Когда и как внедрить систему рекомендаций по продуктам

10 июня 2023 г.

Товарные рекомендации становились все более популярными после того, как Amazon представила их в розничной торговле в 2008 году, и они могут быть очень полезны как для розничных продавцов, так и для их покупателей. Ажиотаж привел к появлению множества подчас опасных мифов, связанных с товарными рекомендациями (в основном созданных отделами продаж и маркетинга вендора). т.е. вы по-прежнему можете видеть, что решение для рекомендаций по продуктам представлено как полностью автономная волшебная пуля, которая увеличит вашу прибыль сразу после установки на веб-сайт.

На самом деле все намного сложнее. Рекомендации продукта могут сделать и то, и другое — повысить ваши продажи и разрушить конверсию. И сложно измерить добавленную стоимость, потому что большинство бесплатных аналитических инструментов могут ввести вас в заблуждение, что приведет к увеличению убытков.

В этой статье я попытаюсь осветить наиболее важные темы, которые необходимо учитывать розничному продавцу при работе с рекомендациями по продуктам, и дам несколько конкретных советов и рекомендаций. советы о том, как получить максимальную отдачу от вашего продукта.

Начните с рабочих процессов и кампаний, а не с инструментов

Товарные рекомендации – это подборка товаров, предлагаемых покупателям для покупки. Товарные рекомендации могут различаться в зависимости от того, где отображается товарное предложение, например, планшет менеджера по продажам или карточка товара, и целей бизнеса, например, увеличение средней стоимости заказа или увеличение конверсии или выручки.

Прежде чем внедрять товарные рекомендации, важно понять, в каких рабочих процессах они будут полезны клиенту. В классическом бизнесе электронной коммерции рекомендации выглядят как карточки продуктов, отображаемые в различных частях веб-сайта. Например, выбор футболки на веб-сайте бренда приведет к тому, что покупателю будут рекомендованы и показаны другие подобные футболки.

Офлайн-рекомендации можно показывать на кассе сотруднику магазина, менеджеру по продажам на планшете. Рекомендации по продуктам также могут быть полезны колл-центру. Когда клиент звонит, оператор может предложить продукты на основе истории покупок и просмотров клиента.

В то же время предложения продуктов всегда можно настроить так, чтобы они лучше соответствовали конкретным бизнес-целям или потребностям сегмента аудитории. Например, в рекомендациях могут отображаться только товары со скидкой (чтобы увеличить UPT, единицу за транзакцию), только товары, произведенные определенной маркой (например, той, которая приносит наибольшую прибыль), или только товары, которые у вас много в наличии. n Вот несколько примеров того, как могут выглядеть онлайн- и офлайн-рекомендации:

Онлайн-каналы

• На главной странице — популярные товары;
• В каталоге — популярные товары из категории;
• В карточке товара — сопутствующие или похожие товары;
• В корзине — сопутствующие товары или те, которые покупатели чаще всего покупают.

Офлайн-каналы

• В колл-центре — сопутствующие или часто покупаемые товары;
• На планшете менеджера по продажам — бестселлеры и коллекции товаров;
• В кассе — сопутствующие или рекламные предложения.

Что важно во всех этих случаях использования, так это то, что ваши рекомендации в идеале должны быть согласованными для разных точек соприкосновения и каналов связи. Только представьте, какой опыт могут получить ваши клиенты, получая разные (или даже противоречащие друг другу) наборы рекомендуемых продуктов последовательно в вашем рекламном письме, каталоге электронной коммерции и во время разговора с представителем колл-центра во время подтверждения заказа. Если это так, вы можете рассмотреть решение, позволяющее централизованно организовать логику рекомендаций по продуктам в точках взаимодействия, например платформу данных о клиентах (CDP) или аналогичную.

