E-commerce-персонализация: как настроить рекомендации, которые «работают»
Какие товары пользователь видит в разделе «рекомендации» и почему часто удивляется предложенным вариантам: популярные ошибки и советы по улучшению е-commerce-персонализации.
В «рекомендованных товарах» интернет-магазинов часто появляется то, что пользователю не нужно, да и сама рекомендация для конкретного гостя немного нелогична. Как же эти товары оказалось в рекомендациях? Дело в Big Data, которая все решила и за покупателя, и за маркетолога магазина. Насколько это вредит продажам — подсчитать невозможно, для каждого посетителя рекомендации рассчитываются индивидуально. И никто не знает, что клиенты видят в «рекомендованном» на самом деле. Как правильно настроить и как работать с рекомендациями — советует Vc.ru
Работает ли рекомендация
Все уже знают о персонализации, и все в курсе, что это хорошо для продаж и клиентской лояльности. Но тут есть оговорка — это касается только той персонализации, которая правильно работает. Это значит: поведение посетителей определяется очень индивидуальными закономерностями, справедливыми только для этого рынка. Или даже для этого сайта.
Посмотрите на любой детский магазин. Есть такая очевидная характеристика товара, как возраст ребенка. Это, можно сказать, определяющий фактор, он задает поведение родителя-покупателя. Соответственно, персонализация в магазине должна работать так, чтобы учитывать этот фактор.
Но с другой стороны, есть производители движков товарных рекомендаций. Подключаешь такой к магазину, и получаешь персонализацию. Они, в абсолютном большинстве своем, слышать не слышали про отраслевую специфику.
Ключевая задача такого бизнеса — построить максимально универсальный продукт, чтобы более-менее нормально работал и с детскими товарами, и с автозапчастями, и с косметикой.
В результате с магазином может случиться что-то вроде того:
Почему в сопутствующие товары попали игрушки для детей 4-5 лет — никто не знает. Справедливости ради стоит отметить, что если проскроллить описание товара, то в самом низу страницы можно найти блок «похожие товары». И там уже подборка лучше:
Но какая конверсия будет из верхнего блока рекомендаций — большой вопрос. Скорее всего, нулевая.
Это значит — блок просто занимает место и не создает продажи.
По крайней мере, пока не накопится нужное количество статистики конкретно по этому посетителю и программа не сможет собрать все данные по нему в единое досье. Вот тогда, возможно, блок рекомендаций превратится в инструмент продаж.
Если хочешь сделать хорошо
Полярная ситуация — товарные рекомендации выбираются вручную. Где-то в глубине офиса, в десять вечера, сидит грустный контент-менеджер, а над ним нависает маркетолог. Они занимаются персонализацией витрины.
У маркетолога есть статистика по продажам — какие товары чаще покупают с другими, какие сметают с прилавка за часы, а какие лежат месяцами. У контент-менеджера есть две руки, больная спина и усидчивость.
Если поддерживат связи между товарами в актуальном состоянии, требуется много ресурсов. Начинаете расти — «работа руками» быстро становится бесполезной.
Не менее важный вопрос — как измерять эффективность рекомендаций в принципе? Что будет, если немного поменять логику показов товаров. Что будет, если выводить их не слайдером, а строчками одна под другой. Или показывать не шесть, а восемь товаров. Или — совсем уже фантастика — настроить рекомендации так, чтобы вот именно для этой группы товаров в рекомендациях выводились вон те, залежалые на складе, а для остальных бы все работало по обычному сценарию.
Зачем делать управляемую персонализацию для интернет-магазина
Товарные рекомендации — один из главных инструментов, генерирующих допродажи. Часто бывает так, что рекомендованных товаров магазин продает процентов на тридцать больше, чем «основных». Особенно это справедливо для магазинов разной мелочевки, типа косметики — там по рекомендациям набирают полную корзину.
Инструмент-то есть, а вот реализация у всех разная. Некоторые CMS предлагают вшитую функцию товарных рекомендаций — которые на деле означают: вручную забей к каждому товару рекомендованные. Это, как я говорил выше, в большинстве случаев не вариант. С другой стороны, движки не пускают «внутрь» — работают только по им известным законам.
Решением бы стала бы программа, который объединила бы преимущества персонализации, оперировала большими данными и использовала машинное обучение — и при этом сохранял старое доброе ручное управление. Даже в беспилотной Tesla оно есть.
Тогда маркетологи бы смогли задавать правила для программной логики (при этом не дергая разработчиков каждый раз), смогли бы запускать тесты и сравнивать, какие гипотезы выстреливают.
Несколько важных возможностей такой модели.
- Есть много готовых сценариев, по которым работают блоки рекомендации — они отличаются по логике. Например, «похожие товары» показывают альтернативы, а «с этим товаром покупают» — то, что по статистике берут вместе с основным товаром. Что сработает лучше, например, на странице товара? Без теста нельзя сказать точно — тут очень много отраслевой специфики. В сегменте одежды, например, круто работает второй вид рекомендаций с подачей «дополните образ» (Bestelle).
- На одной странице теоретически можно разместить хоть все виды блоков рекомендаций. В каком порядке их выводить, чтобы конверсия была максимальная? Без теста это будет чистое гадание. .
- Как ранжировать товары внутри блока рекомендаций, чтобы конверсия выросла? Сначала пустить хиты, потом остальное? Смешать в какой-то пропорции? Может, убрать из рекомендаций к кроссовкам Nike всю продукцию брендов Gucci и D&G? Вопросов опять много, а ответить на них никто не сможет, пока не проведет боевое тестирование.
С помощью современных программ можно создавать собственные блоки рекомендаций с любой логикой. Если помните блок-схемы, то сложностей не возникнет. Делаете вот такие ветки: условия, связи, логика «если-то», в общем.
На картинке базовый шаблон: если условие выполняется, проигрывается сценарий слева, пользователю выводится блок «посмотрите также». Если не выполняется — «популярные товары».
Синий блок с условиями — тоже штука довольно простая в плане настройки. Можно выбрать условия, связать их логикой «и» либо «или» и задать параметры.
Условие на картинке читается так: «если посетитель — женщина, у которой есть дочь от 7 до 10 лет».
Когда такое условие выполняется — запускается сценарий слева. В остальных случаях — справа. Все просто.
Кроме того, что можно поиграть с таргетингом, блоки рекомендаций тоже можно кастомизировать не выходя из конструктора. Можно отфильтровать контент в блоке — показывать только товары определенных категорий или брендов (или скрыть их), выводить товары только в пределах заданного интервала цены.
А теперь самое главное: сплит-тестирование. Нужно нажать на вот ту кнопку справа-сверху и ваша схема сама продублируется.
Дальше действия понятные: меняете логику в одной из цепочек, например, виды блоков рекомендаций или условия показа. А потом смотрите результаты, половина посетителей пройдет по сценарию A, другая по сценарию B. Тест будет идти, пока вы его не остановите.
Профиты такие:
- Прогрессивная персонализация и машинное обучение — ПО умеет самостоятельно анализировать посетителей и подбирать для них подходящие товары буквально через два клика.
- Ручной тюнинг — можно создать свой блок рекомендаций с уникальной логикой, набором условий и ограничений.
- A/B-тест своими руками. Можно быстро скопировать сценарий блока рекомендаций, быстро запустить тест, выбрать победителя и опубликовать блок с этим сценарием работы. Нет надобности лишний раз беспокоить программистов.
- Одновременно можно проверять неограниченное количество гипотез.
Читайте также —
Топ-6 способов увеличить конверсию с помощью номера телефона на сайте интернет-магазина