fbpx

Narzędzia sztucznej inteligencji w profilowaniu oferty e-commerce

Sprzedaż poprzez kanały elektroniczne jest pod wieloma względami bardziej efektywna i atrakcyjna niż transakcja dokonywana w tradycyjny sposób. Sieć umożliwia zbieranie danych opisujących zarówno samą transakcję, jak i wszystkie kroki klienta, które do niej doprowadziły.

Z punktu widzenia sprzedawcy lepsze poznanie klientów daje możliwość optymalizacji procesów i narzędzi sprzedaży w taki sposób, aby lepiej spełniać oczekiwania klientów. To najkrótsza droga do zwiększenia sprzedaży i przychodów.

Właściciele tradycyjnych sklepów są w stanie zainwestować wiele, by poznać drogi, jakimi poruszają się po sklepie klienci, odkryć podstawowe ich charakterystyki (wiek, płeć, miejsce zamieszkania itp.) bądź poznać historię ich wizyt w sklepach. Aby móc identyfikować klientów i dowiedzieć się o nich więcej, często wprowadzają różnego rodzaju programy lojalnościowe o sporych budżetach. Prowadzą też działania na granicy prawa czy wątpliwe etycznie, jak np. identyfikowanie i śledzenie telefonów komórkowych klientów, montowanie czytników RFID oraz odbiorników GPS w wózkach sklepowych. Powszechne jest również pytanie klientów przy kasie o kod pocztowy.
Tymczasem w przypadku zakupów w sklepie internetowym właściciel sklepu zawsze zna:

  • Imię i nazwisko klienta, dzięki czemu może rozpoznać np. jego płeć.
  • Dane teleadresowe klienta, a co za tym idzie – jego profil geograficzny (z jakiego regionu, województwa, powiatu, czy małe czy duże miasto itp.).
  • Historię zakupów klienta.
  • Adres e-mail klienta – dzięki czemu w każdej chwili można się z nim skontaktować.
  • Źródło, które skierowało klienta do sklepu (np. wyszukiwarka internetowa, porównywarka cenowa, pasaż, wykupiona reklama, wysłany newsletter czy inne mechanizmy promocyjne).
  • Dane charakterystyczne dla połączenia internetowego, takie jak adres IP, rodzaj przeglądarki internetowej, system operacyjny, rodzaj urządzenia, jakim posługuje się klient (PC, tablet, smartfon, SmartTV) itp.

Wystarczy przeanalizować standardowe logi serwera internetowego i będziemy wiedzieli wszystko o historii odwiedzin sklepu przez użytkownika, tzn.:

  • Jaka jest lista oglądanych przez klienta produktów?
  • Jaki był czas jego pobytu w sklepie?
  • Jakie zapytania wpisywał do wyszukiwarki itp.?
  • Jaka była historia zmian w koszyku (dodawanie i odejmowanie produktów)?

Dzięki integracji sklepu z Facebookiem bądź z systemami ankietowymi możemy pójść krok dalej i zdobyć dane dotyczące np. wieku, zainteresowań czy daty urodzin. Dane, o których mowa, w większości zbieramy, dlatego że są niezbędne dla prawidłowej obsługi klienta na poziomie operacyjnym (realizacji jego transakcji). Inne dane możemy zdobyć stosunkowo niskim nakładem środków (w stosunku do tradycyjnych kanałów handlu). W całości wiedza ta ma ogromne znaczenie dla procesów analitycznych, wspierających podejmowanie decyzji o:

  • polityce cenowej sklepu,
  • strategii przygotowywania ofert indywidualnych dla klientów,
  • personalizowanych rekomendacjach,
  • przebudowie ścieżki zakupowej dla zwiększenia jej atrakcyjności dla klientów, a co za tym idzie – zwiększenia konwersji.

Aby zrobić użytek z zebranych danych, możemy posłużyć się statystyką lub sięgnąć po metody eksploracji danych, zwane często drążeniem danych (ang. Data Mining).
3 najpopularniejsze metody eksploracji to:

  1. Klasyfikacja.
  2. Reguły asocjacyjne.
  3. Grupowanie.

Klasyfikacja to metoda uczenia z nadzorem, czyli taka, gdzie istnieje zmienna celu, której wartość jest znana dla wielu przypadków (pozyskanych danych opisujących obiekty – np. klient wartościowy, produkt rentowny). Celem eksploracji danych jest tutaj wydobycie zależności między wartościami zmiennych opisujących obiekty (płeć, wiek, miejsce zamieszkania itp.) a wartością zmiennej celu. Na tej podstawie wyznaczany jest model służący do szacowania wartości zmiennej celu, który będzie mógł być wykorzystany do analizy nowych przypadków (nowo pozyskanych danych, obiektów), dla których nie jest znana wartość zmiennej celu. Wśród metod nadzorowanych można wyróżnić m.in.:

  • Metody najbliższego sąsiedztwa.
  • Sieci neuronowe.
  • Drzewa decyzyjne.
  • Naiwny klasyfikator Bayesa.

