Tjänster / Rekommendationer
Rekommendationssystem
Ett rekommendationssystem väljer vad varje kund ska se härnäst utifrån beteendemönster. Jag bygger sådana system mot ert faktiska mål — täckningsbidrag eller kundvärde snarare än klick — och med en kontrollgrupp som visar vad de tillförde utöver vad kunderna ändå hade köpt.
Vanliga utgångslägen
- "Andra köpte också" visar samma tjugo bästsäljare för i stort sett alla kunder.
- Rekommendationerna kommer från plattformens inbyggda modul och ingen kan förklara eller styra dem.
- Klickfrekvensen på rekommendationerna är hög, men ingen vet om de sålt något som inte ändå hade sålts.
Så gör jag
Den vanligaste missuppfattningen om rekommendationssystem är att uppgiften är att gissa rätt.
Den är att gissa rätt och göra skillnad. En rekommendation som får en kund att lägga en vara i korgen som hon ändå hade köpt har inte tillfört någonting. Den har flyttat samma köp några klick tidigare. I klickstatistiken ser den identisk ut med en rekommendation som faktiskt skapade en försäljning.
Det är därför en kontrollgrupp inte är en lyx utan förutsättningen för att veta om systemet är värt sin driftkostnad.
Rekommendationssystem är dessutom skolexemplet på en modell som formar sin egen framtida träningsdata: den avgör vad kunderna ser och därmed vad de kan klicka på. Utan utforskning konvergerar den mot att visa samma tjugo artiklar för alla, och mätvärdena ser bra ut hela vägen. Spärrarna beskrivs under beslutsmodeller och återkoppling, och metoden i sig under kollaborativ filtrering.
Jag har byggt den här sortens system från annonssidan, där samma mekanik styr vilken annons som visas för vem, och där återkopplingen är snabb nog att misstagen syns inom en vecka i stället för efter ett år.
Baslinjen först
Bästsäljare per kategori och enkel artikel-till-artikel är förvånansvärt svåra att slå, och de kostar nästan ingenting att driva. De mäts innan något byggs, eftersom en avancerad modell utan den jämförelsen inte går att värdera.
Implicit återkoppling hanterad rätt
Klick och köp saknar negativa exempel: att kunden inte klickade betyder antingen ogillande eller att hon aldrig såg artikeln. Det kräver konfidensvikter eller rangordningsförluster i stället för en betygsmodell med nollor.
Rangordna mot rätt mål
Klickfrekvens, konvertering, täckningsbidrag och livstidsvärde ger fyra olika system. Att rekommendera det med högst marginal som kunden ändå sannolikt köper är inte samma sak som att rekommendera det som gör mest nytta.
Inkrementalitet, inte träffsäkerhet
En rekommendation som får någon att köpa det hon ändå hade köpt är värd noll och ser identisk ut med en utmärkt rekommendation i klickstatistiken. Skillnaden syns bara mot en kontrollgrupp.
Vad du får
- Rekommendationstjänst bakom API i er miljö, med avtalad svarstid
- Baslinjejämförelse mot bästsäljare och artikel-till-artikel
- Permanent kontrollgrupp som mäter inkrementell effekt, inte bara klick
- Hantering av nya artiklar och nya kunder via egenskaper, så att kallstart inte blir ett hål
- Utforskningsbudget och spärrar, dokumenterade och justerbara
Förstudie · 2–3 veckor
95 000 – 140 000 kr
Spannet styrs av sortimentets storlek, om kallstart måste hanteras och om systemet ska svara i realtid eller i batch.
Vanliga frågor
Räcker inte rekommendationerna som redan finns i vår e-handelsplattform?
För många gör de det, och då är det rätt svar. Skälen att bygga eget är att ni vill optimera mot marginal eller kundvärde i stället för klick, att ni har data plattformen inte ser, eller att ni behöver kunna granska och styra logiken.
Hur mycket data krävs?
Storleksordningen är hundratusentals interaktioner och några tiotusen kunder för att latenta modeller ska bära. Under det presterar enkla artikel-till-artikel-metoder ofta lika bra. Det är ett fullgott resultat och billigare att driva.
Vad händer med nya artiklar?
Utan historik har ren kollaborativ filtrering ingenting att gå på. Lösningen är en hybridmodell som också använder egenskaper som kategori, pris och märke, så att en ny artikel ärver beteendet hos liknande tills den byggt eget.
Hur vet vi att systemet gör nytta?
Genom en andel kunder som permanent inte får rekommendationer alls. Historiska jämförelser slutar vara giltiga så fort systemet påverkat vad kunderna ser, och klickfrekvens mäter uppmärksamhet snarare än merförsäljning.