Гайд по персональным товарным рекомендациям: технология в деталях и кейсы

В динамичном мире ecommerce получить из случайного посетителя сайта лояльного покупателя – непростая задача. Знаете ли вы, что 80% потребителей с большей вероятностью совершат покупку после персонализированного взаимодействия с брендом? Представьте, что ваша виртуальная витрина подстраивается под каждого конкретного посетителя и показывает только релевантные для него товары. Такой потенциал персонализации делает бизнес более эффективным.

С её помощью можно влиять и на клиентов, которые совершили только одну покупку. Статистика показывает, что 78% потребителей с большей вероятностью повторно закажут у компании, которая предлагает товары, соответствующие потребностям и ожиданиям клиентов. Это основа для формирования лояльности, которая способствует успеху бизнеса. Кстати, столько же клиентов с большей вероятностью порекомендуют такую компанию своим близким.

Товарные рекомендации – один из самых мощных инструментов персонализации клиентского опыта. Предложения, основанные на алгоритмах нейронной сети и данных о покупателях, помогают обеспечить индивидуальный подход, повысить удовлетворенность клиентов и стимулировать рост доходов бизнеса.

Из нашей статьи вы узнаете больше об этой технологии: как она работает в омниканальной CDP еSputnik и что нужно знать, чтобы эффективно ее использовать. Кроме того, мы рассмотрим несколько кейсов, демонстрирующих результаты применения персональных рекомендаций.

Основы персональных товарных рекомендаций

Рассмотрим процесс реализации персональных товарных рекомендаций:

1. Сбор данных – система товарных рекомендаций опирается на большой объем сложной информации. Например, данные о действиях пользователя на веб-сайте, в приложении и в директ-каналах. Система учитывает личную информацию клиентов, а также данные об атрибутах товаров.
2. Унификация данных – информация, собранная из различных источников, может поступать в разных форматах – структурированном, полуструктурированном или неструктурированном. Крайне важно стандартизировать, дедублировать и унифицировать эти данные. После обработки они собираются в едином профиле пользователя и становятся доступными для сегментации, анализа, формирования рекомендаций, рассылок.
3. Обработка данных – для понимания предпочтений клиентов, поведенческих моделей и связей между товарами необходимо применение аналитических методов и специальных возможностей обработки данных, таких как машинное обучение и алгоритмы глубокого обучения.
4. Генерация товарных рекомендаций алгоритмами нейросети – алгоритмы AI генерируют предложения, анализируя всю доступную информацию о покупателе, потребителях с похожим поведением и предпочтениями, данные о товарах и многое другое.
5. Омниканальное использование – сгенерированные рекомендации отображаются в режиме реального времени на страницах сайта, в приложении и директ-каналах, выбранных маркетологом (email, push-уведомления, app inbox, Viber и т. д.).

Для реализации всех перечисленных процессов лучше всего подходит омниканальная платформа клиентских данных. Она имеет функциональность для отслеживания, сбора и хранения информации о взаимодействии потребителей с брендом в разных точках. Затем данные унифицируются и могут быть использованы для сегментации, рекомендаций, аналитики и рассылок. Сочетание этих возможностей CDP помогает компаниям наиболее эффективно взаимодействовать с каждым клиентом.

Как товарные рекомендации помогают решить основные проблемы ecommerce

Компании, испытывающие недостаток персонализации взаимодействия с клиентами, часто сталкиваются с препятствиями, которые ограничивают рост и прибыльность бизнеса. Однако стратегическое внедрение товарных рекомендаций может помочь решить следующие проблемы.

1. Повышение уровня удержания клиентов
Это одна из наибольших проблем, с которой сталкиваются компании. Лояльность покупателей снижается, если они не могут найти продукты, которые отвечают их потребностям и желаниям. Персонализированные рекомендации действуют как компас и направляют пользователей к индивидуальному выбору. Используя данные о прошлых покупках, историю посещений и предпочтений клиентов, компании могут создавать рекомендации, которые вызывают неподдельный интерес и способствуют формированию чувства связи с брендом. Разработчики eSputnik могут настроить нейронную сеть таким образом, чтобы она прогнозировала товары, которые клиенты скорее всего купят, с точностью до 60%.

