Automatiska produktrekommendationer

Med E37s e-handelsmodul Automatiska produktrekommendationer kan du med widgeten skyltfönster och widgeten artikellistningar visa upp artiklar som borde intressera de som tittar på sidorna där widgetarna finns. Du kan även göra ett skyltfönster med rekommendationer baserat på de senaste artiklarna besökaren har tittat på.

Vad som rekommenderas tillsammans med dessa artiklar baseras på tidigare besökares beteende i din shop. Med beteende menar vi här:

• Köpte artikeln tillsammans med en annan artikel.
• Samma kund köpte artikeln i en order och också köpt andra artiklar i en annan order.
• La artikeln i en varukorg men slutförde inte köpet.
• Tittat på artikeln, dvs laddat artikelsidan.

Dessa beteenden går sedan att vikta olika, så att till exempel en kund som köpt två artiklar tillsammans kan öka rekommendationen interna "poäng" tio gånger mer än en kund som endast tittat på två olika artiklars sidor. De artiklar som får högst poäng blir de som visas i skyltfönstret eller artikellistningen. Hur denna viktning ska se ut sparar du i admin i en profil. När du lägger in en widget som använder produktrekommendationer så får du därför välja vilken profil du vill använda.

Punkterna ovan går dessutom att kombinera; det går ha en regel i en profil som säger att "Alla kunder som lagt artikel #1 i sin varukorg och tittade på artikel #2" ska ge 3 poäng var till artikel #2 för visning som rekommendation på sidor där artikel #1 ingår.

Dessutom går det att göra justeringar baserat på en tidsfaktor, så att nypublicerade artiklars poäng och poäng för nya händelser multipliceras med en vald faktor.

Exempel, hur görs urvalet för automatiska produktrekommendationer?

Vi lägger in ett skyltfönster för rekommenderade artiklar på vår exempelbutiks sök-sida. Vi väljer att skyltfönstret ska visa fyra artiklar. I sökresultatet visas naturligtvis ett varierande antal artiklar beroende på antalet sökträffar.

De rosa rutorna är de artiklar som visas i sökresultatet. De gröna rutorna är ett skyltfönster med rekommenderade artiklar. I vårt exempel så har vi en (överdrivet) enkel profil som i första hand är baserad på vilka artiklar som i tidigare köpts tillsammans och i andra hand på artiklar som lagts i samma varukorg men inte lett till avslutade köp. Att artiklar köpts tillsammans ger i vår exempelprofil 10 poäng, att de lagts i samma övergivna varukorg ger 2 poäng. Vår enkla profil har heller ingen justering från tidsfaktor.

Hur valdes då de fyra rekommenderade artiklarna ut?

Under tidsperioden profilen tittar på har följande händelser hänt:

• Artikel 1 har köpts tillsammans med artikel A tre gånger (30 poäng) och tillsammans med artikel C en gång (10 poäng) och två gånger tillsammans med artikel F (20 poäng). Dessutom har artikel 1 lagts i övergivna varukorgar tillsammans med artikel C en gång (2 poäng). Artikel 1 har därför totalt 62 poäng.
  
  
• Artikel 2 har köpt tillsammans med artikel B två gånger (20 poäng). Dessutom har den lämnats i två övergivna varukorgar tillsammans med artikel G (4 poäng). Artikel 2 har därför 24 poäng.
  
  
• Artikel 3 har köpts tillsammans med artikel E en gång (10 poäng) och artikel F en gång (10 poäng). Den har inte lämnats i varukorgar tillsammans med några av artiklarna i sökresultatet och får därför en total på 20 poäng.
  
  
• Artikel 4 har inte köpts tillsammans med några av artiklarna i sökresultatet, men har övergivits i varukorgar tillsammans med artiklar i sökresultatet sju gånger, så artikel 4 får totalt 14 poäng.
  
  
• Artikel A och D har köpts tillsammans med varandra sju gånger (70 poäng vardera), så de har högst poäng av alla artiklar i butiken. Men eftersom de båda är med i urvalet som är vad rekommendationen baseras på så blir de inte rekommenderade ändå.
  
  
• Alla andra artiklar i butiken har mindre än 14 poäng totalt. Därför blev det artiklarna 1, 2, 3 och 4 som visas som rekommendationer för sökresultatet.

