W sumie nie wiem, gdzie dać takie pytanie, bo jest z pogranicza programowani, marketingu i ogólnie temat bardzo luźny.
Być może ktoś z Was miał okazję pracować nad projektem rekomendacji w sklepach internetowych - czyli chodzi o tworzenie ramek rekomendacyjnych, sugerujących klientowi najciekawsze produkty.
Zastanawiam się nad algorytmem doboru produktów, które należy klientowi wyświetlić. Załóżmy sprawę najprostszą, czyli rekomendacje statyczne - dla każdego klienta takie same, czyli nie biorące pod uwagę np. historii zakupów danego użytkownika, czy przeglądanych przez niego produktów na stronie. Po prostu klient odwiedza kategorię X i wyświetlamy mu rekomendacje z tej strony.

Temat wydawałoby się trywialny, ale... no właśnie nie do końca jest taki trywialny. Jeśli podejdziemy do tematu jednostronnie - np. największa sprzedaż ilościowa da nam w rekomendacjach zazwyczaj produkt, które klienci kupują najczęściej, ale są to produkty tanie. Jeśli weźmiemy sprzedaż największą to będzie duży udział produktów, który zazwyczaj nikt nie kupuje ale miały jakiś "strzał". Przykładowo w kategorii mamy produkty po 30 i po 1000zł to wystarczy jeden zakup tego drogiego produktu, aby produkty tanie praktycznie nie miały szans wyświetlania, a rekomendowanie tylko takich produktów to słaby pomysł.
Dochodzi jeszcze aspekt czasu z jakiego analizujemy sprzedaż. Można analizować prawdopodobieństwo zakupu itd itp.

W skrócie ogólnie pytanie brzmi - czy mieliście okazje pracować nad podobnym projektem i jeśli tak, jakie elementy brał pod uwagę algorytm. A może w ogóle trzeba do tematu podejść od innej strony i dodać wymiar typu CTR elementów wyświetlanych, czyli np. do każdej ramki dodawać produkty "średnio popularne" i badać ich CTR w rekomendacjach, ucząc w czasie stronę doboru odpowiednich produktów?

Będę bardzo zobowiązany za wymianę doświadczeń, bo materiałów jak na lekarstwo.

Jako, że temat zaczynam to i opiszę swoje pierwsze próby. Na chwilę obecną posiadam dane historyczne jedynie ze sprzedaży + informacje z samego katalogu sklepu (cena, marka etc). Głównie zależy mi na optymalizacji rekomendacji w obrębie kategorii bo zazwyczaj generują one jakieś 70-80% sprzedaży z takiego systemu, kolejne ~20% to strona główna, czyli w sumie podobny algorytm jak strona kategorii.
Wyszedłem z punktu widzenia sprzedaży ilościowej. Pierwszy problem jaki napotkałem to zazwyczaj takie kategorie dominowane są przez jedną markę, która jest najpopularniejsza w segmencie, ale nadal stanowi tylko pewien procent sprzedaży. Zmodyfikowałem więc system aby ograniczał ilość rekomendacji do X produktów z danej marki. Kolejna rzecz to branie pod uwagę 2 kryteriów - bestsellery i promocje. Czyli system wyświetla X aktualnych promocji (również biorąc pod uwagę popularność produktów) + Y bestsellerów w danej kategorii, które nie są w promocji.
W wielu kategoriach daje to już bardzo sensowne rekomendacje - z jednej strony rekomendujemy produkty popularne, z drugiej promocje.

Problem jaki się pojawił to kategorie niejednorodne, w których produkty są z szerokiego przedziału cenowego - niestety skupienie się na sprzedaży ilościowej lub wartościowej powoduje rekomendacje tyko części asortymentu (o czym już wyżej pisałem). Trudno natomiast wyłowić asortyment "środka" czyli o średniej cenie i "przyzwoitej" sprzedaży. Tutaj pracuję nad jakimś "mnożnikiem" wg którego będę układał ranking produktów.