2. Сокращение количества брошенных корзин
Серьезной проблемой для бизнеса является высокий показатель брошенных корзин. К этой неприятной ситуации могут привести различные факторы, такие как неожиданные дополнительные расходы или неуверенность клиента в выборе товара.
Персональные рекомендации помогают снизить количество брошенных корзин, предлагая покупателям ряд аналогичных товаров в разных ценовых категориях. Предложение вариантов, соответствующих предпочтениям клиента, устраняет сомнения и побуждает его завершить покупку.

3. Увеличение средней стоимости заказа (AOV)
Компании, у которых много заказов с низкой средней стоимостью, часто сталкиваются с проблемой дохода. Из-за клиентов, которые тратят минимальную сумму за транзакцию, снижается прибыль. Персональные рекомендации – ключ к улучшению AOV. 25% респондентов, принявших участие в исследовании, обнаружили, что персонализация в ecommerce увеличивает AOV. Анализируя историю покупок клиента, его предпочтения и дополнительные продукты, компании могут предлагать подходящие варианты для повышения кросс-продаж и апсейла.

4. Повышение рентабельности основной группы товаров
Если основная группа товаров компании имеет низкую рентабельность, персонализированные товарные рекомендации могут существенно повлиять на общую прибыльность бизнеса. Используйте их для кросс-продаж, продвижения высокодоходных аксессуаров и предложения дополнительных товаров покупателям.

Маркетологи могут управлять условиями добавления товаров в блоки рекомендаций без привлечения разработчиков. Кроме того, команда eSputnik в случае необходимости кастомизирует алгоритмы. Так нейронная сеть научится распознавать уникальные паттерны, которые наилучшим образом соответствуют потребностям компании.

Товарные рекомендации в деталях

Какие данные использует рекомендательная система 

Для создания персонализированных предложений рекомендательная система использует все доступные данные, а именно:

1. Данные о взаимодействии: как пользователи взаимодействуют с продуктами или услугами, например клики, лайки, покупки.

Чтобы собирать эти данные из интернет-магазина и директ-кампаний, необходимо установить скрипт веб-трекинга eSputnik и настроить основные события для отслеживания:

• Просмотр страницы; 
• Карточка товара; 
• Категория; 
• Корзина; 
• Купленные товары. 

Для отслеживания событий в мобильных приложениях используется eSputnik SDK. После интеграции нашей библиотеки API-методов все важные поведенческие данные в приложении будут собираться и автоматически отправляться в CDP.

2. Данные пользователя: демографическая информация, местоположение, личные предпочтения, размер и т. д. Эти данные позволяют предоставить высокоточные рекомендации. Например, алгоритмы могут рекомендовать только те продукты, которые доступны в городе, где находится пользователь.

3. Данные о товаре: атрибуты товаров или услуг, такие как цена, категория и бренд. Алгоритмы получают эти данные из фида товаров.

Вы можете дополнительно расширить данные, которые используются для формирования рекомендаций, информацией из внешних источников, таких как Google BigQuery, Google Firebase, PostgreSQL и CRM-систем.

Чем больше информации о своих клиентах компания собирает, тем более точные товарные рекомендации формируются для каждого человека. Также важно, чтобы данные передавались в режиме реального времени и алгоритмы могли в любой момент показывать на сайте и в приложении предложения, соответствующие интересам посетителя.

Как в рекомендательных системах используется глубокое обучение

Вы можете создавать персонализированные предложения, используя различные инструменты анализа и кластеризации данных. Однако наиболее эффективные предложения создаются с использованием системы AI с глубоким обучением. Большие данные необходимы для того, чтобы алгоритмы могли генерировать рекомендации, актуальные для каждого потребителя. А глубокое обучение используется для повышения точности и производительности этих рекомендаций.

Одно из преимуществ использования глубокого обучения в рекомендательных системах заключается в том, что оно позволяет моделировать нелинейные отношения между пользователями и товарами. Например, глубокая нейронная сеть может научиться распознавать сложные закономерности в поведении пользователей и на основе полученных результатов создавать для клиентов персонализированные рекомендации.

