paint-brush
La venta cruzada en asuntos de comercio electrónico: una guía técnica para aumentar las ventas en líneapor@sasha754
339 lecturas
339 lecturas

La venta cruzada en asuntos de comercio electrónico: una guía técnica para aumentar las ventas en línea

por Alexander Chernov7m2023/03/03
Read on Terminal Reader

Demasiado Largo; Para Leer

El artículo describe un método para lanzar una función de venta cruzada en el comercio electrónico usando la aplicación móvil "Mnogo Lososya" como ejemplo. La función es un sistema de recomendación de filtrado colaborativo básico que combina enfoques basados en usuarios y basados en elementos y puede aumentar los ingresos. El artículo analiza la arquitectura y el algoritmo utilizado, ejemplos de recomendaciones, métricas y posibles resultados de implementación.
featured image - La venta cruzada en asuntos de comercio electrónico: una guía técnica para aumentar las ventas en línea
Alexander Chernov HackerNoon profile picture
0-item

En este artículo, describiré un método relativamente simple para lanzar una función de venta cruzada (productos ofrecidos a un cliente además de los que están en el carrito) en el comercio electrónico, como comestibles o servicios de comida a domicilio, que implementamos con éxito en la aplicación móvil "Mnogo Lososya". Este es un sistema de recomendación de filtrado colaborativo básico que combina enfoques basados en el usuario y en el artículo y se puede utilizar en una variedad de proyectos de comercio electrónico, particularmente aquellos con una gran cantidad de SKU, para proporcionar una amplia gama de recomendaciones.


Mnogo Lososya, fundada en 2018, es una cadena de más de 50 fantasmas y más de 250 cocinas para llevar, así como una marca paraguas para múltiples conceptos de platos. Nuestro único punto de venta es la entrega en 30 minutos de comidas recién preparadas. Nos hemos estado expandiendo rápidamente y recientemente superamos 100k MAU de aplicaciones con más de 100M RUB en ingresos brutos mensuales.


La mayoría de nuestros pedidos se realizan en línea, un tercio proviene de nuestra propia aplicación móvil y los otros dos tercios provienen de los servicios de entrega. La app es un componente importante de nuestro producto porque es uno de los primeros puntos de contacto que, junto con nuestro servicio y la comida en sí, contribuye a una mejor experiencia del cliente.

Arquitectura

Esta solución se creó completamente en los servicios de Yandex Cloud, pero también podría construirse en AWS porque también tiene todos los servicios necesarios. Estoy designando servicios en términos de notación de AWS para la comodidad de los usuarios de AWS, lo que también debería ser claro para muchos usuarios de YC.


  • MongoDB administrado
  • función lambda
  • Puerta de enlace API
  • DNS en la nube
  • Backend móvil (nube informática)


La arquitectura simplificada se ve así:

Arquitectura simplificada


  1. Los usuarios realizan pedidos a través de la aplicación móvil. En el sistema ERP, los pedidos se crean y procesan.

  2. Luego, los pedidos se copian en el almacén de datos durante un proceso ETL una vez al día por la noche. Cada pedido incluye información sobre los productos solicitados, así como el identificador del cliente.

  3. Los procedimientos SQL calculan las preferencias del usuario y la similitud del producto. A continuación se proporciona una descripción más detallada del cálculo. El cálculo produce dos colecciones en MongoDB con la siguiente estructura:


    colección de preferencias de usuario

    Teléfono: Utilizamos “teléfono” como identificador de usuario.


    • Platos relacionados

      • id: ID de un plato relacionado
      • rango
    • Última Fecha de Actualización. Fecha y hora del último recálculo


      Ejemplo de un documento:

ejemplo de documento userPref



productoColección de similitud

  • platoId

  • Platos relacionados

    • id: ID de un plato relacionado
    • rango
  • lastUpdateDate: fecha y hora del último recálculo


Ejemplo de un documento

ejemplo de documento de similitud de producto


  1. Cuando un usuario actualiza el carrito, la aplicación envía una solicitud a la función Lambda. La solicitud incluye el identificador de usuario (teléfono) y una lista de identificadores de productos que se encuentran actualmente en el carrito.
  2. Lambda extrae platos relacionados de la colección productSimilarity para cada comida en el carrito y platos relacionados por teléfono dado de la colección userPref.
  3. Luego, el algoritmo lambda combina estas listas de platos relacionados en uno y lo envía a la aplicación móvil como una lista de recomendaciones. En el carrito, la aplicación presenta tarjetas de productos.