Та же логика применима и к вариантам алгоритмов рекомендации товаров на разных этапах пути клиента — т. е. может не иметь особого смысла продвигать более дешевые альтернативы в корзине товара или при оформлении заказа (более подробно мы рассмотрим это ниже).

n Как оценить эффективность товарных рекомендаций

Различные сочетания состояния и состава товарных рекомендаций по-разному влияют на показатели. Это верно независимо от того, смотрите ли вы на бизнес-показатели, такие как средняя стоимость заказа или доход, или прокси-метрики (или промежуточные), такие как глубина страницы, рейтинг кликов и количество раз, когда продукты были добавлены в избранное или в корзину покупателя.

Популярные товары со скидкой на главной странице могут снизить среднюю стоимость заказа, но повысить конверсию. Рекомендация похожих, более дорогих товаров в карточке товара может снизить конверсию, но увеличить среднюю стоимость заказа и общую прибыль.

Информация по прокси-метрикам (таким как просмотры) собирается быстрее, однако это не всегда говорит об успехе бизнеса. Например, одна розничная аптека в рамках эксперимента, который мы запустили на их веб-сайте, добавила рекомендации по продуктам на страницу корзины, чтобы увеличить количество продуктов в каждой покупке. За два дня тестирования компания потеряла 30 000 долларов по сравнению с контрольной группой. Выяснилось, что покупатели начали бросать корзину, чтобы переходить на страницы карточек товаров из рекомендаций, и забывали оформлять заказы. Мы увидели увеличение глубины страницы, но в итоге общий доход снизился.

Рекомендации по продуктам больше всего влияют на следующие показатели:

Бизнес-показатели

• Доход
• Прибыль
• Конверсия в заказ
• Средняя стоимость заказа
• Количество товаров в заказе

Прокси-показатели

• Посетить глубину
• Продолжительность сеанса
• Показатель отказов
• Просмотры карточек товаров
• Товар добавлен в корзину, список желаний или список сравнения

Чтобы упростить задачу по составлению списка рекомендательных кампаний, я бы предложил клонировать эту доску Miro< /strong> и решения для мозгового штурма, которые будут полезны для вашего бизнеса. Я добавил туда несколько вариантов в качестве примера.

Как персонализировать рекомендации по продуктам

После определения списка рекомендаций по продуктам и установки целевых показателей необходимо подумать о том, как оптимизировать качество рекомендаций по продуктам. Рекомендации по продуктам должны помочь предложить покупателям наиболее полезные товары. Для этого предложения продуктов должны основываться на следующих факторах:

* Бизнес-цели — рост доходов, прибыльность, средняя стоимость заказа, UPT и объемы продаж; * Поведение покупателей — история просмотров, товары, добавленные в корзину и избранное, история покупок онлайн и офлайн; * Поведение других похожих клиентов.

Таким образом, товарные предложения будут формироваться с учетом интересов бизнеса и заказчика. Чем больше данных будет учтено, тем точнее будут рекомендации. Если покупатель купил рубашку в офлайн-режиме, мобильное приложение порекомендует ему подходящие брюки, потому что другим покупателям, купившим такую ​​же рубашку, понравились эти брюки.

Как это часто бывает, история взаимодействия покупателя с брендом и ассортиментом хранится в нескольких системах: офлайн-продажи в ERP-системе, онлайн-продажи в чем-то вроде Shopify, а действия покупателей (например, добавление товаров в списки желаний) в другой. Платформа. В этом случае мы можем не знать, что клиент, который только что вернулся на сайт, уже совершил офлайн-покупку час назад. Crocs Eastern Europe, например, раньше рассылала электронные письма всем своим аудитории еженедельно. История онлайн-покупок, офлайн-покупки, электронные письма, SMS и веб-push-уведомления хранились в разных системах.

В результате их маркетологи не имели доступа к единому источнику данных, который позволил бы им отправлять кампании, учитывающие историю покупок. Клиенты могли получать электронные письма, в которых, например, рекомендовались Crocs, которые они купили накануне. Одно из золотых правил аналитики звучит как «Мусор на входе — Мусор на выходе», что означает, что если вы будете снабжать свой алгоритм противоречивыми или неполными данными, вы, скорее всего, также получите неудовлетворительные результаты. Здесь нет никакой магии (пока).