Есть определенные уровни использования глубокого обучения в рекомендательных системах:

1. Предварительная обработка данных: начальным этапом построения рекомендательной системы на основе глубокого обучения является предварительная обработка данных. Это стадия очистки и преобразования исходных данных в формат, подходящий для использования моделью глубокого обучения. Например, данные могут быть преобразованы в матрицу пользователь-товар, где каждая строка соответствует пользователю, а каждый столбец – товару.
2. Представление данных: следующий шаг – представление данных таким образом, чтобы модель глубокого обучения могла их использовать. Одним из популярных подходов является представление пользователей и товаров в виде векторов в многомерном пространстве. Эти векторы можно изучить с помощью факторизации матрицы или путем обучения глубокой нейронной сети.
3. Архитектура нейронной сети: после предварительной обработки и представления данных необходимо спроектировать архитектуру нейронной сети. Вы можете использовать множество различных архитектур, но одним из популярных подходов является многослойная нейронная сеть прямого распространения (feedforward neural network) с одним или несколькими скрытыми слоями. Обычно вектор пользователь-товар подается на вход нейронной сети, создавая на выходе оценку с представлением прогнозируемых товаров.
4. Обучение модели: следующий шаг – подготовка модели глубокого обучения. Это подача обучающих данных (т. е. векторов пользователь-товар и соответствующих рейтингов) в нейронную сеть и корректировка весов сети для минимизации ошибки прогнозирования. Этот процесс обычно выполняется с использованием стохастического градиентного спуска или аналогичного алгоритма оптимизации.
5. Создание прогнозов: когда модель глубокого обучения прошла подготовку, она может генерировать прогнозы для новых пар пользователь-товар. Вектор пользователь-товар подается в сеть, после чего вычисляется выходная оценка. Затем пользователю рекомендуются товары с наивысшими оценками.

У каждой нейронной сети своя задача, которая зависит от бизнес-цели. Например, алгоритмы могут научиться подбирать товары, которые обычно покупают вместе, или предсказывать следующую покупку клиента. В результате набор данных, используемый для обучения нейронной сети, и ее архитектура настраиваются по-разному – в зависимости от задачи.

Сеть всегда обучается и тренируется на данных конкретной компании, чтобы давать точные рекомендации.

После обучения нейронная сеть развертывается в рабочей среде (на веб-сайте, в приложении). Теперь ее можно использовать одновременно в нескольких блоках рекомендаций, где товары подбираются по разной логике. Например, показывать только товары со скидками, конкретного бренда или в определенном ценовом диапазоне и т. д. Важно, что модель не нужно переучивать для таких разных целей, достаточно настроить фильтры рекомендаций.

Типы алгоритмов рекомендательных систем

Искусственный интеллект создает персонализированные рекомендации, анализируя множество различных параметров – как данные о поведении клиентов, так и информацию о товарах. Давайте подробнее рассмотрим типы рекомендательных систем товаров, которые есть в eSputnik.

1. Рекомендательные системы на основе контента предлагают товары, похожие на те, с которыми пользователь уже взаимодействовал или которые он приобрел. Этот алгоритм работает на основе параметров товаров (например, описаний, метаданных и т. д.), чтобы рекомендовать те, которые схожи с предыдущими интересами пользователя. Такой метод полезен для рекомендации нишевых товаров или в ситуациях, когда данные о взаимодействии с пользователем ограничены. Например, вначале взаимодействия, пока еще не собрано достаточно данных для более сложных алгоритмов.

2. Системы рекомендаций с коллаборативной фильтрацией предлагают товары, основываясь на поведении пользователей со схожими вкусами или на схожести продуктов. Идея коллаборативной (совместной) фильтрации следующая: если вам и кому-то ещё нравились похожие вещи в прошлом, то, скорее всего, они понравятся вам и в будущем. Существует два основных типа коллаборативной фильтрации:

• на основе пользователей – этот метод сравнивает ваше поведение с поведением других пользователей-единомышленников и предлагает продукты, которые понравились им;
• на основе товаров – вместо пользователей рассматривают сходство продуктов. Если вы уже проявляли интерес или покупали некоторые из них, вам предложат похожие товары.
  

3. Гибридные рекомендательные системы сочетают в себе различные методы для формирования более точных и персонализированных предложений. Например, гибридная система может использовать коллаборативную фильтрацию, чтобы предлагать элементы на основе поведения пользователя, а также фильтрацию на основе контента, чтобы предлагать товары на основе их характеристик.

