E-commerce-персоналізація: як налаштувати рекомендації, які “працюють”

Які товари користувач бачить в розділі “рекомендації” і чому часто дивується запропонованим варіантам: популярні помилки та поради щодо поліпшення е-commerce-персоналізації.

Цей текст доступний російською мовою

У «рекомендованих товарах» інтернет-магазинів часто з’являється те, що користувачеві не потрібно, та й сама рекомендація для конкретного гостя трохи нелогічна. Як же ці товари виявилося в рекомендаціях? Справа в Big Data, яка все вирішила і за покупця, і за маркетолога магазину. Наскільки це шкодить продажам – підрахувати неможливо, для кожного відвідувача рекомендації розраховуються індивідуально. І ніхто не знає, що клієнти бачать в «рекомендованому» насправді. Як правильно налаштувати і як працювати з рекомендаціями – радить Vc.ru

Чи працює рекомендація

Всі вже знають про персоналізацію, і все в курсі, що це добре для продажів і клієнтської лояльності. Але тут є застереження – це стосується тільки тієї персоналізації, яка правильно працює. Це означає: поведінка відвідувачів визначається дуже індивідуальними закономірностями, справедливими тільки для цього ринку. Або навіть для цього сайту.

Подивіться на будь-який дитячий магазин. Є така очевидна характеристика товару, як вік дитини. Це, можна сказати, визначальний фактор, він задає поведінку батька-покупця. Відповідно, персоналізація в магазині повинна працювати так, щоб враховувати цей фактор.

Але з іншого боку, є виробники двигунів товарних рекомендацій. Підключаєш такий до магазину, і отримуєш персоналізацію. Вони, в абсолютній більшості, чути не чули про галузеву специфіку.

Ключове завдання такого бізнесу – побудувати максимально універсальний продукт, щоб більш-менш нормально працював і з дитячими товарами, і з автозапчастинами, і з косметикою.

В результаті з магазином може трапитися щось подібне до того:

Чому в супутні товари потрапили іграшки для дітей 4-5 років – ніхто не знає. Справедливості заради варто відзначити, що якщо проскролити опис товару, то у нижній частині сторінки можна знайти блок «схожі товари». І там уже добірка краще:

Але яка конверсія буде з верхнього блоку рекомендацій – велике питання. Швидше за все, нульова.

Це означає – блок просто займає місце і не створює продажів.

Поки не набереться достатньої кількісті статистики конкретно по цьому відвідувачеві і програма не зможе зібрати всі дані по ньому в єдине досьє. Ось тоді, можливо, блок рекомендацій перетвориться в інструмент продажів.

Якщо хочеш зробити добре

Полярна ситуація – товарні рекомендації вибираються вручну. Десь в глибині офісу, о десятій вечора, сидить сумний контент-менеджер, а над ним нависає маркетолог. Вони займаються персоналізацією вітрини.

У маркетолога є статистика з продажів – які товари найчастіше купують з іншими, які змітають з прилавка за годину, а які лежать місяцями. У контент-менеджера є дві руки, хвора спина і посидючість.

Якщо підтримувати зв’язки між товарами в актуальному стані, потрібно багато ресурсів. Починаєте рости – «робота руками» швидко стає марною.

Не менш важливе питання – як вимірювати ефективність рекомендацій в принципі? Що буде, якщо трохи змінити логіку показів товарів. Що буде, якщо виводити їх не слайдером, а рядками одна під інший. Або показувати не шість, а вісім товарів. Або – зовсім вже фантастика – налаштувати рекомендації так, щоб ось саме для цієї групи товарів в рекомендаціях виводилися он ті, залежані на складі, а для інших б все працювало за звичним сценарієм.

Навіщо робити керовану персоналізацію для інтернет-магазину

Товарні рекомендації – один з головних інструментів, що генерують допродажі. Часто буває так, що рекомендованих товарів магазин продає відсотків на тридцять більше, ніж «основних». Особливо це справедливо для магазинів різного дріб’язку, типу косметики – там за рекомендаціями набирають повний кошик.

