Spis treści
Na przestrzeni ostatniego roku wiele przedsiębiorstw przeszło ekspresową, wymuszoną transformację cyfrową i całkowicie lub częściowo przeniosło swoją działalność do sieci. Branża e-commerce w ciągu pierwszych 90 dni 2020 roku dokonała wzrostu, który w przedapdemicznych realiach zająłby 10 lat.
Przeprowadzka ze sklepów stacjonarnych do serwisów e-commerce oznacza też zmianę w potrzebach i zachowaniach klientów. Na czele tych zmian stoi personalizacja – aż 90% konsumentów wskazuje, że jest bardziej skłonna kupować produkty marek, które dostarczają im zindywidualizowane doświadczenia online. I nie jest to chwilowa zmiana a proces, który będzie nam towarzyszył długo – ponad 65% badanych wskazuje, że zostanie przy obecnym sposobie robienia zakupów nawet po zdjęciu obostrzeń związanych z pandemią.
Dla właścicieli sklepów internetowych jest to ogromna szansa. To dlatego, że przyjmując gości w serwisie e-commerce, można szybko rozpoznać ich potrzeby i przygotować indywidualną propozycję produktów. Takie automatyczne rekomendacje skracają też konieczność krążenia między półkami, czy to w sklepie stacjonarnym, czy internetowym, pozwalają oszczędzić czas kupujących i zwiększyć ich lojalność.
Kluczem jest odpowiedni silnik predykcji zachowań, który weźmie pod uwagę drogę, którą przebył klient, podejmowane przez niego w tej chwili akcje i zestawi je z dostępnością asortymentu czy aktualnie trwającymi promocjami. I najlepiej, by reagował na zmiany w ciągu kilku sekund. Google Cloud Platform ma propozycję takiego silnika – Recommendations AI.
Co to jest Recommendations AI?
Recommendations AI to silnik rekomendacji dostępny na infrastrukturze chmurowej Google Cloud Platform, zestawiający dane dotyczące zachowań użytkownika z modelami sztucznej inteligencji. Usługa dysponuje danymi o dostępności produktów i zmianach w asortymencie, promocjach i ofertach specjalnych, historycznymi zapisami akcji użytkownika i informacjami o podejmowanych w tej chwili działaniach. Nieprzerwanie prowadzi analizę, serwując spersonalizowane oferty w ciągu kilku sekund, w odpowiedzi na zachowanie klienta. Rekomendacje można wyświetlać za pośrednictem różnych kanałów, m.in. wewnątrz serwisu, w kampaniach mailingowych czy reklamach internetowych.
Google od lat dba o dostarczanie najbardziej trafnych wyników swoim użytkownikom – czy to w najpopularniejszej wyszukiwarce internetowej, na YouTube, czy w Google Ads. Ten sam mechanizm został udostępniony właścicielom serwisów e-commerce właśnie jako usługa Recommendations AI.
Recommendations AI to w pełni zarządzana usługa – żeby korzystać z silnika, nie trzeba pisać kodu czy przygotowywać od zera własnych modeli uczenia maszynowego. To Google Cloud dba o odpowiednie wytrenowanie i dostrojenie modeli, zajmuje się też load balancingiem, obsługą obciążenia, skalowaniem czy aktualizacją danych. Uruchomienie usługi odbywa się w trzech krokach (są opisane w dalszej części artykułu), za pośrednictwem przejrzystego i intuicyjnego panelu w konsoli GCP. Silnik można zintegrować z danymi z innych usług Google (np. Google Tag Manager) lub zaimportować z zewnętrznej bazy.
Recommendations AI a własny silnik rekomendacji
Bardzo lubię przykład, którym podczas konferencji Google Cloud Next ‘19 podzieliła się Kathy DePaolo – VP of Engineering w Disney. Kathy porównywała wyniki, które przedstawiał autorski silnik Disney’a z wynikami Recommendations AI.
Po dodaniu do koszyka opaski na oczy do spania model Google odczytywał intencję użytkownika i proponował produkty związane ze spaniem – piżamy, kapcie, pluszaki. Natomiast autorski silnik ograniczał swoje rekomendacje do kategorii masek karnawałowych i podsuwał propozycje produktów, w których, jak powiedziała Kathy, “raczej nikt nie chciałby spać”.