4. Персонализированные рекомендации представляют индивидуальные предложения для отдельных пользователей, основанные на их конкретных интересах, предпочтениях и поведении. Эти рекомендации адаптированы к уникальным характеристикам каждого пользователя и обеспечивают более высокий уровень вовлеченности и удовлетворенности клиентов, чем неперсонализированные варианты.

Персонализированные рекомендации формируются при помощи сбора и анализа данных про действия каждого пользователя на веб-сайте и в мобильном приложении, включая:

• историю просмотров;
• поисковые запросы;
• историю покупок;
• список избранного и т. д.

Затем система сохраняет эти данные в профиль пользователя, который используется для прогнозирования продуктов или услуг, которые с наибольшей вероятностью заинтересуют пользователя. Для создания таких персонализированных рекомендаций мы применяем методы глубокого обучения.

5. Персонализированные рекомендации на основе сеансов – это тип рекомендательной системы, которая формирует персонализированные рекомендации на основе недавних взаимодействий пользователя в рамках одного сеанса просмотра. Алгоритмы обрабатывают последовательность действий сеанса и учатся предсказывать следующее действие пользователя. Это дает возможность генерировать более релевантные персонализированные рекомендации в режиме реального времени.

Типы рекомендательных блоков

Блоки рекомендаций – это разделы на сайте, в приложении и рассылках, в которых пользователям показывают товарные предложения. Они разработаны для повышения вероятности покупки и содержат товары, соответствующие потенциальным интересам клиента. Вот некоторые распространенные типы рекомендательных блоков:

1. Похожие (или связанные) товары: этот тип рекомендаций показывает товары, похожие на тот, который пользователь просматривает. Например, если посетитель открыл страницу товара, которого нет в наличии, можно предложить ему похожие варианты.
   
   
2. Часто покупают вместе: в рекомендациях этого типа предлагают продукцию, которую часто приобретают вместе с товаром, который просматривает пользователь. 
   
   
3. Популярные/трендовые товары или бестселлеры: этот тип рекомендаций включает наиболее популярные товары на сайте. Он может помочь пользователям найти трендовые товары или те, которые пользуются большим спросом.
   
   
4. Недавно просмотренные товары: в рекомендациях этого типа отображают товары, которые пользователь недавно просматривал. Это может быть полезно, если человек захочет вернуться к товару, который он видел ранее.
   
5. Персонализированные рекомендации: такой тип рекомендаций использует данные об истории посещений и покупок пользователя, чтобы предложить ему товары, которые могут его заинтересовать.
   
   
6. Новые поступления или скидки: этот тип рекомендаций представляет недавно добавленные товары или товары со скидками, позволяя пользователям быть в курсе последних новинок и выгодных предложений.
   
   

Применение товарных рекомендаций в различных каналах

Используя товарные рекомендации, ecommerce-компания может контактировать с клиентами в различных точках взаимодействия, обеспечивая омниканальную персонализацию:

1. На сайте. Рекомендации органично интегрируются в интерфейс сайта и помогают пользователям выбрать товар. Учитывается поведение клиентов в браузере, их предпочтения и предварительное взаимодействие с сайтом. Рекомендации улучшают пользовательский опыт и повышают конверсию.
2. Персонализированные рекомендации в мобильном приложении помогают сформировать качественный пользовательский опыт. Анализируя действия внутри программы, эти рекомендации повышают вовлеченность пользователей и увеличивают коэффициент их удержания.
3. Используя товарные рекомендации, продавцы в офлайн-магазинах могут предлагать клиентам персонализированные предложения, увеличивая возможности кросс-продаж и апсейла. Эта технология также помогает операторам по обслуживанию клиентов.
4. В директ-каналах персонализированные предложения побуждают подписчиков перейти на сайт или в приложение и стимулируют апсейл и кросс-продажи. Еcommerce может использовать такие директ-каналы:

• email;
• web, mobile push;
• app inbox;
• Viber.

