Правила применения рекомендательных технологий интернет-магазина a-svet.pro

Настоящие Правила определяют порядок применения рекомендательных технологий на информационном ресурсе https://a-svet.pro и разработаны в соответствии с требованиями законодательства РФ, в том числе Федерального закона от 27.07.2006г. № 152-ФЗ «О персональных данных». Оператором ресурса является ООО «А-СВЕТ».

На информационном ресурсе https://a-svet.pro при применении информационных технологий предоставления информации осуществляется сбор, систематизация и анализ сведений, относящихся к предпочтениям пользователей сети «Интернет», находящихся на территории Российской Федерации.

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. Используемые данные

1.1. 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.

1.2. 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;

— 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.

1.3. 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.

1.4. 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 / Crosssell.

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.

На данном этапе определяется цель создания рекомендательной модели и перечень рекомендаций, которые необходимо получить (например, подбор наиболее актуальных товаров для пользователя). Далее осуществляется подбор данных о предпочтениях пользователей, на основе которых будет реализована рекомендательная модель.

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.

3.5. 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.

Реквизиты

ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "А-СВЕТ", ИНН 7751398677, ОГРН 1267700294366, Юр. Адрес 108834, Г.МОСКВА, ВН.ТЕР.Г. МУНИЦИПАЛЬНЫЙ ОКРУГ КОММУНАРКА, УЛ. ЭДВАРДА ГРИГА, Д.17, КВ. 10