На информационном ресурсе при применении информационных технологий предоставления информации осуществляется сбор, систематизация и анализ сведений, относящихся к предпочтениям пользователей сети "Интернет", находящихся на территории Российской Федерации.
Правила применения рекомендательных технологий
В чем польза рекомендаций для покупателей?
Продуктовые рекомендации в интернет-магазине помогают пользователям тратить меньше усилий и времени на выбор товаров и услуг (далее - Товары), так как вместо того, чтобы искать в интернет-магазине подходящий товар, рекомендательные алгоритмы сразу могут предложить ему релевантные товары.
Как формируются рекомендации?
1. Сбор данных и обучение алгоритмов
Собираем поведенческие данные.
Для обучения алгоритмов рекомендаций требуется как можно больше данных о поведении покупателя в интернет-магазине, поэтому используются следующие данные (далее - Поведенческие данные):
• просмотры страниц товаров/услуг;
• просмотры страниц категорий;
• просмотры страниц результатов поиска;
• составы ранее оформленных заказов;
Все собранные данные используются только внутри интернет-магазина “Стройпарк” и не подлежат использованию для обучения рекомендательных алгоритмов других интернет-магазинов.
Все собранные данные полностью обезличены и не позволяют идентифицировать конкретного пользователя или устройство.
2. Объединяем собранные данные с данными о товарах из каталога
Для подбора пользователю похожих товаров необходимы не только поведенческие данные, но также данные о самих товарах и их характеристиках, чтобы найти все релевантные товары для рекомендаций.
3. Подбор рекомендаций
Используется два подхода при формировании рекомендаций: персонализированные и неперсонализированные рекомендации.
Неперсонализированные рекомендации
1. Подбор похожих товаров
Алгоритмы анализируют свойства того продукта, которым интересуется пользователь: категорию, производителя, цвет и многие другие свойства. По этим признакам, а также по товарам, которые просматривали все пользователи, подбираются продукты, которые похожи на интересующий пользователя товар.
2. Подбор сопутствующих товаров
Алгоритмы анализируют какие товары покупали и смотрели все пользователи вместе с интересующим пользователя товаром и на основании этих данных подбираются товары, которые пользователь может докупить.
3. Подбор популярных товаров
Алгоритмы анализируют какие товары чаще всего покупают/смотрят в интернет-магазине “Стройпарк” все пользователи, и из этих данных формируются рекомендации
Персонализированные рекомендации
Алгоритм анализирует поведенческие данные конкретного пользователя и рекомендует ему товары, наиболее релевантные его текущему интересу.
1. Уточняем рекомендации
После того, как рекомендации составлены, можно сделать их еще точнее, добавив дополнительные условия от интернет-магазина. Например, расположить товары в некой градации цен, исключить товары не в наличии или поставить на определенное место в блоке определённый товар.
2. Где отображаются рекомендации
Когда рекомендательные алгоритмы настроены и обучены, они могут показывать покупателю блоки рекомендаций на любой странице интернет-магазина: главная, страница товара, корзина и т.п.