Uträkningen av rekommendationer görs en gång per dygn. Detta då det av prestandaskäl vore för stora uträkningar för att göra dessa beräkningar varje gång ett skyltfönster med produktrekommendationer ska visas.

Skillnaden mellan automatiska rekommendationer och relaterade artiklar

Automatiska rekommendationer ska inte förvirras med relaterade artiklar. Relaterade artiklar är ett annat sätt att på en artikelsida visa upp skyltfönster med artiklar som kanske kan intressera besökaren av den sidan.

• Relaterade artiklar kan endast visas på artikelsidor. Automatiska rekommendationer kan visas på artikelsidor, i sökresultat, och på sidan för favoriter. Med "skyltfönster med rekommendationer för kund" som baseras på de sex senaste artiklarna besökaren tittat på kan man även lägga automatiska rekommendationer på innehållssidor så som till exempel startsidan.
• Automatiska rekommendationer är just automatiska, medan relationerna mellan relaterade artiklar måste ställas in i admin. Automatiska rekommendationer kan därför hitta och utnyttja köpmönster som skulle vara svåra att upptäcka. Automatiska rekommendationer behöver också mindre underhåll i admin vilket är bra för stora eller snabbt växlande sortiment.
• Relaterade artiklar kan vara att föredra för till exempel en klädbutik där man vill tipsa om matchande byxor till en tröja. De automatiska rekommendationerna däremot har inte bättre sinne för stil än den genomsnittliga kunden i butiken och kan inte heller veta om tidigare kunder som köpt tröjor och byxor i samma köp borde ha dem på sig samtidigt...

Du kan läsa mer om relaterade artiklar här.

Vilka widgetar kan använda rekommendationer?

Rekommenderade artiklar kan visas upp i tre olika widgetar:

• Skyltfönster med rekommenderade artiklar — Kan läggas på produktsidor, söksidan och på sidan med favoriter. (Det sista valet kräver modulen Favoriter.) Visar rekommendationer baserat på artiklarna på sidan skyltfönstret ligger på.
• Skyltfönster med rekommendationer för kund — Kan läggas på alla sidtyper. Visar rekommendationer baserat på de sex senaste artiklarna besökaren varit inne på.
• Artikellistningen Rekommenderade artiklar — Kan läggas på produktsidor. Visar rekommendationer baserat på artikeln på den sidan.

Att ha flera profiler

Om du har flera profiler så kan du också lägga flera skyltfönster med rekommendationer på samma sida, utan att för den skull få samma artiklar i de båda skyltfönstren. Om profilerna liknar varandra för mycket, eller om din butik inte har så många artiklar ökar dock risken att de två profilerna ger överlappande artiklar. Om du tänker använda flera profiler på samma sida vill du därför typiskt att deras profiler skiljer sig tillräckligt för att ge olika förslag.

En fördel med att ha flera profiler är att du både kan rekommendera artiklar som kanske är de kunden egentligen letar efter men även ge tips om tillbehör och kringprodukter.

PY Hobby använder på sina artikelsidor två skyltfönster med olika profiler. En profil för "Andra som köpte, har även köpt..." och en för "Kunder som tittade på denna, köpte istället...". Dessa rubriker är bra förenklingar av vad profilerna mest använder för data. Men för att alla artiklar ska få rekommendationer, även det som inte sålts, kompletterar profilerna med att ge några få poäng även för andra saker, så som övergivna varukorgar och andra artiklar som endast tittats på men inte köpts. 

Länna Sport har i sin butik en popup som visas när man lägger en artikel i kundvagnen. Denna popup visar tre rekommenderade artiklar. På bilden nedan har vi just lagt en cykel i kundvagnen. Eftersom profilen rekommendationerna här använder fokuserar på saker som köpts i samma köp som produkten vi la i varukorgen så blir rekommendationerna (oftast) cykeltillbehör och inte andra cyklar. Detta är lämpligt då en kund som just tagit köpbeslutet att köpa en cykel inte bör få rekommendationer om andra liknande cyklar. Så i fallet vid popup när man lägger i varukorgen bör man alltså använda en profil av typen "Andra som köpte denna produkt köpte även".

För att få själva popupen när något läggs i varukorgen behöver du kontakta E37 för implementationen. 

