Москва Санкт-Петербург Белгород Волгоград Воронеж Екатеринбург Ижевск Казань Калуга Красноярск Краснодар Курск Липецк Нижний Новгород Новороссийск Новосибирск Оренбург Обнинск Пермь Ростов-на-Дону Рязань Самара Саратов Сочи Ставрополь Сургут Тверь Тольятти Тула Тюмень Челябинск Ярославль # Правила применения рекомендательных технологий На информационном ресурсе hoff.ru при применении информационных технологий предоставления информации осуществляется сбор, систематизация и анализ сведений, относящихся к предпочтениям пользователей сети "Интернет", находящихся на территории Российской Федерации Товарные рекомендации — это набор виджетов с подборкой товаров, который размещается на сайте, в приложении или в e-mail с целью решения задач пользователей и маркетинга интернет-магазина. ## 1. Используемые данные Существует два источника данных для рекомендаций - пользовательское поведение и товарная база магазина. Алгоритмы рекомендаций являются гибридными - в зависимости от ситуации они могут использовать как поведение, так и данные по товарам. Полный перечень собираемой информации: данные о посещении пользователем на сайте страниц, такие как время визита, url-адрес страниц и их числовых или строковых идентификаторов, при наличии; - информация о перемещении по страницам сайта (в т.ч. нажатия на ссылки и элементы сайта); - данные о взаимодействии пользователя на сайте с товарами, такие как просмотр, добавление в корзину, оформление заказа; - данные поисковых запросов пользователя на сайте; - IP адрес; - файлы cookies; - идентификатор пользователя, присваиваемый сайтом; - длительность пользовательской сессии; - точки входа (сторонние сайты, с которых пользователь по ссылке переходит на сайт); - браузер пользователя; - архитектура процессора устройства пользователя; - ОС пользователя; - параметры экрана (разрешение, глубина цветности, параметры размещения страницы на экране); - источник перехода (UTM метка); - значение UTM меток от source до content; - данные, содержащиеся в личном кабинете пользователя, зарегистрированного на сайте. Наибольшим влиянием в поведении обладают события взаимодействия с товарами. Активно используются события просмотра карточки товара, добавления товара в корзину и заказа товара. Кроме того, могут быть использованы данные о взаимодействии пользователей с внутренней поисковой системой магазина и данные о взаимодействии с самой системой рекомендаций. Данные о товарной базе магазина включают все предоставляемые магазином атрибуты товаров, в частности информацию о категориях, ценах, доступности. Эти данные могут быть использованы, если пользовательского поведения недостаточно для определения интересов к товарным атрибутам, фильтрации товаров и других задач. ## 2. Основные алгоритмы рекомендаций ### 2.1. Популярные товары Рекомендации популярных товаров формируются на основе всех взаимодействий посетителей с интернет-магазином. Алгоритм стремится показывать товары, с которыми чаще всего взаимодействуют, в первую очередь покупают. Алгоритм показывает наиболее разнообразные товары, что помогает лучше познакомиться с товарной базой магазина и облегчает процесс выбора. ### 2.2. Популярные товары из интересных пользователю категорий Вариант сценария «Популярные товары», где пользователю показываются товары только из тех категорий, которые интересны ему в долгосрочной перспективе. ### 2.3. Персональные рекомендации товаров В этом сценарии анализируется поведение пользователя и показываются товары, которые наиболее интересны ему в контексте текущей задачи. Если у человека пока нет истории просмотра, ему можно показать популярные товары. Если пользователь проявлял интерес к определенным товарам, алгоритм подбирает альтернативные предложения и таким образом поможет ему найти наиболее подходящий и приблизит к покупке. Если же пользователь уже что-то заказывал, то алгоритм предложит ему сопутствующие товары. ### 2.4. Персональные рекомендации на основе прошлых заказов Алгоритм рекомендует пользователю товары, которые он уже покупал. Учитывается давность и частота покупок. ### 2.5. Новинки Алгоритм показывает товары, отсортированные по дате поступления - от самых новых до тех, что давно в продаже. Алгоритм обеспечивает разнообразие товаров и таким образом помогает познакомиться с ассортиментом, упрощает навигацию. ### 2.6. Альтернативные товары Алгоритм показывает товары, похожие на текущий товар. Подборка формируется на основе описаний и свойств товаров, а также на основе поведения других пользователей, которые интересовались этим же товаром: что они еще изучают и покупают. Поэтому алгоритм может предложить не всегда схожий по описанию, но действительно подходящий товар. ### 2.7. Upsell Этот алгоритм рекомендует максимально похожие товары, но с улучшенными характеристиками и более дорогие. ### 2.8. Сопутствующие товары Алгоритм показывает товары, которые дополняют текущие товары в заказе. Когда недостаточно данных по поведению пользователей (актуально для редко покупаемых и новых товаров), предлагаются товары, которые могут быть куплены совместно с учетом их свойств, принадлежности к категории и популярности. ### 2.9. Аксессуары Разновидность алгоритма «Сопутствующие товары». Подбирает к текущему товару дополнительные аксессуары. ### 2.10. Поисковые рекомендации В этом сценарии рекомендуются товары, которые лучше всего подходят под поисковый запрос пользователя. При их формировании алгоритм опирается на поведение пользователей, которые уже искали что-то подобное. Если таких товаров недостаточно, добавляются альтернативы к ним. ## 3. Процессы и методы сбора, систематизации, анализа сведений, относящихся к предпочтениям пользователей Для формирования рекомендаций создаются рекомендательные модели. Процесс создания рекомендательной модели состоит из приведённых ниже этапов. ### 3.1. Сбор сведений, относящихся к предпочтениям пользователей Сбор сведений о предпочтениях пользователей осуществляется способом их логирования и последующего сохранения на внутреннем хранилище компании или посредством размещения на сайте трекинг-кодов и/или вызовов методов API партнеров компании. ### 3.2. Систематизация и анализ сведений, относящихся к предпочтениям пользователей Систематизация и анализ сведений о предпочтениях пользователей происходит исходя из цели создания рекомендательной модели и рекомендаций, которые необходимо получить, (например, подбор наиболее актуальных товаров для пользователя). Далее происходит подбор данных о предпочтениях пользователей, на основе которых будет реализована рекомендательная модель. ### 3.3. Применение методов машинного обучения к используемым сведениям, относящимся к предпочтениям пользователя После систематизации сведений, относящихся к предпочтениям пользователей, к полученным данным применяются методы машинного обучения, в результате чего формируется набор параметров, описывающих зависимости между входными данными и ответом (результатом). Далее осуществляется генерация прогнозов для товаров, с которыми пользователь еще не взаимодействовал (например, оценка вероятности, что пользователь добавит определенный товар в корзину), которые далее используются для формирования рекомендации. ### 3.4. Показ рекомендаций пользователю Рекомендации для пользователя реализуются в виде товарных подборок на сайте, в приложении или в e-mail. Применение рекомендательных технологий на сайте не обязывает пользователя приобрести тот или иной товар, не создает у пользователя никаких обязательств и не препятствует поиску иных товаров. ГлавнаяКаталогКорзинаИзбранноеВойти На нашем сайте мы используем cookie-файлы и рекомендательные технологии. ПонятноУзнать подробнее