Coś byście dodali do takiego systemu? Coś mi umyka?

Nie wiem, czy forum PHP to dobry pomysł, gdyż to zagadnienie bardziej statystyczne tzw. Data Mining. W bardziej zaawansowanych firmach pracują nad tym samouczące się sieci neuronowe i jest to bardzo cenna wiedza na temat sprzedaży, stąd nie będzie gotowych rozwiązań publicznie. Mogę jedynie powiedzieć, że powinieneś skonstruować kilka mechnizmów:

1. Opieraj się na cookies i innych danych pochodzących od konkretnego klienta: co szukał, gdzie klikał i w ten sposób zbudujesz sobie drzewo powiązań między produktami.
2. Dodatkowo zobacz jakie produkty dodawał razem do koszyka.
3. Na bazie wielu klientów poprzez analizy możesz dojść do tego, jakie dobra są suplementarne, a jakie komplementarne wobec innych.
4. Zbuduj system wag, które będziesz przydzielał odpowiednim rekomendacjom, następnie zrób zautomatyzowane testy A/B, by system zmieniał wagi wedle reakcji klientów.
5. W punkcie 4 możesz oprzeć się o grupy produktów (tagi, kategorie), a następnie z tych wybranych, wybierać najlepiej sprzedające się.

Ogólny przykład, jak to wygląda na Amazonie: http://rejoiner.com/resources/amazon-recom...selling-online/
Tutaj abstrakt: http://acrwebsite.org/volumes/11894/volumes/ap06/AP-06 - już na podstawie tytułu możesz zacząć szukać tych terminów

6. Używaj strategii mieszanej do prezentowania produktów. Np. masz 8 boxów, to w 5 prezentuj produkty z najwyższymi wagami ogólnymi, w 2 produkty najlepiej spasowane na podstawie historii tego klienta, i 1 losowy zupełnie albo z danej kategorii. To Ci pozwoli uniknąć dojść do sytuacji pewnego ekstremum lokalnego (np. zapchania danemu użytkowników wszystkich slotów czymś podobnym). Często użytkownicy szukają np. nowości, a nie tylko to, co zawsze do tej pory brali albo biorą wszyscy.

Punkt 6 dotyczy to także Twojej wersji "statycznej". Zrób kilka miejsc, gdzie będziesz prezentował różne warianty rekomendacji, czyli część najlepiej sprzedających się, część ze środka, część ostatnio sprzedających.

Warto wziąć też pod uwagę modę / sezonowość oraz tempo wzrostu. Jeśli widzisz, że coś się nagle zaczyna sprzedawać szybko, promuj to, dzięki czemu osiągniesz efekt dźwigni. Nie możesz pozwolić na sytuację, gdy np. promujesz TOP 10 sprzedaży, bo jakieś produkty się sprzedawały ilościowo dobrze przez ostatnie X lat, a pominiesz produkt, który w ostatnim miesiącu jest rewelacją, ale sumarycznie jest daleko za TOP 10.

Dorzucam kilka PDFów z mojej kolekcji, które warto przestudiować:
http://citeseerx.ist.psu.edu/viewdoc/downl...p1&type=pdf
https://pdfs.semanticscholar.org/7d12/f20cf...826d0af29f8.pdf

Nie wiem jakimi produktami obracasz ale jak ja pracowałem przy sklepie internetowym to robiliśmy dla Armatury i AGD powiązania według producenta, koloru, ceny (jeśli ktoś kupił b. drogą lodówkę to oferowaliśmy mu również drogie płyty indukcyjne). W tej branży ludzie nie lubią mieszać producentów najczęściej jak ktoś kupił lodówkę Eletrolux to od razu na stronie proponowano mu inne produkty od tego producenta (według w/w warunków). To samo z armaturą - większość chciała mieć produkty od jednego producenta tak aby biel była taka sama i wszystko pasowało do siebie

Może komuś się przyda

Nie ma chyba uniwersalnego sposobu na rekomendacje.

