STACCi tiim töötas välja tasuvuskalkulaatori! Vaata, katseta ja loe pikemalt, kas ja mil määral võib soovitussüsteemist sinu e-ärile kasu olla

STACCi tiim töötas välja tasuvuskalkulaatori! Vaata, katseta ja loe pikemalt, kas ja mil määral võib soovitussüsteemist sinu e-ärile kasu olla

COVID-19 viiruse levikuga seotud piirangud muutsid oluliselt inimeste ostukäitumist ja suur hulk kliente avastas enda jaoks veebikaubanduse piiramatud võimalused. Hüppeliselt on suurenenud ka e-poodide hulk. Kuidas aga kasvava konkurentsi ja tohutu valiku hulgas siiski silma paista ja e-kaubanduse valdkonna kasvavatest müügimahtudest poepidajana maksimaalselt kasu lõigata? Meie STACCis usume, et võti peitub soovitussüsteemides.

Soovitussüsteem on suurepärane võimalus müügikäibe kasvatamiseks tuues e-poodi rohkem ostjaid või suurendades keskmist ostukorvi maksumust. Võimalusi on rohkemgi veel. Süsteem võimaldab näiteks e-maili kampaaniaid peenhäälestada ja personaliseerida või e-poe sessiooni pikendada, pakkudes külastajale meeldivat kogemust ja kuvades talle just huvipakkuvaid tooteid. Ilmselt ongi soovitussüsteemid kõige laialdasemalt kasutusel e-kaubanduse ja turunduse valdkonnas, ent omavad olulist positsiooni ka näiteks sotsiaalmeedias sobivate kontaktide, online meedias huvipakkuva sisu ning voogedastusplatvormides nagu Spotify`s või Netflixis eelistatud meelelahutuse soovitamisel. Mõnevõrra pikemalt saad lugeda meie varem avaldatud blogiloost “Kuidas veebipood soovitussüsteemiga uuele tasemele viia?

TasuvuskalkulaatorSoovitussüsteemi tasuvuskalkulaator

Iga uus arendus toob aga kaasa kulud, mistõttu on enne investeeringu tegemist mõistlik selle tasuvust hinnata. Selle jaoks töötas STACCi tiim välja soovitussüsteemi tasuvuskalkulaatori, millega saab erinevaid stsenaariume läbi mängida.

Kalkulaatori abil on võimalik leida vastused näiteks küsimustele, millal investeering soovitussüsteemi rakendamiseks ära tasub ja kui suur võib olla soovitustest tulenev käibekasv.

Vaata ja katseta STACCi soovitussüsteemi tasuvuskalkulaatorit.

Soovitussüsteemide minevik, olevik ja tulevik

Soovitussüsteemide alguseks loetakse 1990. aastate esimest poolt, mil hakati mõistma collaborative (samad asjad, mida teised sarnase ostukäitumisega inimesed ostsid) filtering potentsiaali ja esimesed suured tegijad nagu Amazon, soovisid oma klientidele tooteid ja alternatiivseid valikuid kuvada keskkonnas, kus füüsiliselt ei olnud võimalik riiulite vahel kaupa uudistada. Seepeale tõstatuski küsimus: milliseid tooteid kuvada? Vastus pidi peituma andmetes, mistõttu katsetati erinevaid tehnoloogiaid, et kindlaid tooteid personaliseeritult soovitada. Müügikäibe kõrval sai sama oluliseks ka klientidele alternatiivsete valikute pakkumine, et nende ostukogemust meeldivamaks muuta.

1990. aastate teises pooles leidis aset IKT hüppeline areng ja tekkima hakkas tehnoloogiamull, mis peagi lõhkes. Internetimüügi ja valikute rohkuse kõrval hakati nägema ka kliendisuhete ning hinnastamise olulisust suures pildis. Kõrgeima väärtuse omandas inimeste tähelepanu, mille nimel ettevõtted konkureerima asusid. Võtit nähti soovitussüsteemides, mille abil klientide tähelepanu köita ja hoida.

