Рекомендательные технологии

ПРАВИЛА ПРИМЕНЕНИЯ РЕКОМЕНДАТЕЛЬНЫХ ТЕХНОЛОГИЙ

На данном информационном ресурсе применяются рекомендательные технологии (информационные технологии предоставления информации на основе сбора, систематизации и анализа сведений, относящихся к предпочтениям пользователей сети «Интернет», находящихся на территории Российской Федерации)

Правообладателем данного информационного ресурса является ООО "ЭККО-РОС".

В настоящих Правилах применения рекомендательных технологий (далее – «Правила») описаны процессы и методы сбора, систематизации, анализа сведений, относящихся к предпочтениям пользователей сети «Интернет», предоставления информации на основе этих сведений, способов осуществления таких процессов и методов, а также описание видов сведений, относящихся к предпочтениям пользователей сети «Интернет», которые используются для предоставления информации с применением рекомендательных технологий, и источников получения таких сведений.

Что такое рекомендательные технологии

Под рекомендательными технологиями понимаются программные комплексы, которые с помощью алгоритмических вычислений и/или машинного обучения осуществляют индивидуализированный подбор, а также ранжирование контента для конечного пользователя на основании данных о пользователе или характеристиках элементов в системе.

Рекомендации — это набор слотов/баннеров на сайте и в приложении с подборкой товаров / категорий товаров / брендов. Рекомендательная система отвечает за отбор товаров и порядок отображения этих товаров. Рекомендации можно разделить на 2 группы: товарные и персональные.

Примеры товарных рекомендаций:
— похожие товары на карточке товара,
— сопутствующие товары на карточке товара,
— товары, которые смотрят с текущим товаром другие пользователи, на карточке товара
— сопутствующие товары при добавлении в корзину текущего товара

Примеры персональных рекомендаций:
— персональная подборка бестселлеров на главной странице
— персональная подборка товаров со скидками на главной странице

Источник, виды сведений и методы их сбора

Для целей предоставления рекомендаций собирается информация о действиях пользователей на сайте, в мобильном приложении и в розничных точках; местонахождении (геолокация).

Примеры видов собираемых сведений о действиях пользователей:
— просмотр продуктов или категорий продуктов;
— клики на элементы интерфейса страницы;
— покупка продуктов;
— добавление продуктов в «Избранное», корзину, лист ожидания или другие списки;
— возврат продуктов;
— состав и даты заказов.

ООО “ЭККО-РОС” использует рекомендательные технологии платформ Mindbox (ООО”Майндбокс”, https://mindbox.ru/documents/product-recommendations/) и Gravity Field (ООО“Стеллар” https://gravityfield.ai/ru/recommendation-technologies/), техническая поддержка и условия использования которых представлены по ссылкам.

Если у вас есть вопросы о рекомендательных технологиях, свяжитесь с нами: privacy@ecco.ru

Описание рекомендательных технологий Mindbox:

Как формируются рекомендации

1. Собираем предпочтения клиентов

Невозможно рекомендовать человеку товар, когда не знаешь о его предпочтениях. Или, по крайней мере, о предпочтениях других клиентов, похожих на него. Поэтому Mindbox использует данные о действиях покупателей, полученные от пользователей информационного ресурса, например:

o просмотрах продуктов или категорий продуктов;
o продуктах в «Избранном», корзине, листе ожидания или других списках;
o составе и датах заказов;
o взаимодействиях с коммуникациями. Это, например, открытие писем и переходы по ссылкам из рекламы.

Также для более точных рекомендаций могут учитываться данные о самих покупателях, например:

o местонахождении, чтобы показывать рекомендации для конкретного региона, и часовом поясе, чтобы делать это вовремя;
o поле или возрасте, чтобы предлагать подходящие продукты. Например, платья — женщинам, а фильмы 16+ — взрослым.

Все эти данные поступают в Mindbox с сайта, из мобильного приложения, касс, рекламных кабинетов.

2. Подбираем рекомендации на основе предпочтений

Есть три подхода к формированию рекомендаций:

Подбор похожих и сопутствующих продуктов. Алгоритмы анализируют свойства тех продуктов, которыми интересовался клиент: цвет, жанр, коллекцию, категорию или производителя. По этим признакам подбираются продукты, которые также могут его заинтересовать. Например, если покупатель искал на сайте зоомагазина собачий корм, в рекомендациях появятся товары для собак. Так клиент вспомнит, что нужно докупить шампунь для питомца. Хотя мог бы и не добраться до него, если бы просто листал витрину.

