Jak machine learning może zwiększyć sprzedaż w e-commerce?
Współczesny świat nieustannie poddawany jest automatyzacji i cyfryzacji. Sztuczna inteligencja i machine learning na dobre zagościły w naszej codzienności, otwierając markom nieznane wcześniej drogi dotarcia do klientów. Przeczytaj, w jaki sposób można je wykorzystać do zwiększenia sprzedaży w e-commerce.
Kiedy w 1999 roku poznańska spółka Surf Stop Shop, wzorując się na eBay’u, opracowała prototyp serwisu Allegro, nikt nie spodziewał się, jak w ciągu zaledwie dwu dekad rozwinie się sektor sprzedaży internetowej. Nic dziwnego, w Polsce w połowie lat 90. królował Merlin i Empik, było kilka baz firm i niewielka grupa scyfryzowanych sklepów spożywczych, a robienie zakupów przez internet okraszone było dreszczykiem emocji i lękiem przed nieznanym. Obecnie szacuje się, że do 2026 roku wartość rynku e-commerce B2B w Polsce może osiągnąć wartość nawet 637 mld zł*, a w skali światowej prognozuje się wzrost tego sektora na poziomie 16,5 proc**. Brzmi nieźle, prawda? Jednak zapewne doskonale zdajesz sobie sprawę z tego, że tak intensywny rozwój branży ma swoje zalety, ale niestety ma też wady. Przede wszystkim niewątpliwie otwiera przed przedsiębiorcami szansę na realne zwiększenie swoich zysków. Jednocześnie stawia ich jednak przed dużym wyzwaniem zbudowania przewagi konkurencyjnej. Co musisz wiedzieć, przygotowując strategię marketingową dla e-commerce na przyszłe lata i jaki związek z tymi działaniami ma machine learning? Przeczytaj.
Czego dowiesz się z artykułu?
- Dlaczego warto inwestować w automatyzację e-commerce?
- Co to jest machine learning?
- Jak działają systemy rekomendacji zbudowane na bazie machine learning?
- Czy do systemu rekomendacji zbudowanego na bazie machine learning można dodać reguły biznesowe?
- Jakie efekty można osiągnąć, wdrażając machine learning do e-commerce?
Dlaczego warto inwestować w automatyzację e-commerce?
Jeśli czytasz ten tekst, to zapewne Twoje produkty można już kupić w sieci. Gdybyśmy rozmawiali dziesięć lat temu, powyższe słowa wypowiedział(a)byś zapewne z dumą w głosie, a my poklepalibyśmy Cię po ramieniu, zapewniając, że jesteś na półmetku drogi do sukcesu. Mamy jednak końcówkę 2021 roku – i Ty wiesz, i my wiemy, że dziś obecność w sieci to zaledwie przekroczenie linii startu. Do mety dzieli Cię jeszcze wiele kilometrów biznesowych analiz i strategicznych decyzji, które obecnie przypominają raczej Runmageddon niż bieg spokojny w miejskim maratonie. Dlaczego? Zapewne i z tego zdajesz sobie doskonale sprawę, ale podsumujmy. W końcu jesteśmy programistami – kochamy liczby.
- około 150 tys. polskich przedsiębiorców prowadzi obecnie sprzedaż przez internet***,
- około 72% polskich internautów w 2020 roku przynajmniej raz robiło zakupy online (wzrost o 11 punktów w porównaniu do roku 2019)**** – w 2020 roku w Polsce mieliśmy 29 mln internautów*****, co oznacza, że liczba osób robiących zakupy przez internet wyniosła 21,2 mln.
Wnioski z powyższych zestawień są bardzo proste: masz realną szansę dotarcia do 21,2 mln osób, ale aby to zrobić, musisz wyróżnić się na tle 150 tys. przedsiębiorców. Powiesz, że dane zebrane w roku covidowych zawirowań nie są wiarygodne? My odpowiemy na to słowami z raportu Digital Commerce360: do 2025 roku 72% sprzedawców będzie czerpała większość swoich przychodów ze sprzedaży online.