W jednej branży będzie to np. jak ktos kupi tonik do twarzy to można mu dać krem na podstawie producenta, linii produktów.
Trzeba badać zachowania użytkowników wchodzących na stronę czyli jakie kategorie oglądają, jakie produkty. Dopiero na podstawie tak zebranych dancyh można przedstawiać komuś jakies propozycje.

Tak jak pisałem na razie, "na szybko" robię wersję statyczną, która nie będzie brała pod uwagę preferencji użytkownika, natomiast moja branża aż się prosi o personalizacje, bo jest wielu użytkowników powracających = z czasem będę miał sporo danych.
Plany są spore - chcę zbudować cały machanizm śledzący użytkowników na różnych urządzeniach (jeśli użytkownik na którymś etapie się zaloguje to można nawet przecież powiązać sesje z różnych urządzeń). Takie dane później można spiąć także z systemami typu newsletter. Niemniej na razie potrzebuję czegoś na szybko aby zastąpić obecny system rekomendacji, który na siebie po prostu nie zarabia z różnych względów.

Bardzo podoba mi się porada aby różnie wykorzystać placeholdery w ramkach rekomendacyjnych. Obecnie planuje 8-10 produktów (karuzela) i próbowałem wszystko załatwić dwoma typami produktów - najlepsze promocje w dziale i najciekawsze bestsellery. Faktycznie muszę chyba bardziej to rozbudować i np. wybrać 2 promocje z produktów premium, 2 standardowe tańsze, 2 nowości, itd.

Co do personalizacji to rozważałem 2 podejścia:
- coś w stylu machine learning - ale na dzisiaj to dla mnie czarna magia, nawet nie wiem z czym to się je i czy byłbym w stanie coś sensownego stworzyć. Trzeba też pamiętać, że taki system wymaga bardzo dużego ruchu - sklep dla którego to robię realizuje kilkadziesiąt tysięcy zamówień w skali roku, czyli z jednej strony sporo, ale z drugiej pytanie czy to już jest próba pozwalająca na machine learning.

- oparcie się o parametry produktów (czyli coś takiego jak pisze aras75). Znam branżę, wiem jak ludzie kupują. Jak w każdej branży jest kilka cech, które definiują preferencje klientów - w skali katalogu marka, półka cenowa, w skali kategorii dochodzą dodatkowe cechy - np. kolor, skład produktu itp. Myślę, że w skali sklepu średniej wielkości (a nie Amazona sprzedającego miliony produktów) takie podejście zadziała na zasadzie reguły 20-80. Czyli da mi 80% efektu systemu typu "customer inteligence".

Trochę w tym systemie na dzisiaj przeraża mnie ilość wyborów jakie trzeba podjąć oraz zaawansowanie systemu rankowania produktów. Niestety im bardziej "ręczny" staje się system tym bardziej polega na intuicji, bo testy A/B aby były wiarygodnie statystycznie muszą trwać w "normalnych" sklepach bardzo długo - znów to nie amazon, gdzie po tygodniu osiąga się poziom ufności > 95% nawet jak test nie jest jakiś ewidentnie polaryzujący, tylko wyniki różnią się o 1-5%.

Niemniej to już temat na kolejne miesiące. Grunt aby wypracować jakiś prosty i logiczny system rankingowy dla produktów, który odzwierciedli preferencje klientów lepiej niż system bazujący tylko na całościowych danych sklepu bez personalizacji.

Miałem do czynienia z wdrożeniem rekomendacji. Nie wiem czy nie zostanie to potraktowane jako reklama, ale był to Quartic.