Рассмотрим, как использовать рекомендации в каждом из этих каналов:

• В email персонализация контента на основе предпочтений пользователей повышает релевантность промосообщений и способствует укреплению отношений с клиентами.
• Push-уведомления, дополненные персонализированными предложениями, открывают возможности для взаимодействия в режиме реального времени. Пользователям предлагают товары, соответствующие их интересам. А это побуждает клиентов к немедленным действиям и формирует лояльность к бренду.
  В CDP eSputnik в мобильные push-уведомления можно добавить до 10 изображений, демонстрируя один продукт с разных сторон или несколько товаров. Согласно статистике, процент открытий можно увеличить в 2-4 раза, используя в push-уведомлении несколько изображений.
  
• App inbox – это центр уведомлений в личном кабинете авторизированного пользователя сайта или приложения. В этом канале можно порекомендовать один товар или направить покупателя на страницу с персонализированным ассортиментом.
• Аналогично можно включать товарные рекомендации в Viber-сообщения, чтобы предоставлять клиенту лучшие предложения или персонализированную подборку.

Типы страниц и связанные с ними рекомендательные блоки

Блоки рекомендаций можно использовать на различных трафиковых страницах ecommerce-сайта, чтобы улучшить взаимодействие с пользователем и увеличить продажи. Вот некоторые типы страниц и подходящие для них рекомендательные блоки:

• Страница продукта отображает подробную информацию о конкретном товаре. Для этого типа рекомендуют использовать блоки "Похожие товары" и "Часто покупают вместе". Они помогут пользователям найти желаемые продукты.
  

• Страница категории содержит список товаров в определенной категории. Для этой страницы рекомендуют использовать блоки “Бестселлеры” и “Трендовые товары”. Они делают акцент на популярности и тенденциях, чтобы рекомендовать продукты, пользующиеся спросом в данной категории.
  
• Главная страница – это первая страница, которую видит клиент при посещении ecommerce-сайта. Для нее можно использовать блоки "Персонально для вас" или "Персонализированные рекомендации". Они используют данные о поведении покупателя при просмотре и покупке, чтобы предлагать товары, которые с наибольшей вероятностью его заинтересуют.

• На странице “Корзина” или “Оформление заказа” отображаются товары, которые покупатель добавил в корзину. Для этой страницы рекомендуется использовать блоки “Часто покупают вместе” и “Вам также может понравиться”. В этих блоках показываются товары, которые часто покупают вместе с товарами в корзине, или более дорогие товары, аналогичные товарам в корзине.
  

Кейсы использования персональных товарных рекомендаций

Многие клиенты eSputnik, в том числе крупные ритейлеры, уже много лет используют персональные рекомендации в различных каналах взаимодействия с клиентами. Узнайте больше о проблемах и задачах, которые компании решают, а также об успехах, которых они достигли с помощью инструмента товарных рекомендаций:

Интернет-магазин Рampik увеличил ROI на 1734%

Pampik – украинский интернет-магазин, специализирующийся на товарах для детей и материнства. Трафик сайта – 245 тыс. посетителей в месяц. За 13 лет работы магазин выполнил более 100 миллионов заказов. 

Цель – увеличить реализацию товаров за счет кросс-продаж и апсейла, а также улучшить пользовательский опыт посетителей сайта.

Решение – На ecommerce-сайте внедрили товарные рекомендации – 

• Главная страница – демонстрировали блок с популярными товарами.
• Страницы товаров – добавили разделы “С этим товаром покупают” и “Похожие товары”.
• Страницы товаров, которых нет в наличии – отображали похожие товары, которые приобретают вместе с отсутствующим.
• Корзина – рекомендовали продукты, которые обычно покупают вместе с выбранным товаром.
• Страница 404 – предлагали персонализированные рекомендации “Популярное для вас”.
• Страница благодарности – отображали блок “Популярное для вас”.

Результаты – за год компания достигла таких результатов: 

• Рентабельность инвестиций в товарные рекомендации выросла с 341% (в начале использования, в низкий сезон) до 1734% (кульминация в высокий сезон первого года).
• 47,24% общего дохода, полученного от рекомендаций, приходится на блоки на главной странице.
• 24,8% общего дохода от рекомендаций приходится на блок “С этим товаром покупают”.

Ритейлер "Антошка" увеличивает ежемесячный доход на 20% благодаря рекомендациям в email

“Антошка” – один из ведущих ритейлеров детских товаров в Украине. Розничная сеть насчитывает более 40 оффлайн-магазинов в стране. Ежемесячная посещаемость сайта – 700 тыс. человек. 