Soovitussüsteemide areng sai uue hoo 2000. aastate alguses, kui voogedastusplatvorm Netflix kuulutas välja konkursi “The Netflix Prize“ tõhusaima algoritmi leidmiseks, et kõige paremal moel identifitseerida tooteid, mida kliendid ihaldavad.  Peaauhinnana pani meelelahutushiid välja 1 miljon dollarit. Konkursil osalejad otsisid ja katsetasid uusi algoritme ja kombineerisid parimaid ning viimaks, 21.septembril, 2009, kuulutati võitjaks BellKor’s Pragmatic Chaos tiim, kes suutis Netflixi oma algoritmi ennustustäpsust 10,06% võrra tõsta. Peale seda saabus valdkonnas justkui pohmell, mil vaadati hetkeks tagasi ja tehti õpitu põhjal järeldusi.

Tänaseks on teada lugematu hulk algoritme, mida soovitussüsteemides kasutatakse. Kuid tõhus soovitussüsteem ei tähenda üksnes andmete etteandmist mudelile, mis seejärel täpsed soovitused genereerib, vaid eeldab põhjalikku ettevalmistust, läbimõtlemist ning ärivaistu. Muu hulgas tuleb andmete mõistmise kõrval leida vastused küsimustele:

  • millised on kasutusjuhtumid ja väärtuspakkumine, mida soovituste abil luuakse,
  • kuidas leida soovituste vahel tasakaal,
  • mida teha niigi populaarsete toodetega – kas soovitada neid või mitte,
  • kas taassoovitada tooteid, mida on juba ostetud või tasub neid pigem vältida,
  • millal juba ostetud tooteid uuesti soovitada,
  • milliseid tooteid kindlasti ei tohiks ühele või teisele sihtrühmale soovitada,
  • kas harva ostetavaid, kuid suure väärtusega tooteid ja teenuseid (nt maja või kirurg) saab üldse soovitada,
  • jne.

Soovitussüsteemide maailm on põnev, sest tegelikult on veel väga palju, mida avastada. Kuidas ikkagi ennustada võimalikult täpselt, mida klient ühe või teise toote ostmise järel järgmisena soovida võiks? Või, kombineerides andmekaeve ja masinõppe, äri ja turunduse, kui palju on soovitussüsteemi abil võimalik kohe teenida ning kui suur on investeering tulevikku, kujundamaks eluaegset klienti?

Refereeritud Coursera loengust “Soovitussüsteemid: minevik, olevik ja tulevik”.

Põnevad faktid ja statistika

Alljärgnevalt oleme erinevate materjalide (vaata linke loo lõpus) põhjal kokku pannud hulgaliselt põnevaid fakte soovitussüsteemide kohta:

  • 1-5% soovitustest mõjutatud käibekasv
  • 2,2 korda efektiivsemalt töötavad personaalsed soovitused, võrreldes üldiste müügihittide soovitustega
  • 10 minuti võrra pikem sessioon soovitusi kuvaval veebilehel (2.9 min soovitusteta vs 12.9 min soovitustega)
  • 14% kõrgem e-kirjade CTR tänu personaalsetele soovitustele
  • 19% kõrgema hinnaga ostukorv tänu soovitatud toodetele
  • 20% toodetest toovad 80% müügikäibest
  • 24% ostukorvi sisust moodustasid soovitatud tooted
  • 26% suurem tõenäosus, et uudiskiri avatakse, kui selle pealkiri on personaalne
  • 35% Amazoni käibest moodustasid rist- ja ülesmüügi tooted
  • 56% kasutajatest naaseb veebilehele, mis soovitab alternatiive
  • 67% suurem käive kliendi kohta tänu ristmüügi bänneritele
  • 74% adressaatidest on pahased, saades turundusliku sisuga e-kirja, mis pole kuidagi nende soovide ega huvidega seotud
  • 75% digiteadlikest klientidest ootab personaalset ostukogemust
  • 550% suurem tõenäosus, et soovitustel klikkinud külastaja ka ostuni jõuab

Evergage’s 2018 Trends in Personalization Survey
The Pareto principle in marketing – definition and examples
Key Success Factors for Customer Journey Enhancement in E-Commerce
New Rules of Email Marketing [2019]
7 Product Recommendation Engines Your Online Store Needs
6 Product Recommendation Examples in Ecommerce and Best Practices to Use Them Wisely
Personalized Product Recommendations Drive Just 7% of Visits but 26% of Revenue
Advanced Product Recommendation Tactics to 3x Revenue
Measuring the Business Value of Recommender Systems
Nosto Case Studies