המלצות מוצרים

מנוע ההמלצות של Joryio בוחר פריטים לכל לקוח להודעות שלכם - אימייל, SMS, WhatsApp, Viber, Push, in-app ודפי נחיתה, בקמפיינים ובמסעות כאחד (ראו איפה ההמלצות עובדות). הוא שקוף בכוונה - אתם קובעים ממה הוא לומד:

• מקור פריטים - מוצרי החנות המסונכרנת (Shopify/WooCommerce) או כל ישות מותאמת שמחזיקה קטלוג.
• אותות לאימון - אילו אירועים מלמדים את המנוע, כל אחד עם משקל (למשל purchase ×5, add_to_cart ×2, product_viewed ×1 - כל אירוע, כולל אירועים מותאמים). מאפיין מזהה הפריט אומר למנוע איזה מאפיין באירוע נושא את הפריט (למשל productId); כשאירוע משתמש במאפיין אחר (למשל אירוע ad_view שנושא ad_id), מגדירים אותו לכל אות בנפרד - לכל שורת אות יכול להיות מאפיין משלה שגובר על ברירת המחדל של המודל.
• סינון (אופציונלי) - בחרו סינון שמצמצם את מה שהמודל רשאי להמליץ עליו: סינון מוצרים למוצרי החנות (מנוהל בעמוד המוצרים), או סינון ישות לקטלוג של ישות מותאמת (למשל רק מותג או מיקום מסוים). נתמכים רק מסננים סטטיים - ערכי מסנן לכל נמען אינם נפתרים בזמן הדירוג. הסינון חל בקמפיינים ובמסעות כאחד. כשמעט מדי מהבחירות של המודל מתאימות, המוצרים של הסינון עצמו ממלאים את החסר. אם אי אפשר לקרוא את הסינון (הוא נמחק, או שהשליפה נכשלה), המודל מציג רק את המוצרים הנעוצים שלו - אף פעם לא פריטים מחוץ לסינון.
• חלון אימון ואפשרות לא להמליץ לעולם על פריטים שהלקוח כבר רכש (ראו החרגות).

מספר מודלים

סביבת עבודה יכולה להחזיק כמה מודלים בעלי שם, ולכל אחד סוג, מקור ואותות משלו - צרו אותם תחת Settings → Recommendations ובחרו מודל לכל רכיב מוצרים בעורך האימייל (Source: Recommended → Model), או פנו למודל לפי המשבצת שלו ב-Liquid. מודל אחד מסומן כברירת מחדל ומשמש כאשר לא נבחר מודל ברכיב.

סוגי המלצות

לכל מודל יש סוג אחד, שנבחר תחת Settings → Recommendations → Model type:

סוג	מה כל נמען מקבל	אימון
Personalized	פריטים שמתאימים לפעילות האחרונה של הנמען (הופעה משותפת נלמדת)	מדי לילה + Train now
Most popular	אותה רשימת רבי־מכר לכולם, משוקללת לפי האותות שלכם	מדי לילה + Train now
Trending now	פעילות משוקללת בשבעת הימים האחרונים	ללא - מחושב בזמן אמת
Recently viewed	הפריטים האחרונים של הנמען עצמו. חוזר ל-Trending עבור לקוחות חדשים; לעולם לא מושלם בפריטים אחרים	ללא - מחושב בזמן אמת
Similar items	מבוסס תוכן: מוצרים שחולקים קטגוריות, מותג, מאפיינים (למשל Color, Material) ותגיות עם מוצר. לקטגוריות המשקל הגבוה ביותר, אחריהן מותג ומאפיינים; תגיות מכריעות במקרה של שוויון	ללא - מחושב בזמן אמת
Bought together	מוצרים שהופיעו באותה הזמנה עם מוצר, לאורך חלון האימון של המודל (מההזמנות המסונכרנות שלכם). אם למוצר עדיין אין רכישות משותפות, פריטים דומים משלימים	ללא - מחושב בזמן אמת
Viewed together	מוצרים שנצפו על ידי אותם אנשים שצפו במוצר. המודל מתאמן על צפיות במוצרים (Product Viewed) בלבד. מוצר ללא היסטוריית צפייה משותפת חוזר לפריטים דומים	מדי לילה + Train now
New arrivals	המוצרים החדשים ביותר בקטלוג (לפי מועד ההוספה), אפשר להגביל לקטגוריה אחת	ללא - מחושב בזמן אמת
Popular in category	רבי־מכר (יחידות בהזמנות) או המוצרים הנצפים ביותר (אירועי Product Viewed) - בחרו sales או views - בקטגוריה, לאורך חלון המודל. הקטגוריה: זו שהוגדרה במודל, אחרת הקטגוריה הראשונה של מוצר העוגן, אחרת הקטלוג כולו	ללא - מחושב בזמן אמת
Top discounted	ההנחה הגדולה ביותר של מחיר ההשוואה (compare-at) מול המחיר, אפשר להגביל לקטגוריה אחת	ללא - מחושב בזמן אמת

