Гайд з персональних товарних рекомендацій: технологія в деталях та кейси 

У динамічному світі eсommerce перетворити випадкового відвідувача сайту на лояльного покупця – непросте завдання. Чи знаєте ви, що 80% споживачів з більшою ймовірністю здійснять покупку після персоналізованої взаємодії з брендом? А якщо ваша віртуальна вітрина підлаштовується до конкретного відвідувача і показує тільки релевантні для нього товари? Такий потенціал персоналізації робить бізнес значно ефективнішим.

З її допомогою можна впливати і на клієнтів, які зробили тільки одну покупку. Статистика свідчить, що 78% споживачів з більшою ймовірністю повторно замовлять у компанії, що надає пропозиції на основі їх потреб і очікувань. Так формується лояльність, яка сприяє успіху бізнесу. До речі, стільки ж клієнтів імовірніше порекомендують таку компанію своїм близьким.

Товарні рекомендації – один із найпотужніших інструментів персоналізації клієнтського досвіду. Пропозиції, засновані на алгоритмах нейромережі та даних про покупців, допомагають забезпечити індивідуальний підхід, підвищити задоволеність клієнтів і стимулювати зростання доходів.

У нашій статті ви дізнаєтеся більше про цю технологію: як вона працює в омніканальній CDP еSputnik і що потрібно знати, щоб ефективно її використовувати. Крім того, ми розглянемо кейси, що демонструють результати застосування персональних рекомендацій.

Основи персональних товарних рекомендацій

Процес реалізації персональних товарних рекомендацій складається з наступних етапів:

1. Збір даних – система товарних рекомендацій спирається на великий обсяг складної інформації. Наприклад, дані про дії користувача на вебсайті, у застосунку, в директ-каналах. Система враховує особисту інформацію клієнтів, а також дані про атрибути товарів.
2. Уніфікація даних – інформація, зібрана з різних джерел, може надходити у різних форматах – структурованому, напівструктурованому або неструктурованому. Вкрай важливо стандартизувати, дедублікувати та уніфікувати ці дані. Після обробки вони потрапляють у єдиний профіль користувача і стають доступними для сегментації, аналізу, формування рекомендацій тощо.
3. Обробка даних – для розуміння уподобань клієнтів, поведінкових моделей і зв'язків між товарами потрібне застосування аналітичних методів і спеціальних можливостей обробки даних, таких як машинне навчання й алгоритми глибокого навчання.
4. Генерація товарних рекомендацій алгоритмами штучного інтелекту – AI-алгоритми генерують пропозиції, аналізуючи всю доступну інформацію про покупця, споживачів зі схожою поведінкою і вподобаннями, дані про товари.
5. Омніканальне використання – згенеровані рекомендації відображаються в режимі реального часу на сторінках сайту, у застосунку та директ-каналах, обраних маркетологом (email, push-повідомлення, app inbox, Viber тощо).

Для реалізації всіх описаних процесів найкраще підходить омніканальна платформа клієнтських даних. Вона має функціональність для відстеження, збору та зберігання інформації про взаємодію споживачів із брендом у різних точках. Потім дані уніфікуються та використовуються для сегментації, формування рекомендацій, аналітики, організації комунікацій. Поєднання цих можливостей CDP допомагає компаніям мати повне уявлення про кожного клієнта та ефективно взаємодіяти з ним.

Як товарні рекомендації допомагають вирішити основні проблеми ecommerce

Компанії, які відчувають брак персоналізації взаємодії з клієнтами, часто стикаються з перешкодами, що обмежують зростання і прибутковість бізнесу. Однак стратегічне впровадження товарних рекомендацій може допомогти вирішити наступні проблеми: 

1. Підвищення рівня утримання клієнтів
   Це одна з найбільших проблем, з якою стикаються компанії. Лояльність покупців знижується, якщо вони не можуть знайти продукти, що відповідають їхнім потребам і бажанням. Персоналізовані рекомендації діють як компас і направляють користувачів до індивідуального вибору. Використовуючи дані про минулі покупки, історію відвідувань і вподобань клієнтів, компанії можуть створювати рекомендації, які викликають щирий інтерес і сприяють формуванню почуття зв'язку з брендом. Розробники eSputnik можуть налаштувати нейронну мережу так, щоб вона прогнозувала товари, які клієнти найімовірніше куплять, з точністю до 60%.
   
2. Скорочення кількості покинутих кошиків
   Серйозною проблемою для бізнесу є високий показник покинутих кошиків. До цієї неприємної ситуації можуть призвести різні чинники, наприклад, несподівані додаткові витрати або невпевненість клієнта у виборі товару.
   Персоналізовані рекомендації допомагають знизити кількість покинутих кошиків, пропонуючи покупцям низку аналогічних товарів у різних цінових категоріях. Пропозиція варіантів, що відповідають вподобанням клієнта, усуває сумніви і спонукає його завершити покупку.
   
