03.11.2021
716

Персональные товарные рекомендации: кейсы и советы по использованию

Глеб Клюйко
маркетолог eSputnik
Время прочтения: ~6 мин

Если мы посмотрим на маркетинговые стратегии таких гигантов, как Spotify, Netflix или Amazon, то увидим, что в основе каждой из них лежит принцип гиперперсонализации контента. Каждый клиент должен получить уникальный опыт взаимодействия с брендом. Универсальная коммуникация становится все менее и менее эффективной.

Содержание:
1. “Фокстрот”: персональные рекомендации на сайте увеличивают продажи аксессуаров на 16%
2. Shafa.ua: +223% конверсий маркетинговых коммуникаций
3. В завершение

***

О том, как работают персональные рекомендации в бизнес-моделях известных украинских брендов Shafa.ua и “Фокстрот”, рассказали маркетологи омниканальной CDP eSputnik.

“Фокстрот”: персональные рекомендации на сайте увеличивают продажи аксессуаров на 16%

“Фокстрот” — известная украинская сеть магазинов бытовой техники, которая представлена и в онлайне. Маржинальность товаров из основной категории довольно низкая. Чтобы повысить доход, было принято решение сделать акцент на допродажах сопутствующих товаров с помощью персональных рекомендаций на сайте. 

Чтобы не тратить ресурс разработчиков компании, “Фокстрот” решили использовать готовое решение — функциональность, которую предлагает платформа пользовательских данных eSputnik.

Принцип работы персональных рекомендаций

Алгоритмы искусственного интеллекта анализируют онлайн-поведение посетителей магазина: их покупки, просмотры, средний чек, частоту и т. д. На основе полученной информации система формирует предиктивные модели: какие товары тот или иной человек купит с наибольшей вероятностью (точность прогноза — 60%). Чтобы механизм рекомендаций соответствовал особенностям каждой конкретной бизнес-модели, их настройкой, контролем и дообучением занимается аналитик eSputnik. Можно использовать разные алгоритмы рекомендаций для разных типов страниц сайта. 

Использование рекомендаций в онлайн-магазине “Фокстрот”

Главная страница: рекомендации аксессуаров к последнему заказу, предложения на основе последних просмотров.

Рекомендации аксессуаров к последнему заказу


Страницы категорий: рекомендации похожих товаров.

Рекомендации похожих товаров


Карточки товаров: рекомендации аксессуаров к последнему заказу, предложения на основе прошлых покупок и просмотров, рекомендации по схожим интересам других пользователей.

Рекомендации аксессуаров к последнему заказу


Корзина: рекомендации сопутствующих товаров.

Рекомендации сопутствующих товаров


На формирование рекомендаций влияет история онлайн-действий посетителя сайта, цена заинтересовавших его товаров и их категории. Но чтобы рекомендации были максимально релевантными, команда проекта корректирует работу нейронной сети. Для товарных блоков “Фокстрота” учитываются также приоритетные характеристики товаров и особенности определенных категорий. Например, телевизор может быть со встроенным ТВ-тюнером или без него. При продаже моделей без встроенного тюнера вероятность допродать этот аксессуар максимальная. Соответственно, data scientist должен указать алгоритму, что в таком случае наличие или отсутствие TV-тюнера является ключевой характеристикой при подборе рекомендаций. 

Для формирования блока со скидками на сопутствующие товары алгоритмы ИИ просчитывают вероятность покупки и подбирают комплекты, а специалисты из “Фокстрота” проверяют соответствие категорий, исключают нерелевантные и рассчитывают процент скидки.

Формирование блока со скидками на сопутствующие товары


Если у товара нет характеристик, необходимых для подбора рекомендаций,они не выводятся, чтобы избежать возможного негатива, связанного с нерелевантными предложениями.

Офлайн-рекомендации

Товарные рекомендации, настроенные для онлайн-магазина, могут использоваться и в офлайне. В случае “Фокстрота” они передаются на планшеты операторам кол-центра и розничным продавцам. В результате не только повышается качество обслуживания, но и снижается нагрузка на персонал: больше не нужно в ручном режиме искать подходящие предложения в многотысячном ассортименте магазина. Также менеджеры могут фиксировать офлайн-поведение клиентов, чтобы в дальнейшем эти данные использовались для триггерных сообщений.

Результаты

Персональные рекомендации помогли онлайн-магазину “Фокстрот” увеличить такие показатели:

  • глубина просмотра страниц — +10%;
  • конверсия в продажи — +5%;
  • продажи аксессуаров — +16%.

Shafa.ua: +223% конверсий маркетинговых коммуникаций

Shafa.ua – онлайн-маркетплейс одежды для женщин, мужчин и детей. Основной канал коммуникаций — email. На сайте настроена система триггеров, при срабатывании которых пользователи получают приветственные письма, напоминания о забытых в корзине товарах, просмотренных, но не купленных вещах и т. д. Чтобы повысить эффективность рассылок, в них были добавлены блоки персональных рекомендаций.

Принцип работы рекомендаций в рассылках

В код сайта добавляется скрипт веб-трекинга, который отслеживает, какие товары и категории просматривает пользователь, какие кнопки он нажимает, что добавляет в корзину и т. д. Когда определенное действие человека или другое событие запускает триггерную коммуникацию, в сообщение автоматически подставляется блок с релевантными предложениями. Предложения формируются на основе динамического контента согласно выбранному заранее алгоритму рекомендаций.

Использование рекомендаций в триггерных сообщениях

Напоминание о забытой корзине: в письмо добавляется до трех товаров, оставленных в корзине, и до трех товарных рекомендаций.

Напоминание о забытой корзине


Брошенный просмотр: если пользователь уходит с сайта, не совершив покупку, через час он получает письмо с просмотренными товарами и рекомендациями на их основе.

Брошенный просмотр и возвращение неактивных


Возвращение неактивных: пользователи, которые в течение месяца не посещали сайт, получают реактивационное письмо, в которое подставляется блок с просмотренными ранее товарами (до 6) и рекомендациями.

Снижение цены на похожий товар: не чаще раза в неделю посетители сайта, которые не совершили покупку, получают письмо с подборкой товаров. Предлагаются позиции со скидками, похожие на те, что заинтересовали пользователя.

Снижение цены на просмотренные товары: письмо отправляется автоматически, если на какой-то из просмотренных товаров снижается цена. Дополнительно рекомендуются товары из той же категории и аналогичного ценового диапазона.

Результаты

За год использования товарные рекомендации повлияли на конверсию триггерных сообщений так:

  • брошенная корзина — +10%,
  • брошенный просмотр — +7%,
  • реактивация — +5%,
  • подобрано на основе интересов — +6%,
  • снижена цена на просмотренное — +5%.

В завершение

Цифровая трансформация бизнеса набирает обороты. В этих условиях ключевым конкурентным преимуществом становятся клиентские данные, которыми может оперировать бренд для персонализации коммуникаций и формирования релевантных предложений.

Как показывает наш опыт, персональные товарные рекомендации эффективны не только для крупного онлайн-бизнеса вроде “Фокстрота” и Shafa.ua. В eSputnik опробованы и усовершенствованы алгоритмы для самых разных бизнес-моделей: от онлайн-аптек до книжных магазинов. Вы можете самостоятельно выбрать подходящий вам и подключить его к своему сайту прямо в интерфейсе системы.