A mai világban bármi pillanatok alatt elérhető online, legyen szó termékről, tartalomról vagy szolgáltatásról. A fogyasztók összehasonlíthatnak árakat és tulajdonságokat, hogy azonnal megtalálják, ami számukra a legkedvezőbb.

Ha minőségben és árban nem igazán lehet már kitűnni, mégis, miben jobbak az e-kereskedelem vagy az online tartalomszolgáltatás piacvezetői a versenytársaiknál?

Felhasználói élményben. Egy elsőrangú felhasználói élménynek pedig szerves része a perszonalizáció – az, ahogy egy ajánlórendszer személyre szabja az egyes userek interakcióit az adott márkával. Tehát ha e-kereskedő vagy, előnyöd származhat abból, ha átlátod a személyre szabott ajánlások legfontosabb összefüggéseit. 

Ebből a cikkből megtudhatod, miért közelít másként egy ajánlórendszer új és visszatérő látogatókhoz; milyen logika alapján válogat ajánlásokat; és mi okozhatja, ha mégsem működik tökéletesen. Nézzük a részleteket!

Felhasználótípustól függ az ajánlórendszer működése

A fogyasztók három fő kategóriáját lehet megkülönböztetni perszonalizáció szempontjából: új, visszatérő és regisztrált felhasználókat. Az egyes kategóriák esetében más-más stratégiát alkalmaz az ajánlórendszer. 

A legtöbb fejlett algoritmus arra épül, amit angolul így emlegetnek: “the wisdom of the crowd”. Vagyis a tömeg bölcsessége: mivel egy webáruházban számos látogató megfordul, a múltban biztosan volt olyan, aki az adott felhasználóhoz hasonlóan viselkedett. Ezért az ajánlórendszer követi az illető aktivitását a weboldalon, és ez alapján kiválogatja a korábbi látogatók közül azokat, akik ugyanezt csinálták.

Minthogy nincs két tökéletesen azonos felhasználó, ezért nem csak egy-egy személyt vesz viszonyítási alapul az ajánlórendszer, hanem csoportokat, amelyeknek mérete az adott site forgalmától függ. Majd megnézi, hogy ezek az emberek mire klikkeltek, mit vásároltak, és ezeket a várható preferenciákat feltételezve ajánl termékeket az aktuális vásárlónak. 

Új, ismeretlen felhasználók

Az igazi kihívást az új, ismeretlen felhasználók jelentik az ajánlórendszer számára. Itt az előbb leírt, ún. collaborative filtering algoritmusok nem működnek, hiszen amíg az adott user még nem csinált semmit a weboldalon, nincs adat, ami alapján hasonló viselkedésmintákat kereshetne az ajánlórendszer a korábbi felhasználók böngészési előzményeiből. Ezt hidegindítási probléma (cold start problem) néven emlegetik a perszonalizációs szakemberek.

Márpedig valamit muszáj ajánlani, hiszen épp személyre szabott ajánlásokkal lehetne megfogni egy ilyen “nullkilométeres” felhasználót, aki még nem ismeri az adott webáruházat vagy streaming platformot, és ezért semmilyen elkötelezettséget nem érez. Ilyen esetben a következő módszereket alkalmazza az ajánlórendszer:

• A kezdőoldalon bestsellereket ajánl új látogatóknak, vagyis olyan termékeket vagy tartalmakat, amelyeket sokan néztek vagy vásároltak meg. A népszerű darabok kategóriáját tovább tudja szűkíteni kontextuális adatok alapján, azaz olyan információk birtokában, amelyek új látogatók esetében is ismertek. Ilyen például a dátum, ami alapján évszakhoz vagy egy közelgő jeles naphoz kötődő ajánlásokat tud generálni; vagy geolokációs és időjárási adatok (“Országos eső! Nézd meg trendi esernyőinket”). 
• Az egyes termékoldalakon az adott termékhez vagy tartalomhoz kötődő (item-to-item) ajánlásokat jelenít meg – például, “Mások ezt is megnézték” vagy “Mások ezt is vették hozzá”. Bevett gyakorlat ez olyan nagy videomegosztó platformokon is, mint például a YouTube, ahol kicsi a jelentősége a böngészési előzményeknek, mert annyira változatos a felhasználók tevékenysége, hogy gyakorlatilag minden látogatás során új usernek számítanak. 