3. Збільшення середньої вартості замовлення (AOV)
   Компанії, що мають багато замовлень з низькою середньою вартістю, часто стикаються з проблемою доходу. Через клієнтів, які витрачають мінімальну суму за транзакцію, знижується прибуток.
   Персоналізовані рекомендації – ключ до поліпшення AOV. 25% респондентів, які взяли участь у дослідженні, виявили, що персоналізація в ecommerce збільшує AOV. Аналізуючи історію покупок клієнта, його вподобання і додаткові продукти, компанії можуть пропонувати відповідні варіанти для крос-продажів та апсейлу.
   
4. Підвищення рентабельності основної групи товарів
   Якщо основна група товарів компанії має низьку рентабельність, персоналізовані товарні рекомендації можуть істотно вплинути на загальну прибутковість бізнесу. Використовуйте їх для крос-продажів, просування високоприбуткових аксесуарів і пропозиції додаткових товарів покупцям.
   
   Маркетологи можуть керувати умовами додавання товарів у блоки рекомендацій без залучення розробників. Крім того, команда eSputnik у разі потреби кастомізує алгоритми. Так нейронна мережа навчиться вчиться розпізнавати унікальні патерни, які найкраще відповідають потребам компанії.

Товарні рекомендації в деталях

Які дані використовує рекомендаційна система

Для створення персоналізованих пропозицій рекомендаційна система використовує всі доступні дані, а саме:

1. Дані про взаємодію: як користувачі взаємодіють з продуктами або послугами, наприклад кліки, лайки, покупки.

Щоб збирати дані з iнтернет-магазину і direct-розсилок, компанія має встановити скрипт вебтрекінгу eSputnik і налаштувати основні події для відстеження:

• Перегляд сторінки;
• Картка товару;
• Категорія;
• Кошик;
• Придбані товари.

Для відстеження подій у мобільних застосунках використовується eSputnik SDK. Після інтеграції нашої бібліотеки API-методів усі важливі поведінкові дані в застосунку будуть збиратися й автоматично відправлятися у CDP.

2. Дані користувача: демографічна інформація, розташування, особисті вподобання, розмір тощо. Ці дані дозволяють надавати високоточні рекомендації. Наприклад, алгоритми можуть рекомендувати тільки ті продукти, які доступні в місті, де знаходиться користувач.

3. Дані про товар: атрибути товарів або послуг, як-от ціна, категорія та бренд. Алгоритми отримують цю інформацію з фіда товарів.

Ви можете додатково збагатити дані, які використовуються для формування рекомендацій, інформацією із зовнішніх джерел, наприклад, Google BigQuery, Google Firebase, PostgreSQL і CRM-систем.

Чим більше інформації про своїх клієнтів компанія збирає, тим точніші товарнi рекомендацiї формуються для кожної людини. Також важливо, щоб дані передавалися в режимі реального часу і алгоритми могли в будь-який момент показувати на сайті та в застосунку пропозиції, що відповідають інтересам відвідувача.

Як у рекомендаційних системах застосовують глибоке навчання

Ви можете створювати персоналізовані пропозиції, використовуючи різні інструменти аналізу та кластеризації даних. Однак найефективніші пропозиції формуються з використанням системи штучного інтелекту (АІ) з глибоким навчанням. Великі дані необхідні для того, щоб алгоритми АІ мали змогу генерувати рекомендації, актуальні для кожного споживача. А глибоке навчання використовують для підвищення точності та продуктивності цих рекомендацій.

Одна з переваг глибокого навчання в рекомендаційних системах полягає в тому, що воно дозволяє моделювати нелінійні відносини між користувачами та товарами. Наприклад, глибока нейронна мережа може навчитися розпізнавати складні закономірності в поведінці користувачів і на основі отриманих результатів створювати для клієнтів персоналізовані рекомендації.

Є певні рівні використання глибокого навчання в рекомендаційних системах:

1. Попередня обробка даних: початковим етапом побудови рекомендаційної системи на основі глибокого навчання є попередня обробка даних. Це стадія очищення й перетворення вихідних даних у формат, придатний для використання моделлю глибокого навчання. Наприклад, дані можуть бути перетворені в матрицю користувач-товар, де кожен рядок відповідає користувачеві, а кожен стовпець – товару.
2. Подання даних: наступний крок – подання даних таким чином, щоб модель глибокого навчання могла їх використовувати. Одним із популярних підходів є представлення користувачів і товарів у вигляді векторів у багатовимірному просторі. Ці вектори можна вивчити за допомогою факторизації матриці або навчання глибокої нейронної мережі.
3. Архітектура нейронної мережі: після попередньої обробки та подання даних необхідно спроєктувати архітектуру нейронної мережі. Ви можете використовувати безліч різних архітектур, але одним із популярних підходів є багатошарова нейронна мережа прямого розповсюдження (feedforward neural network) з одним або кількома прихованими шарами. Зазвичай вектор користувач-товар подається на вхід нейронної мережі, створюючи на виході оцінку з поданням прогнозованих товарів.
4. Навчання моделі: наступний крок – підготовка моделі глибокого навчання. Це подача навчальних даних (тобто векторів користувач-товар і відповідних рейтингів) в нейронну мережу і коригування ваг мережі для мінімізації помилки прогнозування. Цей процес зазвичай виконується з використанням стохастичного градієнтного спуску або аналогічного алгоритму оптимізації.
5. Створення прогнозів: коли модель глибокого навчання пройшла підготовку, вона може генерувати прогнози для нових пар користувач-товар. Вектор користувач-товар подається в мережу, після чого обчислюється вихідна оцінка. Потім користувачеві рекомендуються товари з найвищими оцінками.