Co do zasad działania algorytmów, to niestety, ale firmy tworzące takie rozwiązania strzegą swoich mechanizmów i wcale się nie dziwię. Generalnie mogę powiedzieć jeszcze, że pod uwagę brane były takie dane, które musieliśmy dostarczyć tej firmie:

- feed produktów zawierający oprócz podstawowych danych produktów takich jak: nazwa, cena, kategorie, opis również takie dane: obrazki (zdjęcia produktów), ilość zamówień na produkt
- wiem, że algorytm analizuje również zdjęcia produktów, gdyż jednym z kryteriów produktów podobnych jest np. dominująca kolorystyka zdjęcia produktu
- do tego dochodzą miesięczne dane sprzedażowe oraz dane dot. konwersji

Jakoś to po tamtej stronie jest zlepiane w całość, oczywiście wiele też zależy od branży, której wdrożenie dotyczy. Rekomendacje inaczej będą działać jeśli np. sprzedajesz reprodukcje obrazów, a inaczej jeśli Twoja branża do części zamienne do urządzeń AGD.
Wiem, że też jednym z kryteriów, dość ważnym była przynależność produktów do (pod)kategorii i np. dopasowanie: produkt podobny, z tej samej kategorii lub podkategorii ze zdjęciem o dominującej kolorystyce, jak produkt główny. Do tego dochodzą kryteria z analizy sprzedaży czyli np. to co wymieniłem wcześniej plus np. produkty najczęściej kupowane w tej danej kategorii lub produkty z innej kategorii, ale takie, które również były najczęściej kupowane (i oglądane) z tym produktem bieżącym.

Co do wdrożenia, to skrypty komunikujące się z nimi były triggerowane na stronach:
- produktu (product view)
- kategorii
- koszyka
- finalna strona success page

Myślę, że taki algorytm jest dość skomplikowany i bierze pod uwagę wiele aspektów: zarówno dane dot. wyświetleń pojedynczych produktów przez jednego visitora + produkty najczęściej kupowane wraz z tym, który visitor ogląda w danej chwili + powiązane (podobne kategorie - np. najlepiej sprzedający się produkt z innej, jednak podobnej kategorii) + cross-sell / up-sell który sam ustawisz sobie + analizuje podobne kolorystycznie zdjęcia produktów + analizuje poprzednie zamówienia + wyniki analizy podobnych nazw/tytułów produktów. Nie wiem czy nie lepiej będzie dla Ciebie zlecić taką gotową kampanię rekomendacji, generalnie dobrze to działało, jedyny minus to, że koszty wdrożenia to % od Twojej sprzedaży, w przypadku większych sklepów można z nimi negocjować, ale ogólnie fajnie to działa.

Darko właśnie w tej chwili szukam zamiennika dla Quartica ;-) Zgadzam się, ze fajnie to działa, ale ma też pewne swoje minusy/ograniczenia - ogólnie mam problem z dostosowaniem do własnych wymagań (platforma dość mocno przerobiona) + cen trochę zwala z nóg w przypadku branż działających na niskiej marży.

Złego słowa nie powiem o Quarticu, ale mam wrażenie że dzięki wykorzystaniu kilku prostych trików "moje" rekomendacja w tym przypadku mogą się sprawdzić lepiej niż ich, a nawet jeśli będą nieznacznie gorsze to biorąc pod uwagę prowizję i tak ekonomicznie wyjdę na tym na +.

Niestety stworzenie algorytmu podobnego do Quartica jest poza zasięgiem - raczej będę próbował robić coś bardziej opartego o cechy produktów (mam dość mocno produkty sparametryzowane w backendzie).

o temat też dla mnie, python nieźle gada, myślę że nie jest to algorytm mocno skomplikowany.

Poprostu musimy się nastawić na profilowanie klienta/klientów i zbierać statystyki a potem je sklejać w całość. :-)

@athabus, kolor, skład produktu to wszystko są specyfikacje więc dane są podane na tacy



ps. ogólnie męczą mnie sklepy które proponują a może kup to i jeszcze to na każdym kroku
drobna personalizacja wskazana ale bez przesady :-)


myślę że też analiza SWOT może mieć mocne zastosowanie

Ale czasami są takie branże, że z góry można założyć czy klient przyjdzie po 1 rzecz i czy może zainteresować się innymi rzeczami ze sklepu (np. zabawki vs agd). Robiliśmy jeszcze tak, że jak ktoś wchodził na Lodówkę Elektrolux to w rekomendacjach dostawał zestaw: płyta + indukcja + okap (różnie) ale na lepszym warunkach niż gdyby chciał kupić wszytko osobno.