Szerencsére az új felhasználók hidegindítási problémája viszonylag rövid ideig áll fenn. Az ajánlórendszer tanuló algoritmusai minden interakció után újra kiértékelik mindazt, amit az adott felhasználóról tudnak, és így válogatnak neki egyre pontosabban perszonalizált ajánlatokat. 

Visszatérő felhasználók

Visszatérő felhasználók esetén annyiban könnyebb dolga van az ajánlórendszernek, hogy több információval rendelkezik róluk, mint az újakról. Sütik (cookie-k) formájában tárolt egyedi azonosítójuk alapján ugyanis vissza tudja keresni korábbi böngészéseiket, vásárlásaikat az adott weboldalon. Így lényegesen gazdagabb adatanyagból dolgozik, amikor a fent ismertetett collaborative filtering algoritmust alkalmazva válogat nekik személyre szabott ajánlásokat. 

Nagy értékű, ritkábban vásárolt termékkategóriáknál (mondjuk, tévé, laptop vagy jacuzzi) nincs különösebb jelentősége az egyéni előzményeknek, hiszen ezek között a beszerzések között minimális az összefüggés. Ugyanakkor gyakran ismétlődő rutinvásárlásoknál (pl. egy online hipermarketben) kifejezetten jól jöhet, ha visszatérő vásárlóknak teljes korábbi bevásárlólistáikat fel tudja kínálni az ajánlórendszer. 

Regisztrált felhasználók

Bizonyos szempontokból a regisztrált felhasználók még előnyösebb terepet biztosítanak a perszonalizációnak. Például multi-devicing esetén, vagyis amikor az adott weboldalt más-más eszközökről érik el a felhasználók. Előfordulhat, hogy mobilon szívesebben keresgél valaki egy webáruházban, de a kiszemelt terméket már desktopon veszi meg. Vagy hogy utazás közben a telefonján néz filmeket, de hazaérve laptopra vált. Ilyen esetekben bejelentkezés nélkül több különálló usernek látja a rendszer, és ennek fényében ajánl neki termékeket vagy tartalmakat – nyilván kevésbé hatékonyan, mintha regisztrált, belépett felhasználóként látná, és így össze tudná kötni különböző eszközökön végzett tevékenységeit. 

További előnye a regisztrált felhasználóknak, hogy az ajánlórendszer nemcsak az adott weboldalon vagy alkalmazásban, hanem más csatornákon – emailben vagy push üzenetben – is tud nekik személyre szabott ajánlásokat megjeleníteni. Például automatikus árfigyelő szolgáltatás keretében értesítheti a regisztrált usert, ha egy termék, amit korábban keresett, vagy akár a kosarába is helyezett, épp leárazásra került. Cart abandonment vagy browsing abandonment esetén (tehát amikor valaki a kosároldalon, vagy már korábban, böngészés közben félbehagyja a vásárlást) emlékeztetőket küldhet, hogy személyre szabott ajánlatokkal vagy kedvezményekkel ösztönözze az illetőt a vásárlás folytatására. 

Algoritmusok és üzleti szabályok: az ajánlórendszer mozgatórugói

Ha már sikeresen beazonosította, hogy melyik felhasználótípusba tartozik az adott user, az ajánlórendszer ez alapján személyre szabott ajánlásokat jelenít meg neki a weboldal különböző pontjain, változatos ajánlási logikákat, más szóval algoritmusokat alkalmazva. Bár minden ajánlórendszer algoritmusportfóliója egyedi, valamennyi tartalmazza a legalapvetőbb logikákat:  

• Perszonalizált ajánló (Neked ajánljuk; Korábban ezt vetted) – a felhasználó számára személyre szabott termékeket válogat böngészési előzményei alapján, jellemzően a főoldalon vagy kategória-oldalakon.
• Mások ezt is megvették / megnézték – a termékoldalon levő termékhez kötődő ajánlások, korábbi felhasználók böngészési előzményei alapján. 