Algoritmo

Preferencias del usuario

Implementamos las preferencias de los usuarios en función del historial de ventas ponderado, con prioridad en las ventas recientes. Considere el siguiente historial de ventas del usuario arbitrario:

Producto

Ventas

Cuando

Coeficiente de tiempo (1/meses)

Ventas ponderadas

A

1

este mes

1

1

B

1

este mes

1

1

C

4

Hace 1 mes

0,5

2

A

4

Hace 1 mes

0,5

2

B

3

hace 4 meses

0,25

0,75


El usuario compró el producto B y el producto C cuatro veces. Sin embargo, debido a que la mayoría de las ventas del producto B se realizaron hace cuatro meses, damos prioridad a las ventas más recientes del producto C. Los productos se ordenan por ventas totales ponderadas, que son la suma de las ventas ponderadas de cada producto.


Producto

Ventas totales ponderadas

Rango

A

3

1

B

1,75

3

C

2

2


El ejemplo anterior implica que el usuario prefiere el producto A al producto C y el producto C al producto B.

Similitud del producto

El número de pedidos en los que había pares de productos se usa para calcular la similitud del producto. El resultado se calcula por separado para cada mes, teniendo prioridad los meses más recientes. Como resultado, clasificamos productos similares para cada producto y los almacenamos en MongoDB, donde la identificación del producto es un índice para la colección.

Recomendación

La lista de recomendaciones de productos resultante combina las preferencias del usuario y productos similares y los ordena de acuerdo con alguna estrategia, que es una clasificación ascendente por rango. Como resultado, simplemente combinamos todas las listas de productos relacionados y las ordenamos. Calculamos el rango promedio para los productos que se repiten. Aquí hay un ejemplo:


  1. Supongamos que un usuario ahora tiene un carrito con 2 productos: A y B;
  2. Lambda selecciona un documento de la colección productSimilarity para el producto A. Los platos relacionados son C (rango 1), D (rango 2) y E (rango 3);
  3. Lambda selecciona un documento de la colección productSimilarity para el producto B. Los platos relacionados son F (rango 1), G (rango 2) y H (rango 3);
  4. Lambda selecciona un documento de la colección userPref para el teléfono dado. Los platos relacionados son D (rango 1) y H (rango 2);
  5. Todos los platos relacionados se combinan y, para los platos duplicados, se calcula la clasificación media. La lista resultante es C (rango 1), D (rango 1,5), E (rango 3), F (rango 1), G (rango 2) y H (rango 2,5).
  6. Después de ordenar, la lista es C, F, D, G, H y E, y regresa a la aplicación.


Resultado

Métricas o cómo medir el resultado

Elegimos las siguientes métricas para medir la eficiencia de la venta cruzada:


  1. El valor de pedido promedio (AOV) de los pedidos que incluían platos de venta cruzada fue más alto que el AOV de los pedidos que no lo incluían. La suma total de todos los productos en el pedido es el valor del pedido, que es cuánto paga el cliente por el pedido. Por lo tanto, esta métrica indica si los clientes pagan más por pedidos que incluyen platos de venta cruzada. Esta es la métrica clave porque el aumento en AOV es exactamente lo que esperamos de la venta cruzada.