Liczby omówiliśmy, przejdźmy więc do konkretów, czyli do tego, co możesz zrobić, by mieć pewność, że do 2025 roku Twoja firma zasili szeregi tych magicznych 72%? Działasz w e-commerce, więc jako ekspertka / ekspert w tej branży znasz odpowiedź w postaci dwu magicznych słów: personalizacja oferty. Gdyby jednak relację między personalizacją i pieniędzmi chcieć przełożyć na facebookowe informacje o związku, to najlepiej sprawdziłby się tutaj status: „To skomplikowane”. Personalizacja generuje pieniądze, ale by była efektywna, wymaga czasu, a czas to pieniądz. Najlepiej więc zdać się na automatyzację. A idealnie, gdyby była ona spersonalizowana.
I właśnie w tym miejscu otwierają się przed Tobą możliwości wykorzystania machine learning w e-commerce. Możliwości, które – co warto podkreślić – są niedostępne, jeśli bazujesz wyłącznie na prostych systemach webowych lub (o zgozo!) ludzkiej, manualnej pracy.
Zanim jednak przejdziemy do konkretów, powiedzmy kilka słów o tym, czym jest machine learning.
Co to jest machine learning?
Machine learning (uczenie maszynowe) to dział sztucznej inteligencji polegający – w dużym uproszczeniu – na tworzeniu modeli, które „uczą się” na podstawie odpowiednio przygotowanych danych. W praktyce sprowadza się to do tego, że udostępniasz programistom odpowiednio przygotowane pliki (np. produktowy plik .xml z Google feeda lub feeda dla Ceneo) z wykazem wszystkich Twoich produktów – wraz ze zdjęciami i metadanymi (tytułami, opisami, kategoriami). Musisz jednak wiedzieć, że magia machine learning polega na tym, że odpowiednio przeuczone modele są w stanie prognozować i podejmować decyzje na podstawie danych, nie będąc do tego zaprogramowanymi, ponieważ sedno tej „nauki” polega na rozpoznawaniu zależności i wzorców w ogromnych ilościach analizowanych danych. To pozwala im na precyzję w wynikach. Co w przypadku, gdy otrzymane dane nie zostaną rozpoznane w modelu? Algorytm samodzielnie tworzy dla nich nową klasyfikację lub przetwarza je na podstawie znanych już materiałów. W skrócie: maszyna nie potrzebuje już człowieka do analizy dostarczanych jej elementów.
Jak działają systemy rekomendacji zbudowane na bazie machine learning?
Jeśli przeczytałaś/-eś, czym jest machine learning, i nadal mamy Twoją uwagę, to zapewne już wiesz, że niewątpliwą przewagą tych modeli jest to, że „wiedzą” i „umieją”. Wiedzą, co interesuje Twoją klientkę / Twojego klienta i umieją dać jej / mu na tacy to, czego potrzebuje.
Wiedzą, że jeśli Ania, dodała do koszyka czerwoną koktajlową sukienkę, to być może zainteresuje ją też złoty naszyjnik i eleganckie szpilki. Wiedzą, że jeśli Tomek miesiąc temu kupił Wiedźmina III, to pewnie spodoba mu się też Horizon Zero Dawn lub Dishonored 2. Wiedzą, że jeśli Marek oglądał wybrany model drzwi przesuwnych, to będzie też potrzebował wytrzymałych prowadnic, a Basia odwiedzająca stronę z komodą z surowego dębu może chcieć obejrzeć też kilka loftowych lamp czy przytulnych dywanów w stylu boho. Wiedzą i umieją zarekomendować im odpowiednie produkty z Twojej oferty.