To dość jaskrawy przykład tego, jak trudno jest stworzyć własny model rekomendacji. Oczywiście, budowa i wytrenowanie własnego modelu jest możliwe – ale potrzeba do tego pokładów danych, czasu i dużego budżetu. Niżej znajduje się porównanie mechanizmów, według których działa wiele obecnych silników oraz silnik Recommendations AI.
Silniki “starszej daty” najczęściej proponują podobne przedmioty z tej samej kategorii lub bazują na wyborach innych klientów. Silnik Recommendations AI bierze też pod uwagę poprzednie wyszukiwania użytkownika i przeglądane oferty. Po dodaniu do koszyka sukienki, rekomendacja zegarka może wydać się nietrafiona – ale nie w sytuacji, gdy klientka wcześniej buszowała w tej kategorii produktów. Silnik Google skupia się na intencji użytkownika i historii jego kontaktu z marką, gdy pozostałe silniki kierują swoją uwagę na fizyczne zależności między produktami.
Dlaczego stworzenie własnego silnika predykcji zachowań jest tak trudne? Z ankiety przeprowadzonej przez Yieldify wśród 400 dyrektorów e-commerce i starszych marketerów wynika, że najczęstszymi trudnościami na drodze do wprowadzenia personalizacji ofert są:
- brak doświadczonego pracownika dedykowanego obsłudze narzędzia – 37%,
- ograniczone funkcjonalności narzędzi – 36%,
- niewystarczająca ilość czasu – 35%,
- zbyt wysoka cena narzędzi – 34%,
- trudności w zdobyciu wartościowych danych – 34%,
- obawa przed nadmierną, sztuczną personalizacją – 29%,
- trudny do określenia zwrot z inwestycji (ROI) – 24%,
- zbyt wysoki poziom skomplikowania projektu – 23%.
Wydaje się, że propozycja Google rozwiązuje większość tych problemów. Wiele obszarów związanych z obsługą Recommendations AI można poddać automatyzacji – na przykład cykliczne dostrajanie modeli czy importowanie danych dotyczących asortymentu. Narzędzie uruchamia się z poziomu intuicyjnego interfejsu, gdzie też można wprowadzać zmiany czy śledzić wyniki. Koszt usługi jest przewidywalny, sposób rozliczeń transparentny.
A zwrot z inwestycji? Google Cloud wskazuje, że w porównaniu do innych silników predykcji Recommendations AI generuje wzrosty w metrykach takich jak współczynnik klikalności (CTR, click-through rate), konwersja czy dochód:
Przykłady firm, które korzystają z Recommendations AI
Sephora – zwiększenie CTR o 50% i konwersji o 2%
Sephora to międzynarodowa sieć sklepów stacjonarnych i globalny serwis e-commerce z kosmetykami i produktami higieny osobistej. Marka dba o wysoki poziom doświadczeń swoich klientów – stacjonarnie, zatrudniając specjalistów obsługi i konsultantów oraz w kanale cyfrowym, wykorzystując Recommendations AI.
Jak mówi Jaclyn Luft, Manager Site Personalization & Testing w Sephorze, wdrożenie silnika od Google zaskutkowało wzrostem współczynnika kliknięć o 50% na stronach produktów oraz o 2% całego współczynnika konwersji na stronie głównej w porównaniu do wcześniej używanego mechanizmu. Obecnie Sephora testuje możliwości uczenia maszynowego GCP w innych punktach styku z klientem, m.in. w procesie realizacji transakcji czy w kampaniach e-mail marketingowych.
Hanes Australasia – od testów na produkcję w miesiąc
Hanes Australasia to e-commerce zrzeszający wiele popularnych australijskich marek odzieżowych i lifestylowych. Developerzy platformy początkowo zaimplementowali Recommendations AI dla ponad 10 tysięcy produktów, a przejście od fazy pierwszego uruchomienia usługi, przez trenowanie i dostrojenie modeli, do wyjścia na wersję produkcyjną zajęło niecały miesiąc.
Peter Luu, Online Analytics Manager w Hanes Australasia, mówi, że po wprowadzeniu technologii ML bardzo szybko odnotowali “dwucyfrowy wzrost przychodów na sesję” w porównaniu z poprzednio używanym mechanizmem. Peter mówi też, że silnik doskonale radzi sobie z nowymi produktami, dopiero co dodanymi do oferty serwisu oraz że usługa zapewnia lepsze zrozumienie potrzeb i przyzwyczajeń klientów, które jest cenne dla kontrahentów i partnerów Hanes Australasia.