ששת הסוגים האחרונים (מ-Similar items ועד Top discounted) עובדים עם מוצרי חנות בלבד, לא עם קטלוגים של ישויות מותאמות.

איזה מוצר?

Similar items, ‏Bought together ו-Viewed together ממליצים סביב מוצר אחד. הוא נבחר בסדר הזה:

1. מזהה מוצר קבוע שהוגדר במודל.
2. מזהה המוצר שהוגדר ברכיב המוצרים באימייל (השדה האופציונלי Product id).
3. במסע - המוצר של האירוע שהפעיל את המסע: המאפיין productId / product_id שלו, או הפריט הראשון ברשימת products / items.
4. אחרת - המוצר שהנמען צפה בו לאחרונה.

אם אף אחד מאלה לא קיים, מוצגת רשימת הגיבוי הפופולרית של המודל.

מוצרים מוצמדים

כל סוג מקבל רשימת מזהי מוצרים מוצמדים במודל. מוצרים מוצמדים מוצגים ראשונים, בסדר שהוגדר, והאלגוריתם של הסוג ממלא את המקומות הנותרים. על מוצרים מוצמדים חלות אותן החרגות - מוצר מוצמד שאזל מהמלאי או שכבר נרכש מדולג.

החרגות

כברירת מחדל:

• מוצרים שאזלו מהמלאי - מוצרים שהחנות מסמנת כחסרים במלאי אינם מומלצים. כבו את Hide out-of-stock products במודל כדי לאפשר אותם.
• מוצרים שכבר נרכשו - מוצרים שהנמען כבר קנה (לפי ההזמנות שלו) אינם מומלצים. Don't recommend items the customer already purchased פעיל כברירת מחדל וחל על כל הסוגים.
• מוצר העוגן עצמו לעולם אינו מומלץ.
• הסינון (Selection, רשימת היתר) של המודל ממשיך לחול; מוצרים נעוצים שומרים על מקומם.
• רשימת החסימה גוברת על הכול, כולל מוצרים נעוצים.

רשימת חסימה

מוצרים שאסור להמליץ עליהם לעולם - כרטיסי מתנה, דוגמיות, קו מוצרים שהופסק. יש שתי רשימות, ושתיהן חלות תמיד:

• לכל מודל - Never recommend במודל: מזהי מוצרים, ולמוצרי החנות גם קטגוריות ותגיות (בלי הבחנה בין אותיות גדולות לקטנות).
• לכל סביבת העבודה - Settings → Recommendations, מתחת למודלים: אותן שלוש רשימות, שחלות על כל מודל.

מוצר חסום לעולם אינו מוצג באף סוג - לא כהמלצה, לא כשהוא נעוץ, לא מהגיבוי הפופולרי ולא מהגיבוי שמשמש כשלמשבצת נגמר הזמן. מזהה מוצר יכול להיות המזהה של החנות או של Joryio. כל רשימה מחזיקה עד 500 מזהי מוצרים ו-100 קטגוריות ו-100 תגיות. השינויים מגיעים להודעות תוך 5 דקות.

