Według badań przeprowadzonych przez Accenture, do 2035 roku AI ma zwiększyć swoją rentowność o 38% i wygenerować dodatkowy przychód rzędu 14 bilionów dolarów. Wykorzystanie rekomendacji produktowych daje o ok. 500% wyższą konwersję w porównaniu do oferty generycznej. Jako że nie ma wielu wiarygodnych źródeł opisujących, jak działają różne silniki rekomendacji i które algorytmy są bardziej skuteczne, zdecydowaliśmy się je porównać. Nasze badanie składa się z zestawienia różnych typów rekomendacji, włączając w to oferty 1-do-1 i oparte na AI, aby dowiedzieć się, który z nich jest najbardziej wydajny.

 

Główne typy rekomendacji produktowych

 

Silniki rekomendacji produktowych to systemy, które pozwalają wyświetlać klientom spersonalizowane i dopasowane do nich informacje, które podniosą wskaźnik konwersji i sprzedaży. Rekomendacje takie mogą być wyświetlane w różnych miejscach, jak np. landing page, koszyki, wiadomości e-mail i notyfikacje web push. Wyróżniamy 3 typy rekomendacji produktów:

 
  1. Oparte na produkcie – Rekomendacje zależą od własności danego produktu.
  2. 1-do-1 – Rekomendacje zależą od działań indywidualnego użytkownika.
  3. AI – Rekomendacje zależą od podobieństw pomiędzy użytkownikami.
 

Celem tego badania było sprawdzenie, w jaki sposób każdy typ rekomendacji AI i non-AI działają w generowaniu przychodów oraz jak ich skuteczność wypada w porównaniu z tymi, które oparte są na masowej komunikacji. 

 

Pod uwagę wzięliśmy dane od dziesiątek dostawców e-commerce, wykorzystujących rekomendacje dynamiczne i AI w swojej strategii. Na ich podstawie przeprowadziliśmy szereg analiz statystycznych, dzięki którym mogliśmy sprawdzić efektywność każdego z testowanych typów rekomendacji.

 

Przeanalizowane kanały dostarczania rekomendacji produktowych

 

Jednym z obszarów, który zainteresował nas po przeprowadzeniu badań, był wpływ metody dostarczenia rekomendacji na wyniki. Aby porównanie było dokładne, skupiliśmy się na kanałach komunikacji, które umożliwiają pomiar zarówno wyświetlania, jak i klikania w polecane produkty.

 

W badaniach uwzględniliśmy:

 
  • masowe kampanie email
  • masowe kampanie web push
  • zautomatyzowane kampanie email
  • zautomatyzowane kampanie web push
 

Rekomendacje za pomocą zautomatyzowanych web pushach generują najwyższy przychód

 

Badania rozpoczęliśmy od analizy wskaźnika klikalności w rekomendacje z różnych źródeł – zautomatyzowanych i masowych emaili oraz web pushy. Wyniki zaprezentowały się następująco:

 
  • Wiadomości automatyczne generują więcej przychodu niż wiadomości masowe
  • Masowe web pushe generują więcej przychodu niż masowy mailing i Workflow
  • Automatyczne web pushe generują więcej przychodu niż automatyczne emaile
 

Powiadomienia web push z rekomendacjami produktów przewyższają maile pod względem skuteczności i generowanych przychodu.

 

Wyniki można zobaczyć na poniższym wykresie:

 
 

Efektywność różnych typów rekomendacji

 

Po przeprowadzeniu powyższych badań chcieliśmy sprawdzić, czy istnieje różnica w skuteczności różnych typów rekomendacji. Zadaliśmy sobie pytanie, czy AI gwarantuje lepszą konwersję w porównaniu do innych typów rekomendacji?

 

Sprawdziliśmy, jak wygląda skuteczność najpopularniejszych algorytmów rekomendacji i okazało się, że algorytmy oparte na AI, generalnie osiągają wyższą konwersję i precyzję niż typy rekomendacji non-AI. Jednak rezultaty pokazują że, najwyższe wyniki można osiągnąć, używając obu powyższych (AI + non-AI).

 

Który silnik rekomendacji jest najlepszy?

 

Ponieważ rekomendacje AI stają się standardem we współczesnym świecie e-commerce, istnieje wiele firm, które oferują swoje rozwiązania, pozostawiając marketerom niełatwe zadanie wyboru. Nawiązując do badań (Comparative Evaluation of Top-N Recommenders in e-commerce: an Industrial Perspective) oceniających algorytmy rekomendacji, skuteczność rekomendacji SALESmanago plasuje się w ścisłej czołówce. 

 

Porównanie precyzji dla różnych silników rekomendacji:

 

Dokładność jest miarą używaną w ocenie modeli predykcyjnych i odpowiada na pytanie: jaka część pozytywnych identyfikacji była faktycznie poprawna. W przypadku algorytmów rekomendacji pokazuje, w przypadku ilu zakupów dokonanych przez klientów udało nam się znaleźć przynajmniej jeden z rekomendowanych produktów.

 

Silnik rekomendacji SALESmanago AI  przewyższa inne rozwiązania dostępne na rynku w precyzji rekomendacji produktów, osiągając średnią 5,2 razy wyższą.

 

Jeśli chcesz dowiedzieć się więcej na temat benchmarków rekomendacji produktowych, zapoznaj się z pełnym badaniem.

marketing automation

marketing automation