• Keresztajánlás (cross-sell), pl. Ez is kellhet hozzá – termék- vagy kosároldalon, az éppen megtekintett vagy kosárban lévő termékekhez kapcsolódó, vagy azokat kiegészítő termékek ajánlása a kosárérték növelése céljából. 
• Felülértékesítés (upsell) – az éppen megtekintett vagy kosárban lévő termékekhez hasonló, de prémium termékek ajánlásával még tovább növelhető a kosárérték. Ezt a logikát is termék-, illetve kosároldalon használja az ajánlórendszer.

Ugyanakkor a webáruházaknak vagy tartalom-platformoknak megvannak a saját preferenciáik vagy szűrőik, egyszóval üzleti szabályaik, amelyek módosíthatják az ajánlórendszer algoritmusainak működését. 

Lehetnek például olyan termékek vagy termékkategóriák, amelyeket nagyobb arányban szeretnének megjeleníteni személyre szabott ajánlásokban, mint ahogy azt az ajánlórendszer magától tenné. Ilyenek a saját márkás, vagy csak az adott kereskedő által forgalmazott termékek. 

Másfelől kiköthetik például, hogy bizonyos tartalmakat vagy termékeket ne ajánljon ki az ajánlórendszer, attól függetlenül, hogy a weboldalon – keresés útján – megtalálhatók. Erre tipikus példák a felnőtt tartalmak, vagy az olyan termékkategóriák, amelyeknek népszerűsítését jogszabályok korlátozzák (dohánytermékek, alkoholos italok). 

Ezért az ajánlórendszer beüzemelésének fontos lépése, hogy az algoritmusokat felülíró vagy módosító üzleti szabályokat egyeztessük és rögzítsük.   

Mi befolyásolja még az ajánlórendszer hatékonyságát? 

Szuper, gondolhatod, de ha ilyen olajozottan működik a rendszer, miért vannak mégis ajánlódobozok, amikre nem kattintanak a vevők? És mi van azokkal a termékekkel, amiket újra meg újra feldob nekik az ajánlórendszer, holott már rég megvették? Hogyan kerülhetett porszem a gépezetbe? 

A fent említett üzleti szabályok néha bezavarhatnak az ajánlórendszer működésébe úgy, hogy az kevésbé pontos ajánlásokat generál. Egy másik gyakori oka a gyengébb ajánlásoknak, ha az ajánlórendszer “fapados” algoritmusportfólióval, vagyis viszonylag kis számú, kevéssé kifinomult logikával dolgozik. 

A termékkatalógus hiányosságai is okozhatnak félrecsúszott ajánlásokat. Ha például nem frissül a készletinformáció, akkor előfordulhat, hogy olyan terméket ajánl a rendszer, ami épp nem elérhető. Ha bizonyos eseményekről nem értesül az ajánlórendszer, például arról, hogy egy vásárlás sikeresen lezárult, akkor az adott terméket továbbra is ajánlani fogja boldog tulajdonosának. 

Szintén gondot okozhat, ha egy webshop marketing-tevékenysége nincs összehangolva az ajánlórendszer működésével. Ha egy terméket aktívan hirdetnek, a kampány forgalmat generál ugyan, de ez nem egyenértékű az “organikus” népszerűséggel. Megfelelő koordináció híján az algoritmus nem tud különbséget tenni a hirdetett és a keresett termékek között, és mindkettőt bestsellerként ajánlja. 

Végül van olyan is, hogy egy webáruház termékkatalógusának a felépítése egyszerűen nem ideális perszonalizáció szempontjából. Például ugyanazzal az azonosítóval szerepelnek benne hasonló termékek, mondjuk, egy okostelefon különböző színváltozatai. Ilyenkor az ajánlórendszer nem lát különbséget a rózsaarany és a fekete között, pedig a legtöbb felhasználónak nem mindegy. Vagy fordítva: ha egyazon termék más-más beszálltótól külön azonosítóval szerepel a katalógusban – ez is csökkentheti a személyre szabott ajánlások hatékonyságát. Ilyenkor szükséges egy kis emberi behatás az ajánlórendszer tökéletes működéséhez. 

Te is használnál ajánlórendszert webshopodban?

Ez a cikk már egy jó kiindulási alap ahhoz, hogy üzleti céljaidnak megfelelő ajánlórendszert tudj választani. Ha további kérdésed van, itt találsz hasznos válaszokat. Ha többet szeretnél megtudni a Yuspify perszonalizációs csomagjáról, nézd meg termékbemutatónkat.