Hur du förbättrar ditt produkt rekommendationssystem

Du som någon gång har handlat på Amazon eller streamat filmer på Netflix känner säkert igen fraserna "rekommenderas för dig", och "personer som köpt/kollat på (produkten eller filmen du kollar på) köpte/kollade också på (en föreslagen produkt/film)".  

I grund och botten är det algoritmen som säger till dig, "hej, vi ser att du gillar den här produkten. Här har du några ännu coolare och nyare som du kan prova. Och det är ibland chockerande hur kusligt exakta dessa förslag är.  

Och det är inte bara Amazon och Netflix. Det finns överallt – e-handelsbutiker, YouTube, Instagram och musikstreamingtjänster. Dessa funktioner är baserade på samma verktyg: produkt rekommendationssystem.  

På en digital marknadsplats där konsumenternas uppmärksamhetsförmåga minskar mer och mer kan databaserade förslag hjälpa företag att bygga upp välbehövliga konkurrensfördelar. Den här rapporten från McKinsey visar att 35 % av de köp som görs på Amazon kan spåras direkt till deras rekommendationssystem.  

Kärnan i dessa system är att ge kunderna personliga rekommendationer om produkter eller tjänster. Målet är att förbättra kundernas nöjdhet och lojalitet genom att ge dem erbjudanden som är skräddarsydda för deras individuella behov och preferenser. 

Förbered dig nu på att granska produkt rekommendationssystem som koncept, hur de fungerar och hur de kan förbättras ytterligare. 

Vad är ett produkt rekommendationssystem? 

Ett produkt rekommendationssystem (eller motor, som vissa kallar det) är en AI-aktiverad algoritm som samlar in och analyserar data om användarnas tidigare interaktioner för att erbjuda dem relevanta produktrekommendationer i realtid.  

Användarnas uppmärksamhet är en alltmer sällsynt bristvara. Men med databaserade modeller av användarvanor kan medlemsbaserade företag mer exakt räkna ut hur de kan hålla sina prenumeranter intresserade.  

I en värld där konsumenter i allt högre grad föredrar personalisering, gör produktrekommendationssystem det möjligt för företag att erbjuda den ultimata personliga användarupplevelsen. 

För en prenumerationsbaserad tjänst som Netflix bidrar deras produktrekommendationssystem enormt till deras kundengagemang. I stället för att prenumeranterna ska behöva söka efter titlar som kan intressera dem, presenterar algoritmen titlar som liknar de titlar som de har sett tidigare och som därför är mer benägna att väcka deras intresse.  

Och det är just därför som många Netflix-prenumeranter inte kan låta bli att sitta fastklistrade vid sina tv-skärmar.  

Typer av produkt rekommendationssystem 

Det finns tre huvudtyper av produkt rekommendationssystem som används av företag: innehållsbaserad filtrering, kollaborativ filtrering och den sista typen är en hybrid av båda. 

Innehållsbaserad filtrering 

Innehållsbaserad filtrering är förmodligen den vanligaste typen av produktrekommendationsmotor. Genom att samla in metadata om en användares tidigare aktivitet kan algoritmen ge rekommendationer för produkter som mest liknar deras tidigare val. 

Om Gunnar har lyssnat på ABBA-album på Spotify regelbundet under de senaste månaderna, skulle ett innehållsbaserat rekommendationssystem snabbt rekommendera mer ABBA-musik till honom nästa gång han loggar in. Det här ramverket ligger till grund för "vad du kanske gillar"-avsnitten på Amazon, Netflix, Instagram och Spotify. 

Kollaborativ filtrering 

Kollaborativ filtrering är en annan vanlig typ av produktrekommendationssystem. Det är allmänt känt att när människor har liknande personlighetsdrag eller har köpt liknande produkter tidigare, har de med stor sannolikhet liknande intressen. 

Om Astrid bor på Sӧdermalm där invånarna tenderar att ha en gemensam förkärlek för hippa kläder, kommer hon troligen att få fler Amazonförslag som rekommenderar de hippa kläder som är mest populära bland Amazonkunder i hennes grannskap, eftersom algoritmen förväntar sig att hon vill klä sig ungefär som sina grannar. 

Det är förstås lite mer komplicerat än så, men det ger en bild av ungefär hur det fungerar. Det här är verktyget bakom förslagen “personer som köpte (produkten du tittar på) köpte också (en föreslagen produkt)“ och “personer på dina platser gillade också“. 

Företag som Amazon använder kollaborativ filtrering för de flesta av sina webbsidor och e-postmarknadsföring. Det uppfanns av dem 1998. 

Hybrida rekommendationssystem 

Både innehållsbaserade och kollaborativa filtreringstekniker har sina nackdelar. Kollaborativ filtrering fungerar till exempel inte så bra med nya produkter som ännu inte har fått så många betyg. Och innehållsbaserad filtrering kan å andra sidan bli alltför specifik och tenderar att begränsa användarnas valmöjligheter. 

Hybrida rekommendationssystem kombinerar styrkorna hos båda teknikerna för att skapa en mer effektiv modell. Genom att väga användarnas smak mot deras likasinnades får modellen fram mer exakta förslag. 

Hur du förbättrar ditt produkt rekommendationssystem 

Produktrekommendationssystem är en viktig del av många e-handelsplattformar och hjälper kunder att hitta nya och relevanta produkter att köpa. Ett väl utformat produktrekommendationssystem kan ge stort värde för både konsumenter och företag, men bara om det ständigt uppdateras och förfinas. 