Möjlig komplikation: För lite data

Om du har en helt nystartad butik med E37s system har du därför inte hunnit samla tidigare beteende från dina besökare. Du bör då inte aktivera automatiska produktrekommendationer för tidigt. Problemet som kan uppstå är att eftersom statistik om köp saknas, så ger systemet automatiska rekommendationer baserat på endast de lägre viktade sakerna, så som vilka artiklar som tittats på av samma kunder/besökare.

Så varför är det ett problem, är inte halvdåliga rekommendationer bättre än inga rekommendationer? Nej, betänk att de sämre rekommendationerna kan leda till att besökare mer leds om till de rekommenderade artiklarna vilket i ger flera poäng till artikeln för kommande rekommendationer. På så vis kan en förstärkning av icke-optimala rekommendationer skapas. Väntar du istället en månad eller två så kommer de artiklar som faktiskt är relevanta för varandra bli de som får denna förstärkning vilket i större grad också kommer leda till ökad försäljning.

Data för kundbeteende sparas för din butik även om du inte har modulen för automatiska rekommendationer och därför inte har några profiler skapade. Så om du redan haft din shop hos E37 ett tag så kan du direkt börja använda rekommendationerna när du skaffar modulen. 

Att konfigurera profiler

Gör så här i admin:

1. Gå till Kontrollpanelen -> Tillägg och moduler -> Produktrek.
   
2. Klicka på profilen du vill editera eller på knappen Lägg till profil.
   
3. Du får nu upp följande dialogruta. Värdena i bilden nedan är inställningarna för demoshoppens standardprofil.
   
4. Titel visas endast i admin för att du ska kunna hålla isär dina olika profiler, så döp den gärna till något beskrivande.
5. Orderhistorik - antal dagar avgör hur många dagar bakåt i orderhistoriken rekommendationerna ska baseras på. 400 dagar är max för vad systemet sparar. Tänk på att detta val även påverkar hur Justering för tidsfaktor - Nya händelser fungerar, se punkt 10 nedan.
6. De nästa fyra valen är listrutor som har val från 0 till 10. Valet avgör vilken vikt den händelsen ska ges av systemet, dvs hur många interna poäng händelsen ska ge.
   
   Till exempel, om Kunder som köpte, köpte även... får vikt 5 så ger att köpa artikel A och B i en order 5 poäng för artikel A om det ska ger rekommendationer för artikel B och vice versa. Dessa poäng kan sedan även modifieras av valen under rubriken Justering från tidsfaktor.
7. Varukorgshistorik - antal dagar avgör hur många dagar bakåt systemet ska använda varukorgshistorik. Även här är 400 dagar maxvärde. Detta värde påverkar också hur Justering för tidsfaktor - Nya händelser fungerar för händelserna i detta segment, se punkt 10 nedan.
8. De nästa fyra listrutorna är viktningar precis som i punkt 6 ovan, fast för saker som rör besökare som inte slutförde ett köp. Skillnaden mellan Kunder som tittade på, tittade även på... och Besökare som tittade på, tittade även på... är alltså att för att den förstnämnda ska hända så måste en order läggas.
9. Kunder som köpte, köpte även... (i en annan order) är en viktning för köp av samma kund fast vid olika köptillfällen.
10. Justering för tidsfaktor - Nya händelser avgör om nyare händelser ska värderas högre, och i sådana fall hur mycket högre. Justeringen fungerar så att om den till exempel sätts till 5 så multipliceras viktningen av händelser som just hände med 5, medan händelser som hände så långt bak som man valt att titta (se punkt 5 och 7 ovan) multipliceras med 1 (dvs ingen förändring). En händelse mitt emellan dessa två tidpunkter skulle multipliceras med 3, (eftersom 3 är talet mitt emellan 1 och 5).
    
11. Justering för tidsfaktor - Nya artiklar avgör om artiklar med nyare publiceringsdatum ska värderas högre, och i sådana fall hur mycket högre. En nyss publicerad artikels poäng multipliceras med den valda faktorn, linjärt ned till det äldsta publiceringsdatumet för någon artikel i butiken som multipliceras med 1. Ju högre värde du sätter här, desto mer kommer rekommendationerna se ut som listan med de senast publicerade artiklarna. Äldre artiklar har dock haft längre tid på sig att samla på sig köp och klick, så denna inställning kan kompensera för detta genom att exponera nya artiklar lite mer.