Для решения этой проблемы данные должны быть централизованы в единой системе. Можно разработать репозиторий, который позволит использовать накопленные данные в маркетинговой деятельности, но это дорого. Самым последним способом решения этого узкого места является класс технологий под названием «Платформы данных клиентов». Они предоставляют полный набор готовых решений для различных отраслей.

Технология позволяет компаниям автоматически выгружать данные о поведении клиентов из неограниченного количества источников, очищать и унифицировать данные, а также получать полную историю взаимодействия клиентов с брендом, на основе которой можно запускать маркетинговые кампании, включая рекомендации по продуктам.

Накопленные данные также можно использовать для обучения алгоритмов машинного обучения. Даже компании с десятками тысяч клиентов накапливают достаточно данных за 3-4 месяца (за это время создается около миллиона записей о действиях клиентов), чтобы извлечь выгоду из машинного обучения. Алгоритмы создают профиль интересов клиента, находят похожих пользователей и на основе того, что они купили, рекомендуют клиенту другие продукты, которые он может захотеть купить. Именно так работают персональные рекомендации в модном бренде Tom Tailor. р>

Еще одним преимуществом централизации является связный многоканальный маркетинг. Это когда онлайн-каналы учитывают популярность товаров в офлайне, а товарные рекомендации на сайте и в кампаниях синхронизируются. Таким образом, централизация данных значительно повышает качество товарных рекомендаций.

Существует множество сервисов, предлагающих рекомендации по продуктам. Их возможности различаются количеством алгоритмов, позволяют ли они настраивать товарные рекомендации или нет, предлагаемыми ими инструментами для измерения эффективности рекомендаций и источниками, доступными для загрузки данных для построения матрицы рекомендаций. Bloomreach, Инсайдеры< /a> и Mindbox предоставляют компаниям технологии, позволяющие им совершенствовать рекомендации по продуктам с помощью машинного обучения. решений и учитывать данные из онлайн-, офлайн- и мобильных приложений.

Как оценить эффективность товарных рекомендаций

Инструменты измерения эффективности различаются в зависимости от канала, в котором используются рекомендации. При этом, независимо от канала, принцип одинаков. Клиенты делятся на две группы. Одна группа получает рекомендации, а вторая нет. Если продажи выше в группе, получившей рекомендации, то клиенты сочли рекомендации полезными.

Онлайн-каналы

При онлайн-тестировании я рекомендую использовать инструмент Google Оптимизировать. Это бесплатно, для настройки эксперимента требуется всего несколько шагов, а для создания теста не требуются навыки программирования.

Если вы уже работаете с Google Analytics, Оптимизация может использовать данные электронной торговли для оценки эффективности эксперимента. Один вариант веб-сайта будет исходной версией без каких-либо изменений, тогда как другой вариант будет отображать рекомендации по продуктам для клиентов. Для каждого отдельного виджета нужно настроить свой эксперимент, следя за тем, чтобы данные не смешивались, иначе вы не будете знать, какой конкретный виджет рекомендаций помогает, а какой нет. Incanto, магазин нижнего белья и купальников, после внедрения увеличил доход на 5,5 %. рекомендаций по продуктам.

Аналогично настраиваются эксперименты в email-кампаниях. Одна часть получателей получает письма с рекомендациями, а другая — без них. A/B-тесты доступны практически на каждой платформе электронного маркетинга.

Офлайн-каналы

Офлайн-тест A/B с контрольной группой работает по тому же принципу, что и онлайн-тест. Это можно сделать при тестировании товарных рекомендаций в колл-центре. При совершении звонка ПО оператора отправляет запрос в ЦОД, где аудитория уже делится на две группы. В половине случаев платформа выводит товарные рекомендации на экран оператора. В остальных случаях рекомендации не предоставляются. Затем на основе встроенного отчета CDP поведение обеих групп сравнивается, чтобы определить, где клиенты совершили больше покупок. Тот же подход можно применить к программному обеспечению POS, когда кассир видит рекомендации для подсказок покупателю только в половине случаев.

