Наш веб-ресурс применяет файлы cookie и аналогичные цифровые технологии. Это необходимо для обеспечения стабильной работы сервисов, повышения их удобства и анализа пользовательского опыта.
Мы задействуем широкий спектр аналитических и трекинговых инструментов. В их число могут входить такие системы, как Яндекс.Метрика, Weborama, Appsflyer, а также другие платформы сбора данных.
Запись файлов cookie происходит непосредственно на устройство (компьютер, смартфон или планшет), с которого осуществляется просмотр страниц сайта.
Cookie представляют собой небольшие текстовые маркеры, передаваемые сервером и сохраняемые в памяти вашего браузера. Данные файлы не являются персональными сведениями, не позволяют установить конкретную личность пользователя и не содержат приватной информации. Их главная задача — сделать взаимодействие с сайтом более комфортным, а также помочь нам собрать статистику для модернизации онлайн-сервисов.
Оставаясь на сайте, вы соглашаетесь с тем, что мы (а также привлеченные нами третьи лица) можем собирать, систематизировать и использовать cookie-файлы. Это требуется для ведения статистики и персонализации рекламных кампаний. Идентификация конкретных посетителей при этом не проводится.
Вы вправе самостоятельно управлять параметрами сохранения cookie на своем устройстве. Современные веб-браузеры позволяют ограничивать, стирать или полностью блокировать эти данные. Однако учитывайте: ограничение cookie может закрыть доступ к части разделов или привести к некорректной работе некоторых функций сайта.
Инструкции по управлению файлами cookie для популярных браузеров доступны в разделах меню, указанных ниже:
Товарные рекомендации — это набор виджетов с подборкой товаров, который размещается на сайте, в приложении или в e-mail с целью решения задач пользователей и маркетинга интернет-магазина.
Существует два источника данных для рекомендаций — пользовательское поведение и товарная база магазина. Алгоритмы рекомендаций Mindbox являются гибридными — в зависимости от ситуации они могут использовать как поведение, так и данные по товарам.
Данные собираются посредством размещения на сайте трекинг-кодов и/или вызовов методов API.
Полный перечень собираемой информации:Наибольшим влиянием в поведении обладают события взаимодействия с товарами. Активно используются события просмотра карточки товара, добавления товара в корзину и заказа товара. Кроме того, могут быть использованы данные о взаимодействии пользователей с внутренней поисковой системой магазина и данные о взаимодействии с самой системой рекомендаций.
Данные о товарной базе магазина включают все предоставляемые магазином атрибуты товаров, в частности информацию о категориях, ценах, доступности. Эти данные могут быть использованы, если пользовательского поведения недостаточно для определения интересов к товарным атрибутам, фильтрации товаров и других задач.
Есть три подхода к формированию рекомендаций:
Подбор похожих и сопутствующих продуктов. Алгоритмы анализируют свойства тех продуктов, которыми интересовался клиент: цвет, жанр, коллекцию, категорию или производителя. По этим признакам подбираются продукты, которые также могут его заинтересовать. Например, если покупатель искал на сайте зоомагазина собачий корм, в рекомендациях появятся товары для собак. Так клиент вспомнит, что нужно докупить шампунь для питомца. Хотя мог бы и не добраться до него, если бы просто листал витрину.
Рекомендации популярных продуктов. Алгоритм анализирует взаимодействие всех клиентов с продуктами и может подсказать тот, у которого самый высокий спрос или лучшие оценки. Это полезно, если клиент впервые пришел на сайт и о нем еще ничего неизвестно. Mindbox порекомендует то, что нравится большинству других покупателей. Например, на сайте мебельного магазина рядом с самыми популярными моделями появится виджет «Хиты продаж».
Рекомендации как для клиента с похожими предпочтениями. Алгоритм анализирует сходства в поведении клиентов. Если двум покупателям нравится одна и та же группа продуктов, их предпочтения похожи. Значит, первому можно рекомендовать то, что заинтересовало второго, и наоборот. Например, двум зрителям онлайн-кинотеатра нравятся вестерны и боевики. Один из них еще и фанат авторского кино — второму тоже можно порекомендовать этот жанр. Такой подход помогает выявлять неочевидные предпочтения и составлять более разносторонние рекомендации.
Товарная выдача многих алгоритмов может быть ограничена только товарами определенной категории, брендом, товарами со скидкой и по другим признакам. Может быть добавлена персонализация, учитывающая интерес пользователя к свойствам товаров. Анализируется поведение пользователей — их интерес к определенным параметрам товаров: размер, цвет, вес и т.д.
Существуют версии алгоритмов, которые ограничивают влияние на товарную выдачу очень популярных товаров. Данные версии необходимы для некоторых магазинов, например, с продуктами питания.
На информационном ресурсе при применении информационных технологий предоставления информации осуществляется сбор, систематизация и анализ сведений, относящихся к предпочтениям пользователей сети «Интернет», находящихся на территории Российской Федерации.