קידום והורדה

כללי מרצ'נדייזינג מעל הרלוונטיות, למוצרי החנות. במודל, פתחו את Boost and bury, לחצו על Add rule ובחרו:

• מה - שדה מוצר (מספרי או כן/לא - הרשימה מציגה את השדות שיש בפועל למוצרים שלכם: מחיר, מחיר לפני הנחה, אחוז הנחה, יחידות במלאי, במלאי, ומאפיינים כמו דירוג או מרווח), קטגוריה או תגית.
• כיוון - Boost מקפיץ מוצרים תואמים למעלה, Bury מוריד אותם למטה.
• עוצמה - Light, Medium או Strong (0.2, 0.5 ו-1.0).

איך הכללים מחשבים: המודל קודם מוצא את המועמדים שלו ומסדר אותם (רלוונטיות, כולל ה-Ranker הנלמד); רשימת החסימה, ה-Selection וסינון המלאי מסירים את מה שאסור להציג; ואז הכללים מסדרים מחדש את מה שנשאר, לפני שהרשימה נחתכת למספר הפריטים שההודעה מציגה. הרלוונטיות של מועמד נגזרת ממקומו בסדר הזה - הראשון מתוך 10 מקבל 1, האחרון 0.1. שדה מספרי מנורמל על פני המועמדים מ-0 (הנמוך ביותר) עד 1 (הגבוה ביותר); שדה כן/לא, קטגוריה או תגית נספרים 1 כשהם תואמים ו-0 כשלא; מוצר בלי השדה נספר 0. Boost מכפיל את הרלוונטיות ב-(1 + עוצמה x ערך), Bury מחלק בו, וכמה כללים מוכפלים זה בזה.

כללים לעולם לא מוסיפים מוצר שהמודל לא מצא, לא מציגים מוצר חסום ולא מזיזים מוצר נעוץ - מוצרים נעוצים שומרים על מקומם. הם פועלים באותו אופן בכל ערוץ ובמסעות. עד 10 כללים לכל מודל.

דוגמאות:

• לדחוף את המבצע - Boost, קטגוריה "Sale", Medium: פריט במבצע שנמצא ממש מתחת לפריט במחיר מלא עוקף אותו; פריט שנמצא הרבה יותר למטה לא קופץ לראש הרשימה.
• מרווח קודם - Boost, מאפיין "Margin", Strong: בין מוצרים ברלוונטיות דומה, אלה עם המרווח הגבוה ביותר מובילים.
• לא לפתוח באביזרים - Bury, תגית "accessory", Light.
• קודם מה שיש הרבה במלאי - Boost, יחידות במלאי, Light.

ה-Preview בכרטיס מציג את הרשימה של איש קשר אחד Without rules ו-With rules זו לצד זו, עם הכללים שעל המסך עוד לפני השמירה (פריטים שזזו מסומנים במסגרת). בחרו איש קשר לפי אימייל, טלפון או מזהה; בלי בחירה מוצגת הרשימה שמבקר אנונימי מקבל. תצוגה מקדימה לעולם לא נספרת כהמלצה שהוגשה.

גיבוי ומהירות

כל רשימה מושלמת מהפריטים הפופולריים של המודל (פופולריות נלמדת, אחרת Trending של 7 ימים, אחרת המוצרים החדשים ביותר), כך שמשבצת לעולם אינה ריקה כל עוד יש בחנות מוצרים.

לכל נמען יש תקציב זמן (1.5 שניות כברירת מחדל). משבצת שלא נפתרת בזמן מקבלת את הפריטים הפופולריים של המודל, כך ששליחה לעולם לא נתקעת. רשימות שאינן תלויות בנמען - פריטים קשורים למוצר, רבי־מכר בקטגוריה, New arrivals - מחושבות פעם אחת לכל שליחת קמפיין ומשמשות את כל הנמענים.

