Автор

Дмитрий Зубенко статей 1

Где товарные рекомендации более эффективны: в секс-шопе или магазине электроники, и почему?

Самого эффективного алгоритма рекомендаций не существует. Для разных категорий магазинов разные алгоритмы работают по-разному. Некоторые из них лучше действуют на привлечение внимания к товарам (переходы на карточки товаров из блоков рекомендаций), другие — на принятие решения о покупке (после перехода из рекоммендера на карточку товара, товар будет заказан). Всему виной разная психология выбора и принятия решения о покупке товаров для разных товарных категорий.

Вы наверняка видели во многих интернет-магазинах блоки "Популярные товары", "С этим товаром покупают", и другие подобные мини-витрины. Эти блоки могут находиться на главных страницах, лендингах, на страницах категорий, на карточках товаров и даже в корзине. В них магазин представляет товары, которые рекомендуются пользователю - с расчетом на дополнительную продажу, или же на выбор более дорогой модели вместо той, которую тот сейчас изучает. Без таких блоков интернет-магазины даже кажутся пустыми - настолько уже нам привычно, когда есть возможность понажимать на разные картинки, повертеть, сравнить модели, цвета и так далее.

В большинстве магазинов такие товарные рекомендации либо статичны - то есть, одинаковые для разных посетителей, - либо подбираются каждый раз случайным образом. Хорошо, если хотя бы из той же категории. Однако, пионеры интернет-торговли, начиная с amazon.com и ebay.com, и заканчивая отечественными гигантами ozon.ru, wikimart.ru и другими, однажды заметили, что все покупатели — разные. Одна и та же акция, одна и та же выкладка на витрине никогда не будет идеальной — то есть, не будет работать для всех. Тогда была придумана идея персонализации.

Персональные товарные рекомендации характерны тем, что они динамически подстраиваются под вкусы конкретного посетителя магазина, на основании доступных данных о пользователе, его истории просмотров и предыдущих покупок.


Здесь ритейл-гиганты развернулись на полную. Зайдите сейчас на amazon.com и походите немного по сайту. Вы будете удивлены, как магазин начнет подстраиваться под ваши действия. Более того, он вас запомнит, и в следующее посещение сразу предложит то, что вы пристально изучали, но в итоге не купили. Еще и на почту вам напишет через математически рассчитанное правильное время. В одном из зарубежных исследований была оценка, что сайт Amazon.com на 70% состоит из рекомендаций, что явно демонстрирует первостепенное значение рекомендаций в привлечении покупателей к новым продуктам и в росте продаж. Одним словом, вы не уйдете от них просто так.

Понятно, что Амазон может себе позволить содержать такие вычислительные мощности и постоянно работать над совершенствованием алгоритмов. Но сегодня появляются компании, которые предоставляют возможности персонализации и меньшим по размеру магазинам - вплоть до самых крохотных, с менее чем 100 посетителями в день. Информацию о предпочтениях пользователей они берут со всей сети подключенных магазинов, а стоимость их услуг весьма доступна.

Окупаются такие сервисы быстро - согласно, например, инфографике от Monetate, рекомендации могут увеличить выручку на величину до 300%, конверсию - до 150%, а средний чек - до 50%. Понятно, что эти цифры могут варьироваться в широких пределах в зависимости от исходных значений, а также от того, насколько интенсивно рекомендации используются на сайте, но показатели все же слишком привлекательны для того, чтобы их игнорировать.

Одним из таких облачных сервисов персонализации является российский REES46.com, команда которого провела собственное исследование эффективности разных алгоритмов рекомендаций в применении к разным товарным категориям интернет-магазинов. Результаты получились занимательные.

Результат работы персональных рекомендаций на интернет-магазинах, по категориям.

В попытках понять, почему так происходит, в REES46 пришли к выводу, что всему виной разная психология выбора и принятия решения о покупке товаров для разных товарных категорий.

Например, в категории Электроника находятся товары сложные, со множеством функций, есть множество близких и неблизких аналогов, разброс цен в разы и десятки раз в зависимости от модели, бренда, производителя, программной «начинки». Рынок очень конкурентный — большинству покупателей непросто разобраться в деталях, поэтому они, лишь примерно понимая, чего хотят, просматривают множество вариантов, в том числе во многих магазинах.

Блоки рекомендаций, на товары из которых чаще кликают.

