklanır.

Gelelim: bira ve bebek bezleri genellikle cuma geceleri genç erkekler tarafından satın alınırdı .

Analistler bu bilgi sayesinde mağazada değişiklikler yaptı.

Önce bu ürünleri birbirine yaklaştırıyorlar.

İkincisi, pazarlama faaliyetlerini değiştirdiler.

Büyük bir hipermarket, ürünlerdeki tüm promosyonları ve indirimleri uygular. Cuma günleri ise iki üründen sadece birinde indirim yapılmasına karar verildi. Çoğu durumda, ikisi de bir şekilde satın alınacaktır . Bu sayede mağaza ek satışlar elde etmiş ve pazarlama faaliyetlerinden tasarruf sağlamıştır.

Geleneksel mağazaların analizinde kullanılan ilke ve yöntemlerin birçoğu e-ticarete de uygulanabilir . Bazılarının uygulanması daha kolaydır. Çevrimiçi mağazalarımız, tıklamalar, trafik ve sitede geçirilen süre gibi kolayca izlenebilir. Bir mağazadaki (WooCommerce gibi) öneri motorunu iyileştirmek için alışveriş sepetindeki ürünlerle ilgili verileri kullanmaya da değer.

WooCommerce için etkili bir öneri motoru için ipuçları

Apriori algoritması sadece ürünler arasındaki ilişkileri göstermez, tasarımı sayesinde önemsiz verileri reddetmenizi sağlar. Bu amaçla iki önemli kavramı ortaya koymaktadır:

• destek - oluşma sıklığı
• güven - kuralın kesinliği

Algoritma, bu iki gösterge için minimum değerleri belirlemeyi mümkün kılar. Bu nedenle, tavsiye için kalite varsayımlarını karşılamayan işlemleri reddediyoruz.

Bu algoritmanın çalışması yinelemelidir. Tüm verileri bir kerede işlemiyoruz. Bu sayede algoritma, veri tabanındaki hesaplama sayısını sınırlar.

Algoritmanın işleyişini uygulamalı olarak size göstereceğim. Apriori algoritmasının temel unsurları olarak destek ve güven kullanımını açıklayacağım.

Apriori Algoritmasının çalışma prensibi

Örneğin ilk varsayımlar

Basitleştirilmiş bir örnek kullanalım.

Mağazamızda A, B, C, D olmak üzere dört ürünümüz olduğunu varsayalım. Müşteriler şuna benzer 7 işlem gerçekleştirdi:

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

Ürünler arasındaki ilişkileri belirlemek için Apriori'yi kullanacağız. Destek olarak değeri 3 olarak ayarladık. Bu, kuralın verilen yinelemede 3 kez oluşması gerektiği anlamına gelir.

İlk yineleme

İlk iterasyonu başlatalım. Ürünün siparişlerde ne sıklıkta göründüğünü belirleriz:

• bir - 3 kez
• B - 6 kez
• C - 4 kez
• D - 5 kez

Bu ürünlerin her biri siparişlerde 3 defadan fazla yer aldı. Tüm ürünler destek gereksinimlerini karşılar . Her birini bir sonraki yinelemede kullanacağız.

ikinci yineleme

Şimdi iki üründen oluşan bir diziye dayalı olarak ürünlerde bağlantılar arıyoruz. Müşterilerin seçilen iki ürünü ne sıklıkta bir siparişte bir araya getirdiklerine bakarız.

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

Gördüğünüz gibi {A, C} ve {A, D} kümeleri destek varsayımlarını karşılamıyor . Üç defadan daha az meydana gelirler. Bu nedenle, onları bir sonraki yinelemenin dışında tutuyoruz .

Üçüncü yineleme

Aşağıdaki özelliklere sahip üç üründen oluşan setler arıyoruz:

• Müşteri siparişlerinde meydana gelen
• kendi içinde {A, C} ve {A, D} kümelerini içermez

Bu nedenle bir {B, C, D} kümesidir. Emirlerde sadece iki kez oluşur, bu nedenle destek varsayımlarımızı karşılamaz.