Рекомендации популярных продуктов. Алгоритм анализирует взаимодействие всех клиентов с продуктами и может подсказать тот, у которого самый высокий спрос или лучшие оценки. Это полезно, если клиент впервые пришел на сайт и о нем еще ничего неизвестно. Mindbox порекомендует то, что нравится большинству других покупателей. Например, на сайте мебельного магазина рядом с самыми популярными моделями появится виджет «Хиты продаж».

Рекомендации как для клиента с похожими предпочтениями. Алгоритм анализирует сходства в поведении клиентов. Если двум покупателям нравится одна и та же группа продуктов, их предпочтения похожи. Значит, первому можно рекомендовать то, что заинтересовало второго, и наоборот. Например, двум зрителям онлайн-кинотеатра нравятся вестерны и боевики. Один из них еще и фанат авторского кино — второму тоже можно порекомендовать этот жанр. Такой подход помогает выявлять неочевидные предпочтения и составлять более разносторонние рекомендации.

3. Уточняем рекомендации

После того, как рекомендации по предпочтениям составлены, можно сделать их еще точнее, добавив в Mindbox дополнительные условия. Например, показывать продукты только в географической зоне клиента. А также исключить из рекомендаций товары, которые покупают независимо от предпочтений — скажем, пакеты в супермаркетах.

Где отображаются рекомендации

Когда рекомендательные алгоритмы настроены и обучены, они могут показывать покупателю подборки продуктов в любой точке контакта: на сайте — при помощи виджета, в рассылках, мобильном приложении, колл-центре, на кассе.

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.

Описание рекомендательных технологий Gravity Field:

Для алгоритмических вычислений и машинного обучения Gravity Field использует следующие данные, полученные от пользователей информационного ресурса:

— данные о любых действия пользователя на информационном ресурсе,
— данные о любых запросах пользователя на информационном ресурсе,
— IP-адрес пользователя,
— файлы cookie,
— идентификатор пользователя, присваиваемый информационным ресурсом,
— список страниц (экранов), посещённых пользователем на информационном ресурсе,
— информация об источнике посещения (referral),
— часовой пояс, установленный на устройстве пользователя,
— строку user-agent из браузера пользователя,
— параметры экрана пользователя (разрешение, глубина цветности, параметры размещения страницы на экране),
— не являющиеся персональными данные, добровольно и в явном виде предоставляемые пользователем информационному ресурсу в ходе взаимодействия (пол, возраст и т.д.)

Gravity Field использует ряд алгоритмов, которые могут использоваться как изолированно, так и в комбинации друг с другом. Также к любому алгоритму могут быть применены дополнительные условия (фильтры), ограничивающие номенклатуру выводимых предложений (товаров) на основании свойств предложений, переданных в Gravity Field информационным ресурсом, либо на основании данных о пользователях по списку выше.

Gravity Field использует следующие алгоритмы:

— Популярность — алгоритм основывается на взаимодействии пользователей с предложениями (товарами) и взвешенной оценке интентов пользователей (более выраженный интент даёт большее увеличение значения популярности. Алгоритм также учитывает затухание интереса по времени (т.е. недавние взаимодействия имеют больший вес, чем совершённые ранее).
— Недавно просмотренные — алгоритм выводит предложения, просмотренные пользователем в обратном временном порядке.
— Недавно купленные — алгоритм выводит предложения, включенные в последние покупки пользователя.
— Похожие товары — алгоритм выводит предложения, схожие с текущим по категории и ключевым характеристикам, полученным от информационного ресурса.
— Покупают вместе — алгоритм выводит предложения, ориентируясь на предложения, совокупно включенные в транзакции пользователей информационного ресурса.
— Смотрят вместе — алгоритм выводит предложения, ориентируясь на предложения, совместно просмотренные пользователями информационного ресурса в рамках одного сеанса пользования.
— Персонализированный — алгоритм основывает свои рекомендации на интересе пользователя к определённым атрибутам предложений, рассчитанном на базе истории взаимодействия пользователя с предложениями и взвешенной оценке интентов пользователя. Алгоритм также учитывает затухание интереса по времени (т.е. недавние взаимодействия имеют больший вес, чем совершённые ранее).