Precis som för alla andra affärsverktyg måste företag följa vissa bästa praxis-metoder för att få bästa möjliga avkastning på sina produktrekommendationssystem: 

Välja rätt datamängder 

Som man kan förvänta sig är själva datan kärnan i ett AI-baserat dataanalysverktyg. Algoritmens precision beror på tillgänglig data. Även om kvantitet är nödvändigt handlar det inte så mycket om hur mycket data du har som om dess kvalitet.  

Dataobjekt som transaktionshistorik och webbläsarhistorik är mycket viktigare för att skapa en träffsäker rekommendationsmodell än enkätsvar.  

Nyckeln här är att identifiera vilka indata som är väsentliga för modellen du försöker skapa och sedan bestämma vilka datamängder som uppfyller det behovet. Onödiga datamängder (eller brus) kommer bara att fungera som en massa data som kan förvirra eller påverka algoritmens utdata negativt. 

Utse och spåra lämpliga mätvärden 

Oavsett hur lysande du tycker att en algoritm är, är den bara bra om den triggar rätt reaktioner från din publik. Om du ska ha en chans att förbättra ditt rekommendationssystem måste du utveckla specifika mätvärden för att spåra dess prestanda så att du kan identifiera eventuella problem och avvärja dem så snabbt som möjligt. 

Främst bland de mätvärden som du kanske vill spåra är hur ofta användare interagerar med systemets rekommendationer. Om siffran är låg kan det betyda att programmet inte är så exakt som du förmodligen vill att det ska vara. 

Se till att din modell tillåter variationer 

Överspecialisering är ofta en fälla som system för produktrekommendation tenderar att hamna i. När en modell rutinmässigt assimilerar särskilda användardatamängder kan det hända att den bara rekommenderar samma uppsättning produkter gång på gång. 

Det finns en gräns för hur många dokumentärer om andra världskriget den genomsnittlige tittaren vill se innan han eller hon har fått nog. För att lösa detta presenterar Netflix algoritm en rad förslag för användarna, med procenttal som visar hur nära de ligger ens tidigare intressen.  

Så i stället för att bara se dokumentärserier om andra världskriget kan Netflix-algoritmen visa upp några som är markerade som en 98-procentig matchning, och några andra serier om andra geopolitiska händelser som är markerade som 80-procentiga matchningar. 

Hur kan system för e-postrekommendationder vara fördelaktigt?  

Tänk på e-postrekommendationssystem som en subtil, personlig variant av aggressiva reklam e-post meddelanden.  

Du kan också tänka på en e-postrekommendation som en osynlig shoppingassistent, som ger dig en lätt knuff och uppmärksammar dig på att det finns andra saker du förmodligen borde prova, baserat på ditt tidigare värdefulla urval.  

Här är några fördelar med att integrera ett e-postrekommendationssystem i din marknadsföring:  

— Ökad försäljning:  

Rekommendationssystem kan öka försäljningen genom att föreslå artiklar som en användare kan vara intresserad av. Forskningen är tydlig: med förmågan att öka din klickfrekvens med mer än 300 % förblir e-postrekommendationssystem ett säkert sätt att öka engagemangsnivåerna och locka trafik till din butik, och därigenom öka konverteringsfrekvensen.  

— Förbättrat användarengagemang:  

E-postrekommendationssystem kan förbättra användarnas engagemang genom att föreslå innehåll som användarna sannolikt tycker är intressant. Detta kan hålla prenumeranter eller medlemmar engagerade i företagets produkt eller tjänst. 

— Minskade kostnader:  

E-postrekommendationssystem kan minska kostnaderna för kundförvärv och kundretention. Genom att föreslå saker som en prenumerant eller medlem sannolikt är intresserad av kan rekommendationssystem hjälpa dig att spara på annons- eller marknadsföringsutgifter.  

— Förbättrad servicekvalitet:  

E-postrekommendationssystem kan förbättra kvaliteten på tjänsten för dina användare. Genom att föreslå produkter som de sannolikt är intresserade av kan rekommendationssystem hjälpa dem att hitta de produkter/tjänster de letar efter. 

— Mer personalisering:  

E-post rekommendationssystem kan ge en högre grad av personalisering än andra typer av marknadsföring och reklam. Genom att förstå en användares preferenser och intressen kan rekommendationssystem föreslå produkter som är skräddarsydda för användarens individuella smak. 

Läs mer om skräddarsydda e-postmarknadsföringskampanjer i vår rapport Benchmark för e-postmarknadsföring.  

Sammanfattning 

Genom att använda ett produktrekommendationssystem för att skapa värdefulla förslag för dina konsumenter kan du förbättra kvaliteten på din produkt och få en konkurrensfördel. Men det räcker inte bara att följa de bästa metoderna som vi har lyft fram i den här artikeln, utan du behöver också en kompatibel lösning, t.ex. APSIS One.  

APSIS One erbjuder en hel uppsättning funktioner för automatiserad marknadsföring och diverse marknadsföringsprodukter till våra många kunder över hela Europa, inklusive företag inom medlems- och prenumerationsbranschen.  

Med tillägget APSIS One Product Recommendation kan du skapa riktigt smidiga och mer exakta produktrekommendationer för dina kunder på kortare tid än vad det tog att läsa det här inlägget!  

Vill du se de många andra sätten vi kan förbättra kundupplevelsen och engagemanget hos medlemmarna på? Boka en demo helt kostnadsfritt idag!