Когда рекомендации по продуктам бесполезны

Товарные рекомендации как инструмент были изобретены корпорацией Amazon для ознакомления клиентов с ассортиментом товаров. Автоматические рекомендации по продуктам бесполезны для брендов, ассортимент которых состоит менее чем из 100 товаров. В этом случае алгоритмам просто не хватит продуктов на выбор. Поэтому рекомендации можно один раз настроить вручную в CMS. Это будет не только дешевле, поскольку нет необходимости покупать сторонние технологии, но и проще, поскольку после настройки рекомендаций не будет необходимости их поддерживать.

Однако ситуация отличается, когда речь идет о рекомендациях, которые не были проверены на контрольной группе. На примере упомянутой выше аптеки (которая внедрила рекомендации и потеряла $30 000 за два дня) справедливо будет сказать, что если рекомендации не будут проверены, это может привести к убыткам компании. Если взять в качестве примера магазин одежды для детей до десяти лет, мне потребовалось три итерации эксперимента за два месяца, чтобы добиться роста выручки на +25% по сравнению с контрольной группой.

n Как запустить рекомендации по продуктам

Если вы решите попробовать товарные рекомендации в своем бизнесе, я предлагаю вам выполнить следующие действия:

Создайте список кампании. Откройте свой веб-сайт и попытайтесь понять, в каких ситуациях рекомендации могут быть полезны вашим клиентам. На этом этапе я рекомендую составить своего рода «список желаний» всего, что, по вашему мнению, может сработать, начиная от простых решений, таких как популярные товары на главной странице, и заканчивая всплывающими окнами с личными рекомендациями, когда клиент хочет покинуть сайт. Расположите получившийся набор гипотез по досягаемости. Чем больше людей увидят рекомендации, тем быстрее вы получите статистически значимый результат в тестах. Чтобы создать список кампаний, используйте шаблон Miro Mindmap, который я предоставил выше.< /p>

Определите показатели. Метрики помогут вам понять, какие продукты вы хотите рекомендовать, и определить критерии успеха. Мой совет — не усложнять эту задачу в самом начале. Посмотрите на доход и глубину страницы (также известную как «метрика быстрого прокси»). Для офлайн-рекомендаций это может быть доход и средняя стоимость заказа.

Покажите этот «список желаний» разработчикам или представителям службы рекомендаций по продуктам. Разработчики смогут подсказать, сколько времени займет внедрение, а представители сервиса подскажут, как быстро настроить нужные кампании. В таких сервисах, как Bloomreach, Klaviyo или Mindbox, самые популярные кампании предоставляются «из коробки». Отзывы ваших коллег также позволят вам скорректировать план запуска — некоторые этапы могут быть реализованы быстрее.

Обеспечить управляемость и настраиваемость. Убедитесь, что вы сможете координировать логику рекомендаций для разных точек взаимодействия и настраивать ее так, чтобы она лучше соответствовала определенному сегменту клиентов, например любителям брендов, крупным покупателям и т. д. р>

Загружать историю взаимодействия покупателя с брендом и ассортиментом в сервис товарных рекомендаций. Данные из онлайн- и офлайн-каналов, а также из мобильных приложений позволят вам генерировать лучшие предложения и гарантировать единый маркетинг во всех точках взаимодействия. Если вы используете CDP, вы можете использовать накопленные данные и для других маркетинговых кампаний.

Настройте инструмент тестирования. Например, вы можете использовать Google Оптимизацию для онлайн-каналов и контрольную группу для офлайн-каналов. Распределение основной и контрольной групп может быть 50/50, при этом эффективность можно оценить по выручке.

Отслеживайте ход эксперимента и корректируйте рекомендации по продуктам, если они не работают должным образом. Прежде чем вы получите первые успешные результаты, может пройти до 2-3 месяцев, а некоторые виджеты могут привести к снижению дохода. Однако, как только все будет запущено, вы увидите увеличение дохода на 5,5 %, как это произошло в интернет-магазине Incanto.

---

Оригинал