Цель – увеличить продажи с помощью автоматизированных и персонализированных email-кампаний. Для этого внедрили поведенческие триггеры, основанные на взаимодействии потребителей с сайтом.

Решение – совместно с маркетинговой командой клиента, разработчики eSputnik внедрили ряд алгоритмов персонализированных рекомендаций, которые охватывают категории:

• вам также понравится;
• товары со скидкой;
• товары в той же категории;
• кросс-продажи;
• товары, похожие на тот, которого нет в наличии.

Рекомендации в email-рассылке учитывают возраст и пол ребенка подписчика, а каждый триггер содержит от 3 до 6 рекомендаций. Кроме того, товарные блоки отображаются и на сайте. Они расположены в стратегически важных местах – на главной странице в блоке “Выгодные предложения” и в карточках товаров в блоке “Похожие товары”.

Результаты:

• Ежемесячный доход от email-канала вырос на 20% благодаря поведенческим триггерам с рекомендациями.
• Персонализированные кампании имеют больше чем в 2 раза выше показатели Open Rate и Click-Through Open Rate, а также на 70% более высокие показатели транзакций, чем массовые емейлы.
• Блоки рекомендаций на сайте продлили время пребывания пользователей в интернет-магазине и увеличили количество просмотренных страниц товаров.

Ритейлер Dnipro-M увеличил ROI на 23,5%

 Dnipro-M – украинский производитель и ритейлер строительных инструментов с сетью собственных магазинов в пяти европейских странах. Ежемесячно интернет-магазин посещают два миллиона пользователей.

Чтобы повысить лояльность клиентов, компания использует товарные рекомендации в email-рассылках и на своем сайте. 

Задача – стимулировать рост продаж благодаря рекомендациям.

Решение – добавили блоки рекомендаций в омниканальные триггеры "Брошенная корзина" и "Брошенный просмотр". На сайте Dnipro-М товарные рекомендации формируются так:

• на страницах товаров предлагают похожие товары;
• на главной странице представлены бестселлеры, популярные товары и недавно просмотренные.

Чтобы еще больше улучшить взаимодействие с пользователем, добавили более персонализированные алгоритмы. Для этого на главной странице отображаются бестселлеры и персонализированные подборки, на странице товара появился раздел “С этим товаром покупают”, в котором представлены дополнительные товары.

Результаты – за сентябрь-октябрь 2022 года доля омниканальных триггеров от общего количества заказов увеличилась так:

• брошенная корзина – в 19 раз;
• брошенные просмотры – в 10 раз.

Внедрение расширенных товарных рекомендаций на сайте привело к заметному улучшению продаж:

• доля общих заказов, связанных с товарными рекомендациями на главной странице, увеличилась в 2,4 раза;
• для рекомендаций в карточке товара эта доля увеличилась в 2,2 раза.

В целом рентабельность инвестиций в товарные рекомендации выросла на 23,5%.

Oмниканальный ритейлер "Фокстрот" увеличил продажи аксессуаров на 16%

“Фокстрот” – один из крупнейших ритейлеров бытовой электроники и товаров для дома в Украине. Сеть насчитывает 119 физических магазинов по всей стране. У ритейлера есть мобильное приложение и интернет-магазин. Ежемесячно сайт посещают 5 миллионов пользователей. 

Задача – увеличить маржинальность основной категории электроники. Маркетинговую стратегию направили на увеличение продаж сопутствующих товаров и аксессуаров. При помощи товарных рекомендаций хотели побудить покупателей совершить целевые действия и увеличить количество товаров в чеке.

Решение – data scientist eSputnik научили нейронную сеть прогнозировать наиболее вероятные следующие покупки клиентов. Команда следила за тем, чтобы в рекомендации добавлялись только релевантные предложения. Для сложных алгоритмических настроек привлекали специалистов Foxtrot, например, для блока товаров "Вместе дешевле". AI оценивал вероятность совместной покупки товаров, а затем создавал готовые наборы. Команда заказчика проверяла релевантность категории, убирала ненужные товары и рассчитывала стоимость наборов.