Klasyfikacji można użyć np. do przewidywania lojalności klientów, wykrywania nadużyć, określania wiarygodności kontrahentów (np. w kontekście zaległości płatniczych w systemach B2B czy podatności klienta na oferty cross-sellingowe lub up-sellingowe).
Przykładem wykorzystania metod klasyfikacji w rozpoznawaniu potrzeb klientów może być budowa modelu, w ramach którego analizowalibyśmy prawdopodobieństwo zakupu przez nowego klienta konkretnego produktu na podstawie historii zakupów tego produktu przez innych klientów.

sztuczna-inteligencja
Na rysunku zaprezentowane jest drzewo decyzyjne, z którego możemy odczytać, że:

  1. Jeśli klient ma mniej niż 35 lat lub więcej niż 40 lat, a mniej niż 67 lat, pochodzi z regionu Pacific i nie ma dzieci, to prawdopodobieństwo, że w odpowiedzi na naszą ofertę kupi od nas produkt, jakim jest rower, wynosi 23%, więc jest bardzo wysokie.
  2. Jeśli ma pomiędzy 35 a 40 lat i nie posiada 2 samochodów, to prawdopodobieństwo zakupu roweru przez niego wynosi 21%.
  3. W pozostałych przypadkach prawdopodobieństwo zakupu roweru waha się pomiędzy 1 a 7%, więc jest stosunkowo niskie.

Reguły asocjacyjne, zwane również analizą koszykową, pozwalają na dokonywanie właściwego doboru produktów/usług oferowanych klientowi dzięki poznaniu jego typowych zachowań. Na skutek analizy historycznych procesów, np. zakupów, można ustalić grupy produktów/usług często wybieranych razem oraz ocenić ich przydatność dla klienta. Analizy koszykowe ułatwiają przewidywanie potrzeb klienta w zakresie np. wyboru zakupów elementów dodatkowych (np. akcesoriów) do głównego produktu (tzw. cross-selling) lub w zakresie produktu o lepszych parametrach w stosunku do tego, który kupił wcześniej bądź nad kupnem którego się zastanawia (tzw. up-selling). Analizy koszykowe pozwalają na zwiększenie wartości zamówienia poprzez oferowanie produktów/usługi o większej wartości dla klienta. Nazwa analizy kosztowej pochodzi od koszyka w tradycyjnym sklepie, do którego klienci wkładają produkty. Analiza ma na celu wydobycie zależności pomiędzy produktami wkładanymi razem do koszyka.
Przykład reguły asocjacyjnej: jeśli klient kupił trójkołowy rowerek dziecięcy, to z prawdopodobieństwem 40% w ciągu 2 lat kupi rower dziecięcy z dwoma kołami.
Wartość reguły asocjacyjnej mierzymy dwoma parametrami:

  • Probability – prawdopodobieństwo wystąpienia danej reguły. Im wyższą wartość przyjmuje, tym silniejsze powiązanie między produktami. Niskie prawdopodobieństwo mówi o tym, że produkty są razem sprzedawane rzadko.
  • Importance – ważność reguły mierzona przez częstość jej występowania (liczbę koszyków, w których znalazły się powiązane produkty). Niska ważność oznacza, że 2 rzadko kupowane produkty mogły się znaleźć na jednym zamówieniu przypadkowo i nie można z tego faktu wyciągać miarodajnych wniosków na przyszłość.

Grupowanie to zestaw metod pozwalających na segmentację obiektów ze względu na ich podobieństwo. Segmentacja klientów może pozwolić na doskonalenie taktyk sprzedaży. Wyodrębnia się wówczas cechy charakterystyczne grup klientów, co pozwala tworzyć opisy typowych przedstawicieli tych grup. Dzięki temu można tworzyć oferty spełniające oczekiwania klientów (analizując ich potrzeby). Algorytm samodzielnie wybiera atrybuty obiektów, za pomocą których buduje segmenty.
Ostatnio wiele słyszy się o rozwiązaniach Big Data. Wiele osób traktuje tę koncepcję jako nową technologię bądź nawet nową dziedzinę informatyki. Ja pod pojęciem „Big Data” widzę raczej ewolucję systemów Business Intelligence w kierunku:

  • Analizy danych opisujących nie tylko transakcje, lecz także wszelkie inne operacje i procesy klienta, o których zbieramy dane (np. jego ścieżka poszukiwań produktu w naszym sklepie, jego charakterystyka pochodząca z profilu społecznościowego lub wielu profili, historia jego konwersacji z innymi użytkownikami społeczności itp.).
  • Użycia zaawansowanych metod eksploracji danych korzystających ze znanych algorytmów sztucznej inteligencji, takich jak drzewa decyzyjne, sztuczne sieci neuronowe, reguły asocjacyjne czy grupowanie. Algorytmy te analizując dane, dostarczają nam nie tylko odpowiedzi na nasze hipotezy, lecz także użytecznej wiedzy o naszych klientach, do której bez ich pomocy zapewne nie udałoby nam się dotrzeć.

Wraz ze wzrostem popularności rozwiązań Big Data będzie zatem rosło faktyczne wykorzystanie opisanych metod sztucznej inteligencji w analizie danych biznesowych.


Autorem artykułu jest Maciej Pondel, Key Account Manager i lider Centrum Kompetencji Microsoft w Grupie Unity


Zostaw odpowiedź