Qubit – 5% większy przychód na każdej transakcji
Qubit dostarcza zaawansowane rozwiązania dla e-commerce, wspierające sprzedaż i budujące lojalność klientów dzięki personalizacji. Współpracuje z globalnymi markami, między innymi z Topshop, River Island czy MAC Cosmetics.
Podczas współpracy z jednym z klientów podjęli się, jak mówi CEO Qubit Graham Cooke, najtrudniejszego do zwiększenia konwersji obszaru na ścieżce klienta – w koszyku, na ostatniej prostej przed dokonaniem płatności. Graham mówi, że ten punkt na ścieżce jest o tyle newralgiczny, że niewłaściwa rekomendacja może wręcz zaszkodzić – rozproszyć uwagę klienta, który jeszcze przed chwilą był gotowy przejść do płatności.
Implementacja karuzeli produktów w koszyku z propozycjami Recommendations AI nie tylko nie zaszkodziła, a zwiększyła wyniki serwisu. CEO Qubit twierdzi, że to rozwiązanie, niezależnie od serwisu czy branży (moda, kosmetyki, biżuteria, marki luksusowe) zawsze równało się średnio 5% wzrostowi przychodu na każdej konwersji.
Zobacz też:
Jak Google Cloud Platform i sztuczna inteligencja wspierają branżę e-commerce
6 kluczowych obszarów branży retail, które wspiera Google Cloud Platform
3 najpopularniejsze problemy e-commerce w Black Friday – jak im zapobiec?
Uruchomienie usługi w 3 krokach
Włączenie usługi odbywa się za pośrednictwem przejrzystego interfejsu GCP i składa się z trzech kroków:
- wprowadzenia danych,
- stworzenia modelu,
- wskazania miejsca wyświetlania rekomendacji.
1. Import danych do Recommendations AI
W pierwszym kroku należy zaimportować dane dotyczące asortymentu i zachowań użytkowników. Jeśli już korzystamy z narzędzi Google – Google Tag Manager czy Google Merchant Center – wystarczy zintegrować silnik z tymi usługami, a dane będą pobierane automatycznie. Dane można importować też z usług Cloud Storage lub BigQuery.
Jeśli informacje o asortymencie i eventach posiadamy w zewnętrznych narzędziach, dane należy zaimportować metodą catalogItems.create lub catalogItems.import dla dużych katalogów.
2. Utworzenie modelu
Następnym krokiem jest wybór rodzaju modelu, dopasowanie do potrzeb serwisu oraz ustawienie wskaźników efektywności. Trenowanie modelu zajmuje średnio od 2 do 5 dni.
Do wyboru mamy trzy rodzaje rekomendacji:
- Inne, które mogą Ci się spodobać – model przewiduje, z którym kolejnym produktem klient najchętniej wejdzie w interakcję, analizując historię uprzednio przeglądanych i dodanych produktów. Model wymaga 10 000+ wyświetleń strony głównej oraz 10 000+ wyświetleń stron produktów lub 10 000+ eventów dodania produktu do koszyka w ciągu 90 dni. Google poleca wyświetlać te rekomendacje na karcie konkretnego produktu.
- Często kupowane razem – wyświetla produkty, które często były kupowane przez innych użytkowników w trakcie jednej sesji zakupowej. Model wymaga listy 1000+ eventów związanych z zakupem na przestrzeni roku. Rekomendacje najlepiej jest umieścić w komunikacie po dodaniu produktu do koszyka lub na etapie przed dokonaniem płatności.
- Propozycje dla Ciebie – model, posługując się informacjami o historii wyszukiwanych i przeglądanych produktów, wyświetla użytkownikowi rekomendacje produktów, jeszcze zanim ten rozpocznie zakupy. Wymaga danych z 90 dni o 10 000+ wyświetleniach kart produktów oraz 10 000+ wyświetleniach strony głównej.
Usługa proponuje trzy sposoby mierzenia efektywności. W zależności od modelu są to:
- Click-through rate (CTR) – miara zaangażowania użytkowników poprzez liczbę wyświetleń rekomendowanych produktów (dostępne dla modeli „Inne, które mogą Ci się spodobać” i „Propozycje dla Ciebie”),
- Conversion rate (CVR) – procent rekomendowanych produktów dodanych do koszyka (dla modeli „Inne, które mogą Ci się spodobać” i „Propozycje dla Ciebie”),
- Revenue per session – przychód powstały w wyniku proponowania produktów (wskaźnik dostępny tylko dla modelu „Często kupowane razem”).
