מורן בן גיגי ואיתי כץ,

03/11/2016

שוק המסחר המקוון (E-commerce / Online shopping) נמצא בצמיחה מתמדת. לפי נתוני אתר Statista עד שנת 2020 צפויה להירשם בתחום זה צמיחה שנתית ממוצעת של כ- 10% ברמה העולמית, וצמיחה של כ- 8% בזירה המקומית.

המפתח לעלייה המסחררת הזאת בשוק הוא הפרסונליזציה של ההצעות. לפי האתרים optimonk ו- Invespcro אלה הם המגמות עליהם העידו הצרכנים:

  • 86% מהצרכנים העידו כי לפרסונליזציה יש משקל משמעותי בהחלטת הקנייה שלהם
  • 65% מחנויות המסחר המקוון (E-commerce / Online shopping) דיווחו על עלייה בשיעורי ההמרה (השלב בתהליך המכירה שבו הופך לקוח פוטנציאלי להזדמנות משמעותית למכירה) באמצעות שימוש בפרסונליזציה
  • 59% מהצרכנים מאמינים כי פרסונליזציה לגולש מקלה על איתור מוצרים מעניינים
  • 56% מהצרכנים נמצאו בסבירות גבוהה לחזור לאתרים המציעים הצעות התאמה אישית

כיום קיימים בשוק שני סוגים של פרסונליזציה לגולש:

  • Prescriptive – חוקיות קבועה הקובעת את התוכן שיוצג למשתמשים שונים. נקבע על פי נתונים כגון פעילות אחרונה, היסטוריית גלישה, העדפות, היסטוריית הקלקות וכו'.
  • Adaptive – תהליך אוטומטי שבו החוקים מתעדכנים באופן שוטף, ועל פי ניתוח התנהגות המשתמש תוך כדי סשן הגלישה של המשתמש. על פי נתונים אלו ייבחרו הצעות הערך הרלוונטיות ביותר באופן אוטומטי

איסוף הנתונים מתחלק לשתי קונסטלציות:

  • Explicit data collection – ניתוח משתמש המתבסס על איסוף נתוני מידע שהלקוח מספק על תחומי העניין שלו, העדפות, פעולות, לדוגמה:

        o    דירוג לפריט \ אוסף פריטים

        o    יצירת רשימת פריטים מועדפת על המשתמש

        o    בחירת מין, מיקום

  • Implicit data collection – ניתוח משתמש המתבסס על פעולות ביניים המעשירות את הניתוח במידע "מרמז" המעיד על נטייה של המשתמש כגון

        o    מעקב אחר פריטים בהם צפה המשתמש

        o    ניתוח פריטים \ מספר הצפיות של המשתמש

        o    ניתוח שפה ולקסיקון המשתמש

לאחר בחינת והבנת המושגים תחת Personalization & Data Collection (פרסונליזציה ואיסוף נתונים) ניתן לסווג את הפתרונות השונים בשוק לרמות שונות, מהבסיסי ועד למתקדם ביותר:

  1. Prescriptive method – Explicit data collection – Billabong
    אתר בילבונג משתמש בנתונים בסיסיים המוזנים באופן ידני (למשל מיקום ומין) על מנת לייצר
    הצעות ערך מתאימות. כל משתמש שהזין פרטים באתר, מסווג תחת פרופיל לקוח מסוים (חלוקה לסגמנטים) ובהתאם לאותו פרופיל שהוגדר נשלחות לאותו לקוח הצעות הערך. לדוגמה, גברים בגילאים 25 - 18 מארה"ב יסווגו תחת אותו פרופיל ויקבלו המלצות בהתאם. ב- Prescriptive method הפרופילים אינם מורכבים מספיק בכדי לספק הצעות ערך ברמה גבוהה כיוון שהם מבוססים על נתונים דלים באופן יחסי.      
  1. Prescriptive method – Implicit data collection – Cold weather
    בשיטה זו (של איסוף נתונים) הנתונים הבסיסיים שהזין הלקוח מעובים במידע נוסף כגון ניטור היסטוריית הגלישה של הלקוח באתר. מעבר למידע הקיים ניתן להוסיף External Data על מנת לספק הצעות ערך ממוקדות יותר. בדוגמה ניתן לראות שילוב נתוני טמפרטורה ומתן המלצה לרכישת מעיל. ההמלצה תינתן על בסיס Business rule הקובע כי במידה והטמפרטורה צונחת מתחת ל- 20C יש להציע ביגוד מתאים. שיטה זו מתקדמת יותר אך עדיין מוגבלת ואינה מאפשרת מתן המלצות ממוקדות ברמה הרמטית.          
  1. Adaptive method – Explicit data collection – Stylist
    שימוש ב-Adaptive method באיסוף הנתונים מאפשר מתן המלצות ברמת התאמה גבוהה הודות ללמידה מתמשכת של העדפות הלקוח. היתרון של המודל לעומת ה- Prescriptive method היא העובדה שהוא אינו מתבסס על תבניות מוגדרות מראש. כאן מתבטא השימוש ב- Explicit data collection במתן שאלון העדפות רחב הנותן תובנות משמעותיות. אם ב- Implicit Data Collection התבססנו על מידע שטחי כגון גיל ומיקום, כאן הלקוח יוכל להזין קטגוריות פריטים או קולקציה מועדפת.
  1. Adaptive method – Implicit data collection – Netflix
    מודל זה של איסוף נתונים מתבסס על מידע היסטורי ושימוש בניתוח מתקדם הכולל Predictive Analysis לצורך חיזוי הבחירה הבאה של המשתמש ומתן המלצות מתאימות בדחיפה. כאן מתבצעת התאמה גבוהה ביותר להעדפות הלקוח. במקרה של נטפליקס, לומדת המערכת את היסטוריית הצפייה של המשתמש. בשילוב עם ניתוח המידע בו צפה וכן תבניות השימוש, מספקת הפלטפורמה המלצות מותאמות אישית. המערכת עושה שימוש גם בטכניקת NLP (Natural Language Processing) – ניתוח טקסט ומוסיפה נדבך נוסף ע"י ניתוח תקצירי התוכן. שימוש ב- NLP לניתוח התקצירים יכול לספק תובנות בנוגע לבמאי מועדף, שחקנים אהובים או העדפה לסרטים \ סדרות בהם הדמות הראשית היא נקבה ולא זכר.

  

כיום, הצרכנים מודעים ליכולות של ארגונים לספק להם המלצות מותאמות אישית והציפיות גדלות בהתאם. הם אפילו מוכנים לחשוף ולשתף מידע לטובת קבלת המלצות למוצרים שעשויים לעניין אותם. וכך, בעולם שבו המידע כבר קיים ונגיש, כל שנותר כדי לספק את הערך המוסף לצרכן הוא הטמעת פתרונות דוגמת אלו שפרטנו כאן.