Блоки персонализированных рекомендаций разместили в стратегически важных местах интернет-магазина:

• Домашняя страница – “Рекомендуемые аксессуары для вашей последней покупки”, “Специально для вас”.
• Страницы категорий – “Вам будет интересно”.
• Карточки товаров – “C этим товаром покупают”, “Подобрано на основе ваших предпочтений”, “Покупатели, которые просмотрели этот товар, также рассматривают”.
• Корзина – “К этому товару вам могут понадобиться”.

Выходя за рамки персонализации в ecommerce, компания “Фокстрот” укрепила свою стратегию омниканальной коммуникации с клиентами, внедрив рекомендации в физических точках продаж и сделала их доступными для консультантов call-центров.

Результаты – интеграция товарных рекомендаций помогла достичь таких результатов:

• Продажи аксессуаров и сопутствующих товаров выросли на 16%.
• Просмотры страниц и вовлеченность на сайте увеличились на 10%.
• Коэффициент конверсии сайта увеличился на 5%.

Кейс ритейлера Comfy: персонализированные блоки в проморассылках приносят 49% заказов

Comfy – это один из крупнейших ритейлеров электроники и бытовой техники в Украине. Компания имеет сеть из 94 магазинов, мобильное приложение и интернет-магазин. Сайт ежемесячно посещают 8 миллионов человек, и он стабильно входит в пятерку лучших онлайн-игроков украинского рынка.

Компания стремилась увеличить объемы заказов за счет персонализации еmail-рассылок.

Решение – команда eSputnik внедрила персонализированные блоки товарных рекомендаций как в триггерные, так и в массовые email-кампании. Для достижения бизнес-целей наши разработчики настроили алгоритмы с индивидуальными фильтрами. Эти фильтры включают:

• товары, которые постоянно отображаются в блоках рекомендаций;
• приоритетные продукты для повышения заметности;
• критерии исключения для определенных атрибутов товара и многое другое.

Рекомендации добавили в 9 типов триггеров – снижение цен на просмотренные товары, рекомендации согласно списку желаний и уведомления о распродаже. В массовых email-кампаниях блоки рекомендаций разместили в рассылках “Товар дня” и “Дневная/ночная распродажа”.

Результаты – за первые два месяца с момента внедрения рекомендаций мы добились таких результатов:

• Персонализированные блоки в проморассылках обеспечивают 49% от общего числа заказов.
• Блоки рекомендаций в массовых письмах достигли CTR 41%.
• Персонализированные рекомендации в триггерах приносят 20% заказов.

Выводы 

Персонализация в маркетинге, особенно в сфере розничной торговли, имеет решающее значение. Используя возможности AI и полезные данные о клиентах, товарные рекомендации обеспечивают индивидуальный подход к покупкам, повышают удовлетворенность потребителей и увеличивают доходы бизнеса.

Данные являются основой рекомендательных систем, и мы изучили, какая информация необходима для персонализированного клиентского опыта. Способность использовать большие данные нужна алгоритмам AI для предоставления рекомендаций, которые учитывают индивидуальные особенности покупателей. Кроме того, глубокое обучение повышает точность и производительность этих алгоритмов.

Существуют различные алгоритмы для рекомендательных систем, каждый из которых предназначен для решения конкретных задач и достижения бизнес-целей. Мы рассмотрели типы рекомендательных блоков и их роль в формировании взаимодействия с пользователем, а также проиллюстрировали, как их можно стратегически использовать на разных веб-страницах для повышения вовлеченности и продаж.

Практические примеры наших клиентов демонстрируют способность рекомендательных систем решать критические проблемы бизнесов. Благодаря механизму персонализации от eSputnik вы можете:

• преодолеть проблему брошенных корзин и просмотров, как это сделала компания Dnipro-M;
• улучшить взаимодействие с покупателями на сайте, как “Антошка”;
• увеличить прибыльность email-канала, как Comfy;
• генерировать доход за счет кросс-продаж и апсейла, как Pampik;
• увеличить среднюю стоимость заказа и повысьте прибыль в ключевых категориях товаров, как “Фокстрот”. 

Если вы хотите узнать больше о том, как ваш бизнес может достичь таких же или лучших результатов с помощью нашей платформы, свяжитесь с нами по адресу info@esputnik.com или запланируйте демо прямо сейчас, чтобы специалисты eSputnik показали возможности CDP в действии и ответили на все вопросы о совершенствовании вашей стратегии персонализации.

Special Request Inline