Почему вы сделали вывод, что не запустили в продакшн? Блоки рекомендаций внедрены на сайты. Про выручку - это предсказанное увеличение, которое показали результаты теста по сравнению с другими сегментами.
а мне расскажите как в бд этот флаг вешается? отдельная таблица? как скриптам интернет магазина объяснить что этот товар сопутствует этому, этому и этому? Руками - не вариант, если товаров более 10к, например, 100к, 1000к и далее
полуавтоматически представляю в голове, автоматически - хз
Когда я читаю про "случайным образом делились на два сегмента", я всегда удивляюсь. А при таком разделении как-то контролировали равномерное распределение новых пользователей и вернувшихся? Тех, кто уже покупал и тех, кто еще не покупал? Тех, кто пришел из поиска по запросу "купить товар такой-то" и тех, кто просто кликнул на какой-то яркий баннер, полистал и закрыл?
Я по биомедицинским исследованиям очень хорошо знаю, как можно показать "статистическую достоверность", но при этом манипулировать результатами.
Может тогда расскажете идею алгоритма подбора сопутствующих товаров по персональным рекомендациям? Вот смотрит человек карточку товара с телевизором, что ему в сопутствующих показывать?
Как правило, тестирование страницы с блоком товарных рекомендаций и без него проводится в первую очередь. И только после того, как наличие блока показывает лучший результат, начинается тестирование разных алгоритмов.
Мы сделали тесты, не запустили в продакшен, но в заголовке напишем про увеличение выручки на четверть.
Почему вы сделали вывод, что не запустили в продакшн? Блоки рекомендаций внедрены на сайты.
Про выручку - это предсказанное увеличение, которое показали результаты теста по сравнению с другими сегментами.
а мне расскажите как в бд этот флаг вешается? отдельная таблица? как скриптам интернет магазина объяснить что этот товар сопутствует этому, этому и этому? Руками - не вариант, если товаров более 10к, например, 100к, 1000к и далее
полуавтоматически представляю в голове, автоматически - хз
тип такого
https://ru.wikipedia.org/wiki/%D0%9A%D0%BE%D0%BB%D0%BB%D0%B0%D0%B1%D0%BE%D1%80%D0%B0%D1%82%D0%B8%D0%B2%D0%BD%D0%B0%D1%8F_%D1%84%D0%B8%D0%BB%D1%8C%D1%82%D1%80%D0%B0%D1%86%D0%B8%D1%8F
Retail Rocket - это платформа для персонализации интернет-магазинов, поэтому все связи между товарами строятся автоматически с помощью алгоритмов.
Когда я читаю про "случайным образом делились на два сегмента", я всегда удивляюсь. А при таком разделении как-то контролировали равномерное распределение новых пользователей и вернувшихся? Тех, кто уже покупал и тех, кто еще не покупал? Тех, кто пришел из поиска по запросу "купить товар такой-то" и тех, кто просто кликнул на какой-то яркий баннер, полистал и закрыл?
Я по биомедицинским исследованиям очень хорошо знаю, как можно показать "статистическую достоверность", но при этом манипулировать результатами.
Можно перед А/В тестами, проводить А/А тесты чтобы проверить однородность трафика. Иногда их даже делают:)
Может тогда расскажете идею алгоритма подбора сопутствующих товаров по персональным рекомендациям? Вот смотрит человек карточку товара с телевизором, что ему в сопутствующих показывать?
Настенное крепление, HDMI кабель, сетевой фильтр, роутер, флешка, химия для ухода за экраном.
А/Б тест вышел несколько неполным - не было варианта вообще без этого блока. В некоторых сегментах это лучший вариант.
Как правило, тестирование страницы с блоком товарных рекомендаций и без него проводится в первую очередь. И только после того, как наличие блока показывает лучший результат, начинается тестирование разных алгоритмов.
А какой методикой вы оцениваете результаты теста по среднему чеку? Там же не нормальное распределение в отличии от конверсии.
Мне нравится подборка сервисов, для интернет - магазинов что тут описаны - https://protsenko2.ru/start-magazin/servis-dly-internet-magazinov/