Sonuç

Varsayımlarımız aşağıdaki kümeleri karşılamaktadır:

• A, B - siparişlerde üç kez meydana geldi
• B, C - 3 kez de
• B, D - 4 kez

Bu örnek yalnızca algoritmanın işleyişini göstermek içindir. Çoğu çevrimiçi mağaza için, verilerle ilgili hesaplamalar, daha fazla olacağı için çok daha karmaşık olacaktır.

Yüzde olarak ifade edilen destek

Desteğin tüm işlemlerde kuralın küresel payını tanımladığını eklemeye değer. Minimum gereksinimlerimizi sayısal bir değer olarak desteklemeyi kabul ettik: 3. Ancak, bir yüzde belirleyebilirdik . Bu durumda:

• A, B yaklaşık %42,9'a eşit desteğe sahiptir - 7 işlem için 3 kez meydana gelirler
• B, C aynı desteğe sahip
• B, D yaklaşık %57,14'e eşit desteğe sahiptir - 7 işlem için 4 kez meydana gelirler

Destek faktörünün yüksek yüzdeleri, örneğimizdeki az sayıda üründen kaynaklanmaktadır. Sadece 4 ürünümüz var: A, B, C ve D.

Örneğin 1000 ürün içeren bir mağazada, siparişlerin yarısında her zaman iki özdeş ürün olması pek olası değildir.

Bu örnek kasıtlı olarak basitleştirilmiştir. Mağazanızda algoritmayı kullanırken bunu dikkate almalısınız. Mağaza, sektör vb. için minimum destek değerini ayrı ayrı belirlemelisiniz.

Sonuçlar

Güven sorunu devam ediyor. Belirli bir kuralın oluşumunu, ilk kümenin oluştuğu yerdeki herkese belirtir.

▪️Nasıl Hesaplanır?

{A, B} - siparişlerde üç kez meydana geldi İlk set A'dır. Bu ürün ayrıca üç kez siparişlerde göründü. Bu nedenle güven %100'dür.

Bu çifti yansıtalım. {B, A} siparişlerinde 3 kez meydana geldi. Burada hiçbir şey değişmedi - çift aynı. Ancak, ilk set değişir. Bu B. Bu ürün 6 işlemde gerçekleşti. Bu bize %50 seviyesinde güven veriyor. A Ürünü, B ürününün gerçekleştiği işlemlerin yalnızca yarısında gerçekleşti.

• A ve B'nin güveni %100'dür
• B ve A'nın güveni %50'dir
• B ve C %50 güvene sahip
• C ve B'nin güveni %75
• B ve D %66.7 güvene sahip
• D ve B'nin güveni %80

Basitleştirilmiş örneğimiz (4 ürün, 7 işlem) aşağıdaki önerileri doğurur:

• A -> B
• B -> D
• C -> B
• D -> B

ilk ürün, kullanıcının sepete eklediği üründür. İkincisi, önerdiğimiz budur .

Özet

Alışveriş sepeti analizi, ürün tavsiye sistemi için (WooCommerce için de) çok etkili bir yöntemdir . Ancak, yukarıdaki algoritmaya göre manuel veri işlemeyi hayal edemiyorum. Özellikle büyük mağazalarda.

Etkili bir alışveriş sepeti analizi, uygun bir uygulama gerektirir. Apriori algoritması, manuel veri işleme değil, bir program prensibi ile çalışmalıdır.

Ağ üzerinde Python'da Apriori Algoritmasının bir uygulaması var.

Ancak ekran görüntüsünde de görebileceğiniz gibi, onu kullanmak programlama becerisi gerektirir.

Apriori Algoritmasının WooCommerce'de uygun bir şekilde uygulanması ilginizi çekiyor mu? Aşağıdaki yorum bölümünde bana bildirin.