Niech autor poda branże to na 100% padną ciekawe pomysły

ps. zostałem ojcem

Gratulacje!

A to trzeba obliczyc ilosc produktow i przykladowo 5 wyswietlic na lepszych warunkach

Tak to jest, jak się pisze na forum bez zabezpieczeń. A wystarczyło,by ktoś wykupił SSLa

wystarczył by free ssl ale ktoś musi to ogarniać a tu nie ma nikogo takiego

W takim przypadku pasowałoby wyświetlić pieluchy w dobrej cenie :-)

Gratulacje. I pamiętaj sen jest dla słabych ;-)


W tym przypadku chodzi o branżę zoologiczną, ale nie chcę się ograniczać do jednej branży, bo system docelowo ma być wykorzystany w kilku sklepach.




Myślę, że jak we wszystkim algorytm może być bardzo skomplikowany, ale można też go uprościć. W przypadku rekomendacji ja widzę dwie drogi. Rozbudowany algorytm "automagiczny", który uczy się na zasadzie SI co w danym sklepie działa.Tu jednak są pewne problemy:
1. Algorytm tego typu jest trudny do napisania
2. Wymagana jest duża próba, a nie czarujmy się po pierwsze wiele sklepów nie ma takiej skali, a do tego dochodzi sprawa zmienności asortymentu (wiele sklepów zmienia dość często asortyment - np. odzieżówka) co jeszcze problem skali powiększa

Dlatego właśnie myślę, że łatwiej temat ogarnąć bazując na cechach produktu + wiedzy sprzedawcy. Przykładowo u mnie wiem, że jak ktoś kupuje karmę o pewnych parametrach, to raczej mało prawdopodobne, że kupi karmę gorszą, natomiast jest szans, że kupi lepszą, a na pewno może być zainteresowany podobnymi produktami w promocji. Taki system jest łatwiejszy do napisania, a myślę że da przynajmniej 80% efektu systemu machine lerning. Dodatkowo w skyrptach typu quartic jest problem, że ignorują one informacje o promocji - jeśli sklep mocno bazuje na sprzedaży produktów w promocji, to niestety zanim system "nauczy się", że ten produkt dobrze się sprzedaje, to promocja może się skończyć. Taka jest przynajmniej moja obserwacja. Problem nie istnieje gdy sklep realizuje zamówienia liczone w tysiącach dziennie, ale jak realizuje ich ~100 to już trochę czasu minie zanim algorytm się dostroi.

Musisz sie zastanowic czy system bedzie pseudologicznie wyciagal wnioski ze sprzedazy (wejscie/wyjscie) i cos wyswietlal

Czy trzeba bedzie chodzic kolo tego i uzupelniac jakies dane (moze stac sie uciazliwe)

Na pewno system w części produktów będzie korzystał ze informacji historycznych o sprzedaży. Tak jak radził kolega będą w ramce miejsca na różne bestsellery etc.Zastanawiam się też na dodaniem do algorytmu informacji o CTR, ale kurcze to będzie już wyższa szkoła jazdy bo w sumie trzeba by się zastanowić czy CTR badać globalnie, czy dla danej grupy. Jeśli dla danej grupy to jaka będzie ufność do takich danych przy niezbyt dużej próbie. Załóżmy że dany produkt wyświetli się w sumie ~1-2 tys razy w miesiącu, wtedy trudno mówić o jakiejś wiarygodności statystycznej, bo każdy klik zmienia diametralnie jego CTR.