В этой сложной категории блок «Похожие товары» облегчает пользователю выбор в том числе и ценовой, предоставляя варианты товаров с вилкой цены −5% — +15% и учитывая персональные предпочтения. Для магазина это хорошо тем, что пользователь с меньшей вероятностью уйдет просто из-за несовпадения ценовых ожиданий, и тем самым, вероятнее купит хоть что-то. Помимо похожих товаров, посетители магазинов электроники кликают в равной степени на «Недавно просмотренные» (11.59%), а также на «Популярные» (11.44%) товары. Остальные типы рекомендаций смотрят редко (в сумме 6.80%).

Сумки и аксессуары. В отличие от предыдущей категории, для покупки сумки важен в первую очередь внешний вид товара, поэтому понятно, что больше всего (58.35%) смотрят «Похожие» на первоначально искомый товар, но затем также ищут и новые для себя варианты, уже больше руководствуясь массовыми рекомендациями «Популярные» (20.24%) и персональными «Возможно, вам это понравится» (15.45%). Другие типы рекомендаций имеют для данной категории минорное значение (5.96% в сумме).

Товары для взрослых. Есть ощущение, что примерно сравнимая популярность топовых алгоритмов рекомендаций — «Похожие» (29.91%), «С этим товаром покупают» (26.84%) и «Возможно, вам это понравится» (25.03%) связана с тем, что посетители ищут новых ощущений во «взрослых играх», просматривая как что-то похожее на уже знакомые товары или сопутствующее им, так и что-то новое из персональных предложений. Интересно, что другие алгоритмы рекомендаций в сумме составляют заметную долю (18.22%), что говорит о том, что покупатели в данной категории активно используют и другие подсказки, какие товары им еще посмотреть.

Блоки рекомендаций, переход из которых на товар чаще приводит к покупке

Если товар был куплен по рекомендации, учитывается только последний из блоков, из которого был совершен переход на карточку товара перед помещением его в корзину. Результаты на диаграмме показывают ожидаемый результат — чаще всего покупку совершают с использованием блока «Недавно просмотренные», и несколько реже — «Похожие» или «С этим товаром покупают». Однако, в разных категориях, как и в случае просмотров, логика покупателей разная.

Сумки и аксессуары. «Похожие товары» (35.37%) ожидаемо лидируют. Интересно, что на втором месте — блок кросс-сейла «С этим также покупают» (22.39%). Персональные рекомендации алгоритма «Возможно, вам это понравится» (19.50%) также довольно эффективны. Доля остальных алгоритмов заметна (22.73%). Набор эффективных рекомендаций для финального решения о покупке незначительно отличается от топ-3 блоков по просмотру товаров.

Товары для взрослых. Снова в лидерах — «Недавно просмотренные» (62.56%). Заметный вклад в принятия решения о покупке дают рекомендации «Возможно, вам это понравится» (18.41%). В завершение корзины используют рекомендации из блоков «С этим также покупают» (12.54%), остальные алгоритмы дают минорный вклад (6.48%). В этой категории так же, как и в предыдущем случае, работает связка из четырех алгоритмов рекомендаций.

Электроника. В этой категории порядок топ-3 алгоритмов рекомендаций совпадает полностью, меняется лишь вклад каждого. Доля «Похожие товары» (52.48%) снижается, «Недавно просмотренные» (35.25%) — заметно повышается, и незначительно понижается вклад блока «Популярные» (9.15%). Остальные алгоритмы имеют мало заметное влияние (3.12%) на принятие решения о покупке. Но даже в этом случае, только не менее трех блоков рекомендаций в связке дает заметный рост эффекта от внедрения персонализации в интернет-магазин.

 

Выводы

  1. Больше всего дополнительных продаж за счет товарных рекомендаций происходит в категории «Товары для взрослых» (29.4%).

  2. Больше всего прибыли от дополнительных продаж за счет товарных рекомендаций происходит в категории «Мебель» (27.8%).

  3. Продажи через блоки товарных рекомендаций выше всего в категории «Электроника» (2.1% от всех просмотров страниц магазина всеми посетителями).

  4. Самого эффективного алгоритма рекомендаций не существует. Для разных категорий магазинов разные алгоритмы работают по-разному. Некоторые из них лучше действуют на привлечение внимания к товарам (переходы на карточки товаров из блоков рекомендаций), другие — на принятие решения о покупке (после перехода из рекоммендера на карточку товара, товар будет заказан).

  5. Для того, чтобы был эффект от персонализации, необходимо, чтобы были подключены как минимум три, а лучше — четыре типа блоков персональных рекомендаций. Этот вывод действителен для любой специализации магазина.



Поделиться с друзьями

Комментарии

комментариев: 0

(максимально 200 символов)

(максимально 256 символов)