  2. Porcentaje de bienes agregados de la sección de venta cruzada en el total de bienes vendidos . Esta es una métrica secundaria que está fuertemente influenciada por la naturaleza de los productos vendidos, así como por la estrategia de venta cruzada. Considere una tienda de comercio electrónico de productos electrónicos que realiza ventas cruzadas de suplementos de bajo costo, como maletas y cables de carga, con artículos más caros en el carrito, como teléfonos inteligentes y computadoras portátiles. Muchos complementos se pueden vender de forma cruzada a un artículo principal en este caso, y la métrica puede superar el 50 %. Aunque nuestro ejemplo no incluye una amplia variedad de suplementos, esta métrica demuestra cómo la venta cruzada afecta la estructura final del carrito.


  3. Porcentaje de pedidos que contienen platos de venta cruzada . Esta es otra métrica secundaria que muestra la "popularidad" de la venta cruzada, o con qué frecuencia los clientes compran productos recomendados de venta cruzada.

Resultados actuales

El conjunto de datos a continuación contiene datos de pedidos impersonales recopilados desde diciembre de 2022 hasta enero de 2023 en una de las ciudades de operaciones de MnogoLososya.

https://github.com/alexchrn/cross-sell/blob/main/orders.csv

El conjunto de datos se compila a partir de una variedad de fuentes, incluida AppMetrica (eventos de agregar al carrito) y el sistema ERP (estados de pedidos y pagos, sumas de descuentos y pagos).


Estructura del conjunto de datos:


  • Solicitar ID. Un identificador único de un pedido
  • número_de_platos_de_venta_cruzada. El número de platos que se han añadido desde la sección de venta cruzada.
  • estado. El estado del último pedido conocido.
  • estado de pago. El último estado de pago conocido
  • puntos_número. El número de puntos de bonificación que se han retirado en un pedido. 1 punto equivale a 1 rublo.
  • descuento_sum. El descuento en rublos, sin incluir puntos de bonificación.
  • pago_sum. Cuánto pagó un cliente por un pedido
  • Creado en. Fecha y hora de creación de un pedido
  • appmetrica_dispositivo_id. Identificador de dispositivo único
  • app_version_name. Version de aplicacion
  • número_total_de_platos. El número total de platos en un pedido
  • has_cross_sell_dish. Si un pedido contiene platos añadidos de venta cruzada. Este campo se calcula a partir de number_of_cross_sell_dishes.


Así que aquí están los valores de las métricas (derivados del conjunto de datos anterior usando python).


El porcentaje de platos agregados de la sección de venta cruzada en el total de platos comprados: 3.97%

El porcentaje de platos agregados de la sección de venta cruzada en el total de platos comprados


El porcentaje de pedidos que contienen platos de venta cruzada: 10,46%

El porcentaje de pedidos que contienen platos de venta cruzada


AOV de pedidos que incluían platos de venta cruzada en comparación con AOV de pedidos que no:

comparación AOV

Como se puede observar, los pedidos con platos de venta cruzada tienen un AOV mayor con una diferencia de 565 RUB. La cantidad promedio de platos en dichos pedidos también es mayor, lo cual es razonable si se tiene en cuenta que el único objetivo de la venta cruzada es incentivar al cliente a agregar más platos a su carrito.


¿Es significativa la diferencia de 565? Podemos usar una prueba t para ver si esta diferencia se debe al azar. La biblioteca Python scripy tiene un método para esto. Esta es una prueba para la hipótesis nula de que 2 muestras independientes tienen valores promedio (esperados) idénticos (1).

Prueba t para diferencia de medias de AOV


Por lo tanto, el valor p, o la probabilidad de que la hipótesis nula sea verdadera, es extremadamente bajo y rechazamos la hipótesis nula incluso al nivel de significancia del 99%. En otras palabras, es casi seguro que la notable diferencia en el valor medio de los pedidos no es una coincidencia, y los pedidos con comidas de venta cruzada generan más ingresos.


Conclusión

La venta cruzada puede ser una herramienta eficaz para aumentar el valor medio de los pedidos, incluso con técnicas sencillas de filtrado colaborativo. También se puede implementar con relativa facilidad desde un punto de vista técnico, gracias a los servicios sin servidor de AWS y otros proveedores de la nube, como se muestra en este artículo.


Materiales relacionados:

  1. https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.ttest_ind.html