Jeśli na potrzeby własne implementujesz, to zaleta jest taka, że można do woli eksperymentować. Wszystko zależy od tego, jak słuszne (i czy) przyjmiesz założenia, co weźmiesz pod uwagę oraz - przede wszystkim - jaki chcesz uzyskać rezultat? Rekomendacje to nie wszystko, co można klientom zaoferować. Częściowy efekt wzrostu sprzedaży można osiągnąć stosując np. sprzedaż krzyżową, up-selling (gorsza karma - lepsza karma dla kota). Z kolei zaimplementowanie zestawów produktów również może przynieść wymierne korzyści, ludzie są przyzwyczajeni, że w pakiecie/zestawie jest taniej. Kilka prac wcześniej spotkałem się z ciekawą socjotechniką sprzedaży, mianowicie: never-ending promocja. Wystawiasz na stronie wszędzie widoczny timer, który odlicza, np. do końca promocji zostało jeszcze tyle i tyle godzin:minut:sekund i to sobie tak tyka. Niby każdy wie, że to lipa, ale finalnie mechanizm dość znacznie wpłynął na sprzedaż, wiem, ponieważ salesi porównywali wyniki sprzed wdrożenia z wynikami z kilku miesięcy po i wzrost był odczuwalny. Pomyśl też np. o tym, że jak klient zapisze się do Twojego newslettera, to z automatu dostanie jednorazowy kupon rabatowy do wykorzystania z datą ważności np. 30 dni. Podobny kupon można wdrożyć też po dokonaniu dowolnego zakupu. Klient czuje się wtedy doceniony, a lojalny klient - nagrodzony za zakup. Pieczesz dwie pieczenie na jednym: budujesz bazę potencjalnych lojalnych klientów, a jak robisz wyprzedaż, to szybka akcja marketingowo-mailowa i masz zwiększony ruch w sklepie. Siłą rzeczy prędzej czy później przekłada się to na wyniki sprzedaży czy tego chcesz czy nie.

Darko moduł do promocji czasowych jest wysoko na mojej liście wdrożeń ;-). Dokładnie tak jak piszesz to jest cholernie skuteczne rozwiązanie. W moje branży pozyskanie klienta z reklamy to jakieś 20-30zł, więc jest koncepcja aby nowych klientów wchodzących z określonych źródeł (np. ruch organiczny) skłaniać do pierwszego zakupu kuponem rabatowym + promocją ograniczoną czasowo. Kupony zresztą testujemy na różne sposoby. Sama stała promocja czasowo to akurat u mnie słabe rozwiązanie bo klienci często wracają - mamy już klientów, którzy u nas złożyli ponad 100 zamówień, bo są z nami od lat. Ale widziałem kiedyś fajne rozwiązanie typu "złóż zamówienie w ciągu godziny, a dostaniesz x gratis". I nad czymś takim myślę jako kolejna alternatywa dla stałem promocji czasowej.

Mailing rzecz jasna już działa - mamy dość dużą bazę klientów, którzy wyrazili zgodę i oczywiście ich rozpieszczamy ;-)

Ogólnie pomysłów jest sporo - mój sklep to dość stara marka na rynku i jeden z liderów - nie jesteśmy najwięksi, ale z rozmów z handlowcami powiedzmy takie top 5. Wiele mechanizmów już mamy, na wiele mamy pomysły.

Teraz właśnie na warsztacie są rekomendacje - w dalszej perspektywie z danych zbieranych na potrzeby rekomendacji chcemy korzystać w mailingu właśnie - czyli automatyczna segmentacja bazy mailowej po zainteresowaniach/historii zakupów/historii ostatnich przeglądnieć + odzyskiwanie koszyków / wzmacnianie chęci zakupowej.

Ogólnie tak jak piszesz wizja jest taka aby podnieść satysfakcję klienta i budować długotrwała lojalność, bo w naszej branży, gdzie klient co miesiąc-dwa musi ponowić zamówienie, lojalność to kluczowa sprawa.

Przypomniałeś mi jeszcze o istotnym mechanizmie odzyskiwania porzuconych koszyków: mega spoko rozwiązanie, znam prawdziwy przypadek na rynku holenderskim po wdrożeniu tego sprzedaż wzrosła prawie o 20% Nie chciało mi się wierzyć że takie wdrożenie aż tak podbije sprzedaż, bo ludzie są leniwi, zapominalscy itd. Powodzenia!

