Роман Зыков, Retail Rocket: «Ни одна система рекомендаций не может исправить некачественный сайт»

От чего зависит эффективность систем торговых рекомендаций и какие ошибки чаще всего допускают интернет-магазины при разработке подобных систем, в интервью нашему изданию ToWave.ru рассказал сооснователь сервиса Retail Rocket Роман Зыков.

Retail Rocket — В2В сервис торговых рекомендаций для интернет-магазинов. На сегодняшний день вы единственные предоставляете такую услугу в Рунете?

Нет, почти сразу после нас стартовал похожий российский проект. Кроме того, на наш рынок выходят несколько западных игроков, однако они не фокусируются исключительно на eCommerce.

Например, у них есть банковские аналитические продукты. Они относятся скорее к enterprise-level решениям.

Основной наш конкурент — in-house разработки и готовые модули для распространённых CMS-систем. Конечно же, качество нашей работы не сопоставимо с ними. В наш продукт вложен десяток человеколет опыта, а вычислительные мощности, которые используются для формирования рекомендаций, большинству интернет-магазинов просто недоступны.

Насколько сложно самостоятельно разработать эффективную рекомендательную систему для магазина? Интернет-магазинам какого размера выгоднее всего сотрудничать с вами?

Простую систему рекомендаций, основанную только на данных транзакций, разработать относительно несложно. Однако, помимо того, что сами рекомендации получатся не очень качественными, возникнет две проблемы.

Первое. Система рекомендаций — это полноценный проект, который включает в себя все этапы разработки продукта, его тестирования и эксплуатации. Здесь мы экономим время и деньги.

Второе — часто такие проекты запускают и потом забывают о них. Но, как правило, сами алгоритмы рекомендаций нужно периодически «подстраивать», чтобы рекомендации были более эффективны. Это вероятностные модели, поэтому они никогда не будут совершенными.

Но если магазин захочет делать эффективные системы рекомендаций, основанные на данных веб-статистики (именно так мы и делаем), то это проект совершенно другого уровня. Здесь уже необходимо внедрение серьёзных технологий по работе с большими данными, нужны специалисты по data mining.

RetailRocket.ru работает с магазинами любого размера: любое количество товаров и посещаемость. Небольшим проектам выгодно с нами работать, т. к. они получают сложные, но эффективные алгоритмы рекомендаций из коробки. Крупные проекты снимут с себя головную боль по работе с большими данными и поддержке соответствующей архитектуры.

В наш рекомендательный сервис изначально заложены очень большие нагрузки. По уровню используемых технологий мы ничем не отличаемся от проектов в Кремниевой Долине: используем кластер Hadoop для вычисления рекомендаций и NoSQL решения для их хранения и показа на сайтах.

Как предприниматель может определить, эффективна ли используемая система рекомендаций? Возможно, есть какой-то минимальный порог для объёма продаж, генерируемых таким образом? Иначе говоря, если система рекомендаций не приносит заметного эффекта, в чём искать причины?

Отличный вопрос! Эффективность рекомендаций довольно сложно измерить. Нужно использовать специальный анализ мерчандайзинга сайта, которого нет в бесплатных системах веб-аналитики (таких как Google Analytics) и большинстве платных.

У нашего сервиса есть механика, позволяющая точно определить влияние рекомендаций на ключевые показатели эффективности магазина. Самостоятельно провести такой анализ довольно сложно. Есть одно универсальное решение, это проведение А/Б тестирования. Всем нашим пользователям мы предлагаем вместе с нами настроить и запустить такой тест (с RetailRocket это сделать очень легко): часть посетителей видят рекомендации на сайте, другая часть — нет. Результаты уже проведённых тестов были очень впечатляющими, некоторые удивили даже нас.

Эффективность системы рекомендаций RetailRocket.ru зависит в основном от двух факторов. Во-первых, это посещаемость сайта и кол-во транзакций. Чем больше будет такой статистики, тем быстрее система обучится и будет делать эффективные предложения.

Во-вторых, качество описания товаров, предоставляемых магазинами. Чем больше сведений о своих товарах передаст нам магазин, тем больше продаж он сможет получить от рекомендательной системы уже в первые дни после запуска.

К сожалению, ни одна система рекомендаций не может исправить некачественный сайт интернет-магазина. Со своей стороны мы даём советы нашим клиентам как улучшить их сайт, чтобы поднять продажи.

Самые распространённые ошибки при использовании и создании систем товарных рекомендаций (если такие есть)?

Конечно, есть. При разработке систем рекомендаций обычно допускаются две ошибки: слишком научный подход и недооценка сложности внедрения и эксплуатации продукта. В рекомендательных системах только 20% науки (алгоритмы), а 80% — это сбор и обработка данных, выдача рекомендаций на сайт.

Регистрация в вашей системе бесплатная. Комиссия берётся только за оформленный до конца заказ? Будете ли менять эту схему?

В течение ближайших 2–3 месяцев мы будем полностью бесплатными для всех желающих. Комиссия будет браться только за заказы, полученные через рекомендательные системы. Это выгодно для магазинов, ведь платить нужно только за результат нашей работы.

Вы стартовали за счёт привлечённых инвестиций? Как сейчас обстоят дела с инвесторами? Насколько среди инвесторов велик интерес к подобным проектам и к вам, в частности?

Мы делали проект полностью на личные средства. Сейчас Retail Rocket как раз находится в поисках инвестора.

У инвесторов большой интерес к проекту. С похожими проектами на западе дело обстоит очень интересно. В августе 2009 года рекомендательный сервис Rich Relevance, основанный создателями рекомендательной системы Amazon.com, в ходе очередного раунда привлёк $8 млн. инвестиций (а в общей сложности компания привлекла уже $28 млн.).

Роман, у вас огромный опыт в проектах, связанных с электронной коммерцией. Какими наблюдениями, касающимися поведения пользователей, можете поделиться?

Лучше всего рекомендации работают для лояльных пользователей, именно они основные потребители этой информации. Можно даже сказать, что рекомендации повышают лояльность.

Также рекомендации отлично себя показывают в случаях, когда заказ состоит из нескольких товаров. В Retail Rocket мы полностью отработали механику кросс-продаж в корзине. Это значительно увеличило доход с сайтов многих наших клиентов.