На информационном ресурсе besfo.ru при применении информационных технологий предоставления информации осуществляется сбор, систематизация и анализ сведений, относящихся к предпочтениям пользователей сети «Интернет», находящихся на территории Российской Федерации. Правила разработаны в соответствии с пунктом 2 части 1 статьи 10.2-2 Федерального закона от 27 июля 2006 г. № 149-ФЗ «Об информации, информационных технологиях и о защите информации» и дополняют действующие Пользовательское соглашение и Политику обработки персональных данных или иные правовые документы Сайта.

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. Данные, используемые для предоставления информации с применением рекомендательных технологий

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;
• геопозиция;
• регион и город пользователя;
• 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.

Юридически значимые сообщения по вопросам применения рекомендательных технологий могут быть направлены на адрес электронной почты ООО «Бесфо»: shop@besfo.ru