Ps. Pomyśl też nad wdrożeniem bloga zintegrowanego że sklepem, system ocen produktów (gwiazdki i moderowane komentarze), jakiś system ticketowy typu zendesk. To naprawdę działa tylko trzeba na start trochę wydać i poczekać na efekty.

Bloga mamy, tickety obslugujemy freshdeskiem ;-)

Tak odzyskiwanie koszyków to jest coś co potrafi zdziałać cuda. Tego jeszcze niestety nie mamy, ale już niedługo będzie. Tak samo np. problem dotyczy płatności - ludzie składają zamówienie i zapominają go opłacić, a potem dzwonią z zapytaniem "gdzie moje zamówienie"... Temat rzeka.

W jednym z projektów rozwiązaliśmy takie nieopłacone zamówienia właśnie mechanizmem porzuconych koszyków. Po mniej więcej dobie od wychwycenia takiego nieopłaconego zamówienia wysyłamy mail do klienta z linkiem do wypełnionego przez niego koszyka. Właściwie to taki klient nic więcej nie musi robić, wystarczy kliknąć link i ponownie wybrać metodę płatności i opłacić zamówienie. Mega ułatwienie dla ludzi, nie trzeba nic ponownie wypełniać. Mocno polecam takie rozwiązanie. Pamiętam że początkowo były wątpliwości natury prawnej, jednak finalnie wystarczyło dodać dwie rzeczy: 1. to że wysyłasz maila bo klient podając swoje dane osobowe w checkoucie wyraził zamiar zakupu produktów oraz 2. że niniejszy mail nie stanowi oferty handlowej.

O to poszliście o krok dalej - temat faktycznie śliski. Z tego co kiedyś badałem, to jednak nie mamy prawa wysłać takiego maila do klienta, który wcześniej zgody nie wyraził. W obecnym stanie prawnym klient musi wyrazić zgodę jawnie - nie ma już czegoś takiego jak zgoda domniemana. Kiedyś tak było, że można było np. zapisać klienta na newsletter, jeśli był taki zapis w regulaminie - teraz już musi wyrazić zgodę na to bezpośrednio.

Temat był analizowany dość długo przez dział prawny w kontekście prawa europejskiego, bo sklep wielojęzyczny, rynki europejskie, jeśli zamówienie wisi na etapie bramki płatności to zgody masz już zaakceptowane, a regulamin odpowiednio napisany. Sama treść maila nie jest żadną stroną produktu jest to link do koszyka który klient sam wyklikał składając zamówienie i jest to traktowane jako forma przypomnienia. Obowiązek podania istniejącego adresu email i obowiązku rejestracji w serwisie stoi w zaakceptowanym regulaminie. W przypadku zamówień które nie dotarły jeszcze do zewnętrznego serwisu płatności ale klient podał swój email przerobiliśmy checkout tak, aby chexkbox zgody pojawił się możliwie jak najwcześniej i nie ma w tym nic niedozwolonego. Zgoda na newsletter to inna para kaloszy.

Jeśli już klient kliknął zgody to faktycznie inna sprawa, bo wtedy już można traktować jako mail transakcyjny, bo w sumie transakcja została zawarta tylko nie jest opłacona.

To ładnie się nazywało: przypomnienie o płatności. 😂 Generalnie największą lipę mieliśmy jak algorytm sklasyfikował zamówienie jako nieopłacone a ono wisiało na statusie czeka na status płatności tylko jeszcze nie spłynął request zwrotny. To taki stan pośredni zanim bramka zwróci Ci faktyczny status. Rozwiązane to zostało poprzez umieszczenie na końcu informacji że jeśli płatność została już dokonana to prosimy zignorować niniejszą wiadomość, ale i tak zdarzali się zbulwersowani klienci, którzy wydzwaniali z pretensjami na infolinię ale to temat na osobny wątek 😉 Podsumowując: każde rozwiązanie ma swoje wady o zalety.