3. Wybór miejsca wyświetlania rekomendacji
W ostatnim kroku wskazujemy, gdzie w serwisie e-commerce mają pojawiać się rekomendacje. To może być strona główna, podstrona produktu, popup po dodaniu elementu do koszyka czy sam koszyk.
Rekomendacje można zamieścić w kampaniach email za pomocą skryptu. Tutaj znajduje się odpowiednia dokumentacja, opisująca proces: Using recommendations in emails.
A oto, jak wygląda uruchamianie usługi “od kuchni”:
Ile kosztuje Recommendations AI?
W usłudze ponosi się koszty trenowania i dostrajania modeli oraz koszty obsługi żądań rekomendacji. Nie płaci się za import danych o eventach czy katalogów produktów.
Za trenowanie i dostrajanie modeli płaci się za godzinę pracy jednego node i jest to koszt 2,5 USD per node per hour. Opłata jest naliczana za czas pracy; jeśli trenowanie/strojenie zostanie przerwane lub model usunięty, płaci się jedynie za wykorzystaną moc obliczeniową. Po wznowieniu pracy opłaty ponownie są naliczane w stałej stawce.
Koszt obsługi żądań predykcji jest naliczany w paczkach po 1000 rekomendacji i jest rozdzielony na trzy pułapy w zależności od miesięcznej sumy wszystkich żądań:
- do 20 000 000 żądań miesięcznie = 0,27 USD za 1000 żądań,
- kolejne 280 000 000 żądań miesięcznie = 0,18 USD za 1000 żądań,
- powyżej 300 000 000 żądań miesięcznie = 0,10 USD za 1000 żądań.
Ceny mogą się różnić w zależności od rejonu czy waluty.
Żeby lepiej zrozumieć modele rozliczenia za usługę, niżej znajdują się przykłady miesięcznych kosztów w dużym i średnim e-commerce.
Przykład rozliczenia w dużym e-commerce
Załóżmy, że popularny serwis e-commerce miesięcznie odwiedza kilkadziesiąt milionów unikalnych gości. Usługa będzie serwowała ok. miliarda rekomendacji, by trafić w gust każdego klienta.
Właściciele serwisu uruchamiają trzy modele do trenowania. Modele są trenowane raz dziennie, a w ciągu miesiąca jest to suma 500 godzin pracy node’a:
- 500 godzin pracy node’a = 500 * 2,5 USD = 1250 USD
Wytrenowane modele są dostrajane raz na kwartał i w sumie zajmuje to 300 godzin pracy node’a. Na potrzebę obliczeń uśrednijmy to do 100 godzin miesięcznie:
- 100 godzin pracy node’a = 100 * 2,5 USD = 250 USD
Rozliczenie za obsługę miliarda żądań będzie wyglądało następująco:
- pierwsze 20 000 000 rekomendacji = 20 000 000 / 1000 * 0,27 USD = 5400 USD
- następne 280 000 000 rekomendacji = 280 000 000 / 1000 * 0,18 USD = 50 400 USD
- pozostałe 700 000 000 rekomendacji = 700 000 000 / 1000 * 0,10 USD = 70 000 USD
Suma miesięcznych kosztów – trenowania, strojenia i zwracania rekomendacji – będzie wynosiła 127 300 USD.
Przykład rozliczenia w średnim e-commerce
Zakładając, że serwis odwiedza blisko 100 000 unikalnych użytkowników miesięcznie, usługa powinna zwracać ok. 10 000 000 rekomendacji.
Właściciel serwisu uruchamia jeden model predykcyjny. Trenowanie zajmuje 150 godzin pracy node’a:
- 150 godzin pracy node’a = 150 * 2,5 USD = 375 USD
Model jest dostrajany raz na trzy miesiące i zajmuje to 90 godzin pracy node’a. Uśredniając będzie to 30 godzin miesięcznie:
- 30 godzin pracy node’a = 30 * 2,5 USD = 75 USD
Liczba rekomendacji nie wychodzi poza dolny pułap, więc rozliczenie będzie wyglądało następująco:
- 10 000 000 rekomendacji = 10 000 000 / 1000 * 0,27 USD = 2700 USD
Suma miesięcznych kosztów za serwowanie użytkownikom portalu spersonalizowanych rekomendacji będzie w tym przypadku wynosiła 3150 USD miesięcznie.