Інструмент-то є, а ось реалізація у всіх різна. Деякі CMS пропонують вшиту функцію товарних рекомендацій – які на ділі означають: вручну забий до кожного товару рекомендовані. Це, як я говорив вище, в більшості випадків не варіант. З іншого боку, движки не пускають «всередину» – працюють тільки по їм відомим законам.

Рішенням б стала б програма, який об’єднала б переваги персоналізації, оперувала великими даними і використовувала машинне навчання – і при цьому зберігала старе добре ручне управління. Навіть в безпілотній Tesla воно є.

Тоді маркетологи б змогли задавати правила для програмної логіки (при цьому не смикаючи розробників кожен раз), змогли б запускати тести і порівнювати, які гіпотези вистрілюють.
Кілька важливих можливостей такої моделі.

1. Є багато готових сценаріїв, за якими працюють блоки рекомендації – вони відрізняються за логікою. Наприклад, «схожі товари» показують альтернативи, а «з цим товаром купують» – то, що за статистикою беруть разом з основним товаром. Що спрацює краще, наприклад, на сторінці товару? Без тесту не можна сказати точно – тут дуже багато галузевої специфіки.У сегменті одягу, наприклад, круто працює другий вид рекомендацій з подачею «доповніть образ» (Bestelle).
2. На одній сторінці теоретично можна розмістити хоч всі види блоків рекомендацій. У якому порядку їх виводити, щоб конверсія була максимальна? Без тесту це буде чисте ворожіння.
3. Як ранжувати товари усередині блоку рекомендацій, щоб конверсія виросла? Спочатку пустити хіти, потім інше? Змішати в якійсь пропорції? Може, прибрати з рекомендацій до кросівок Nike всю продукцію брендів Gucci і D&G? Питань знову багато, а відповісти на них ніхто не зможе, поки не проведе бойове тестування.

За допомогою сучасних програм можна створювати власні блоки рекомендацій з будь-логікою. Якщо пам’ятаєте блок-схеми, то складнощів не виникне. Робите ось такі гілки: умови, зв’язку, логіка «якщо-то», в загальному.

На зображенні базовий шаблон: якщо умова виконується, програється сценарій зліва, користувачеві виводиться блок «подивіться також». Якщо не виконується – «популярні товари».

Синій блок з умовами – теж штука досить проста в плані налаштування. Можна вибрати умови, зв’язати їх логікою «і» або «чи» і задати параметри.

Умова на зображенні читається так: «якщо відвідувач – жінка, у якої є дочка від 7 до 10 років».

Коли така умова виконується – запускається сценарій зліва. В інших випадках – справа. Все просто.

Крім того, що можна “пограти” в сценарії, блоки рекомендацій теж можна кастомізувати не виходячи з конструктора. Можна відфільтрувати контент в блоці – показувати тільки товари певних категорій або брендів (або приховати їх), виводити товари тільки в межах заданого інтервалу ціни.

А тепер найголовніше: спліт-тестування. Потрібно натиснути на ось ту кнопку праворуч-зверху і ваша схема сама продублюйте.

Далі дії зрозумілі: міняєте логіку в одній з ланцюжків, наприклад, види блоків рекомендацій або умови показу. А потім дивіться результати, половина відвідувачів пройде за сценарієм A, інша за сценарієм B. Тест буде йти, поки ви його не зупините.

Профіти такі:

• Прогресивна персоналізація і машинне навчання – ПО вміє самостійно аналізувати відвідувачів і підбирати для них відповідні товари буквально через два кліка.
• Ручний тюнінг – можна створити свій блок рекомендацій з унікальною логікою, набором умов і обмежень.
• A/B-тест своїми руками. Можна швидко скопіювати сценарій блоку рекомендацій, швидко запустити тест, вибрати переможця і опублікувати блок з цим сценарієм роботи. Немає потреби зайвий раз турбувати програмістів.
• Одночасно можна перевіряти необмежену кількість гіпотез.

Читайте також –

Топ-6 способів збільшити конверсію, вказавши номер телефону на сайті інтернет-магазину