I o to mniej więcej chodzi w systemach rekomendacji bazujących na machine learning. Są one idealnie dopasowane do specyfiki Twojego biznesu i potrzeb Twoich klientów. Mogą bazować na cechach produktu (na podstawie tekstu, tj. metadanych, i/lub zdjęć). Ich podstawą może być też zachowanie klienta – zarówno wtedy, gdy nawiguje po Twojej stronie (inni kupowali także; inni klikali także; inni dodawali do ulubionych także), jak i wtedy, gdy kupuje jakieś produkty i je ocenia.
Jeśli wiesz, że Twoi klienci są wymagający lub jeśli specyfika Twojej branży na to pozwala, możesz też wykorzystać machine learning do tego, by zaprezentować swoją ofertę w bardziej atrakcyjny sposób. Np. poprzez wdrożenie suwaków z cechami lub zaawansowanych filtrów angażujących klientów w inną formę eksploracji. Wtedy na przykład Basia odwiedzająca stronę sklepu wnętrzarskiego mogłaby ustawić suwaki na cechach: „pasuje do stylu: loft, boho, hygge”, „imituje wygląd naturalnych surowców”, a Tomek odwiedzający stronę sklepu z grami na konsolę mógłby wskazać, że interesują go gry trzymające w napięciu, z fabułą osadzoną w świecie fantastyki.
Wygląda to zdecydowanie lepiej niż „suche” rekomendacje dostępne w platformach webowych, prawda? To czytaj dalej, bo to jeszcze nie wszystko!
Czy do systemu rekomendacji zbudowanego na bazie machine learning można dodać reguły biznesowe?
No dobrze – powiesz – ale ja muszę mieć pewność, że to będzie polecać prawidłowe produkty! Wiemy. Każdy model machine learning, zanim zostanie wdrożony, tj. zanim trafi na stronę Twojego sklepu, trafia najpierw do Ciebie – w postaci roboczo wyglądającej wersji demo. To Ty decydujesz, czy rekomendacje są w porządku czy nie, i w każdej chwili możesz też powiedzieć, że są… takie sobie, bo dobrze polecają produkty w stylu hygge, no ale te kryształowe krzesła to nie bardzo pasują do loftu. Co dzieje się potem? Pracujemy dalej i przetrenowujemy modele – do momentu, gdy nie usłyszymy od Ciebie, że mamy wersję finalną.
No dobrze – powiesz – dla klientów to superrozwiązanie, ale mnie wiążą kontrakty, nie mogę sobie pozwolić na to, by nie kontrolować tego, co oglądają moi klienci! Wiemy. Każdy model machine learning, zanim zostanie wdrożony, może być udoskonalony przez wskazane przez Ciebie reguły biznesowe, bo na przykład:
- chcesz, by bestsellery były wyżej w wynikach wyszukiwania,
- chcesz, by produkty objęte promocją były wyżej w wynikach wyszukiwania,
- chcesz, by asortyment danego producenta był wyżej w wynikach wyszukiwania,
- chcesz, by niżej w wynikach wyszukiwania pojawiały się produkty, na których masz niską marżę.
I tak dalej. Możliwości jest wiele, to Ty decydujesz.
Jakie efekty można osiągnąć, wdrażając machine learning do e-commerce?
Skoro wiesz już, co potrafią systemy rekomendacji bazujące na machine learning, domyślasz się też, co to oznacza dla Ciebie. I tutaj można by zamknąć się w dwu słowach: maksymalizacja zysku, czyli:
- zwiększenie wartości koszyka,
- boost na produkty objęte wyższą marżą,
- zwiększenie świadomości oferty poprzez lepszą ekspozycję produktów niebędących bestsellerami.
Źródła:
* — Na podstawie raportu „E-commerce B2B – Biznes w sieci”, przygotowanego dla Santander Bank Polska przez Mobile Institute.
** — Według serwisu eMarketer.
*** — Według raportu ”Perspektywy rozwoju rynku e-commerce w Polsce 2021—2026”, PWC.
**** — Według raportu „E-commerce w Polsce. Gemius dla e-Commerce Polska”.
***** — Według badania Mediapanel (grudzień 2020).