איך הוא לומד

האימון (מדי לילה לתצורות פעילות, או באמצעות Train now) מבצע שני מעברים על זרם האירועים: פופולריות משוקללת לכל פריט וזיקה בין פריטים - אילו פריטים מעוררים מעורבות משותפת אצל אותם לקוחות, עם נרמול שמונע מזוגות נישתיים לטבוע בין רבי־המכר. מודלים מסוג Viewed together מאמנים את אותה זיקה על צפיות במוצרים בלבד.

למידה מתוצאות (Ranker v2)

ברגע שלמודל יש תוצאות הגשה אמיתיות (המלצות שהוגשו ← פריטים שנרכשו), Ranker בשלב שני מתאמן עליהן מדי לילה ומתחיל לסדר מחדש את המועמדים של כל נמען לפי הסתברות המרה נלמדת - "כשאנחנו מציגים X ללקוחות כאלה, הם קונים". הוא כולל מכסת חקירה כדי שפריטים חדשים ימשיכו לקבל הזדמנות הוגנת לצבור נתונים. ה-Ranker מופעל לכל מודל רק אחרי שיש מספיק תוצאות; עד אז (וכשהוא אינו זמין) נעשה שימוש בסידור הרגיל של המנוע - דבר אינו נשבר. שליחות נושאות דגל שמבחין בין סידור מדורג לרגיל, כך שהביצועים נשארים בני השוואה.

מעבר לתוצאות העבר, ה-Ranker שוקל עד כמה כל מוצר מתאים לנמען: המחיר שלו מול מה שהנמען מוציא בדרך כלל (ערך הזמנה ומחיר פריט), האם הוא בקטגוריות או במותגים המובילים שלו (לפי ההזמנות שלו), האם הוא במבצע אצל מי שנוטה לקנות במבצע, והאם הוא נמכר השבוע מהר מהרגיל. הנתונים נלקחים כפי שהיו ברגע שההמלצה הוגשה, כך שה-Ranker לעולם לא לומד ממה שקרה אחר כך; המלצות שהוגשו לפני שזה קיים נספרות כניטרליות. מודל מתחיל להשתמש בהם באימון הלילי הבא שלו.

איפה ההמלצות עובדות

ההמלצות עובדות בכל ערוץ, בקמפיינים ובמסעות:

ערוץ	איך
אימייל	רכיב המוצרים: Source: Recommended, בחירת מודל וכמות, ועוד שדה Product id אופציונלי לסוגים שמבוססים על מוצר. לולאות Liquid על recommendations עובדות גם הן, בקמפיינים ובמסעות; רכיב ולולאה שמשתמשים באותו מודל מציגים את אותם פריטים
SMS,‏ WhatsApp,‏ Viber	משתנה ה-Liquid {{ recommendations.<slot> }} בטקסט (ב-WhatsApp: טקסט session / תשובה וערכי משתני תבנית)
Push	{{ recommendations.<slot> }} בכותרת, בגוף, בתמונה ובקישור
In-app	כרטיסי מוצר בהודעות HTML, או Liquid בכותרת / גוף / תמונה של הודעות native
דפי נחיתה	כרטיסי מוצר או Liquid

משבצות Liquid

המשבצת (slot) היא שם המודל שהופך למפתח: אותיות קטנות, ורווחים וסימני פיסוק הופכים ל-_ ("For you" ← for_you, ‏"Bestsellers" ← bestsellers). recommendations.default תמיד מצביע על מודל ברירת המחדל של סביבת העבודה. מודל ששמו אינו מכיל אותיות לטיניות (למשל שם בעברית) מקבל את המשבצת model_<8 התווים הראשונים של המזהה שלו> - עמוד ההגדרות ובורר ההתאמה האישית מציגים את המשבצת של כל מודל. משבצת לא מוכרת מוצגת כרשימה ריקה.

לכל פריט יש:

שדה	משמעות
name (גם title)	שם המוצר
price	מעוצב עם מטבע, למשל $19.90
compareAtPrice, ‏discountPercent	כשהמוצר בהנחה
url	קישור למוצר
image (גם imageUrl)	תמונת המוצר
description	תיאור המוצר
id	מזהה המוצר

משבצת מכילה עד 4 פריטים כברירת מחדל (עד 12 דרך data-jr-count של כרטיס).

קישורי הפריטים נמדדים בלחיצות כמו כל קישור בהודעה: פרמטרי UTM ומזהי Joryio נוספים בהפניית הלחיצה, וקישורים ב-SMS / WhatsApp / Viber מקוצרים (בכפוף למתג Shorten & track links של כל הודעה).

טקסט SMS / WhatsApp / Viber:

{% for item in recommendations.for_you limit: 3 %}
{{ item.name }} - {{ item.price }} {{ item.url }}
{% endfor %}

Push:

Title: {{ recommendations.for_you.first.name }}
Body:  Now {{ recommendations.for_you.first.price }}
Image: {{ recommendations.for_you.first.image }}
Link:  {{ recommendations.for_you.first.url }}

הודעות WhatsApp נושאות טקסט וקישור בלבד - הודעות קטלוג / מוצר הן יכולת נפרדת שעדיין אינה זמינה.

הודעות in-app מסוג native: Liquid בכותרת, בגוף ובתמונה, למשל תמונה {{ recommendations.for_you.first.image }}.

כרטיסי מוצר

בהודעות in-app מסוג HTML ובדפי נחיתה, הרכיב הבא הופך לשורת כרטיסי מוצר (תמונה, שם, מחיר, מחיר השוואה מחוק כשיש הנחה, קישור):

<div data-jr-recommendations="for_you" data-jr-count="4" data-jr-button-label="Shop now"></div>

גם לולאות Liquid עובדות שם.

בדפי נחיתה, כרטיסי מוצר עובדים בכל דף שפורסם: מבקרים אנונימיים רואים את הרשימה הלא-אישית של המודל (מתרעננת כל כמה דקות), ומבקר מזוהה מקבל רשימה משלו. צורת ה-Liquid עובדת בדפים מותאמים אישית.

תצוגות מקדימות ושליחות בדיקה

תצוגות מקדימות בעורך ושליחות בדיקה בכל ערוץ מציגות פריטים אמיתיים: עבור איש הקשר של הבדיקה כשהיא נשלחת לאחד, ואחרת את הרשימה של המודל עבור מי שאין לו היסטוריה. הן משתמשות באותו גיבוי, אותה רשימת חסימה ואותו סינון כמו שליחה אמיתית. שליחת בדיקה לעולם אינה נספרת כהמלצה שהוגשה באנליטיקה שלהלן.

עדיין לא נתמך

• בהודעות in-app במסעות, Similar items,‏ Bought together ו-Viewed together אינם משתמשים במוצר שהפעיל את המסע - הם משתמשים במוצר הקבוע של המודל, ואחרת במוצר שהנמען צפה בו לאחרונה.

אנליטיקת ביצועים

ברגע שהמלצות של מודל יוצאות בשליחות אמיתיות, העמוד שלו מציג את 30 הימים האחרונים: כמה המלצות הוגשו, לכמה נמענים, שיעור הנמענים שלחצו על ההודעה שבה הופיעה ההמלצה ושיעור הנמענים שרכשו פריט מומלץ בתוך 7 ימים מהקבלה (שיוך דרך אירוע הפלטפורמה recommendation.served). recommendation.served נרשם בשליחות אימייל, SMS,‏ Push,‏ WhatsApp ו-Viber (לא ב-in-app), כך שהלוח סופר את כל הערוצים האלה.

איך הוא מגיש

בזמן השליחה, הפעילות האחרונה של כל נמען מצביעה על פריטים קשורים; לקוחות ללא היסטוריה מקבלים את הפריטים הפופולריים של המודל. הגדירו מודלים תחת Settings → Recommendations, ואז השתמשו בהם דרך רכיב המוצרים באימייל (Source: Recommended ובחירת כמות) או דרך משתנה ה-Liquid ‏recommendations בכל ערוץ אחר.