У кожної нейронної мережі своє завдання, що залежить від бізнес-цілі. Наприклад, алгоритми можуть навчитися підбирати товари, які зазвичай купують разом, або передбачати наступну покупку клієнта. У результаті набір даних, який використовується для навчання нейронної мережі, і її архітектура налаштовуються по-різному – залежно від завдання.

Мережа завжди навчається і тренується на даних конкретної компанії, щоб давати точні рекомендації.

Після навчання нейронну мережу розгортають у робочому середовищі (на вебсайті, у застосунку). Тепер її можна використовувати одночасно в декількох блоках рекомендацій, де товари підбираються за різною логікою. Наприклад, показувати тільки товари зі знижками або товари певного бренду, у певному ціновому діапазоні тощо. Важливо, що модель не потрібно перенавчати для різних цілей, достатньо налаштувати фільтри рекомендацій.

Типи алгоритмів рекомендаційних систем

Штучний інтелект створює персоналізовані рекомендації, аналізуючи безліч різних параметрів – як дані про поведінку клієнтів, так і інформацію про товари. В eSputnik є наступні типи рекомендаційних систем товарів:

1. Рекомендаційні системи на основі контенту пропонують товари, схожі на ті, які користувач уже придбав або з якими взаємодіяв раніше. Цей алгоритм працює на основі параметрів товарів (наприклад, описів, метаданих тощо), щоб рекомендувати ті, які схожі з попередніми інтересами користувача. Такий метод корисний для рекомендації нішевих товарів або в ситуаціях, коли дані про взаємодію з користувачем обмежені. Наприклад, на ранніх стадіях відносин, поки ще не зібрано достатньо даних для складніших алгоритмів.
2. Системи рекомендацій з колаборативною фільтрацією пропонують товари, ґрунтуючись на поведінці користувачів, що мають схожі смаки, або на схожості продуктів. Ідея колаборативної (спільної) фільтрації така: якщо вам і комусь ще подобалися схожі речі в минулому, то, найімовірніше, вони сподобаються вам і в майбутньому. Існує два основні типи колаборативної фільтрації:
   - На основі користувачів – цей метод порівнює вашу поведінку з поведінкою інших користувачів-однодумців і пропонує продукти, які сподобалися їм.
   - На основі товарів – замість користувачів розглядається схожість продуктів. Якщо ви вже виявляли інтерес або купували деякі з них, вам пропонують схожі товари.
   
3. Гібридні рекомендаційнi системи поєднують у собі різні методи для формування точніших і персоналізованіших пропозицій. Наприклад, гібридна система може використовувати колаборативну фільтрацію, щоб пропонувати елементи на основі поведінки користувача, а також фільтрацію на основі контенту, щоб пропонувати товари на основі їхніх характеристик.
4. Персоналізовані рекомендації формують індивідуальні пропозиції окремим користувачам, засновані на їхніх конкретних інтересах, уподобаннях і поведінці. Ці рекомендації адаптовані до унікальних характеристик кожного покупця і забезпечують вищий рівень залученості та задоволеності клієнтів, ніж неперсоналізовані варіанти.
   Персоналізовані рекомендації формуються завдяки збору та аналізу даних про дії кожного користувача на вебсайті і в мобiльному застосунку, зокрема:
   - історії переглядів;
   - пошукових запитів;
   - історії покупок;
   - списків обраного тощо.
   Потім система зберігає ці дані в профіль користувача, який використовується для прогнозування продуктів або послуг, що найімовірніше зацікавлять покупця. Для створення таких персоналізованих рекомендацій ми застосовуємо методи глибокого навчання.

5. Персоналізовані рекомендації на основі сеансів – це тип рекомендаційної системи, який формує пропозиції на основі нещодавніх взаємодій користувача в рамках одного сеансу перегляду. Алгоритми обробляють послідовність подій сеансу і вчаться передбачати наступну дію споживача. Це дає змогу генерувати релевантніші персоналізовані рекомендації в режимі реального часу.

Типи рекомендаційних блоків

Блоки рекомендацій – це розділи на сайті, у застосунку та розсилках, де користувачам відображають товарні пропозиції. Вони розроблені для підвищення ймовірності покупки і містять товари, що відповідають потенційним інтересам клієнта. Ось деякі поширені типи рекомендаційних блоків:

1. Схожі (або пов'язані) товари: цей тип рекомендацій містить продукти, схожі на той, який переглядає користувач. Наприклад, якщо відвідувач дивиться товар, якого немає в наявності, ви можете запропонувати йому подібні варіанти.
   
   
2. Часто купують разом: у рекомендаціях цього типу пропонують продукцію, яку часто купують разом із товаром, що переглядає користувач. 
   
   
3. Популярні/трендові товари або бестселери: цей тип рекомендацій містить найпопулярніші товари на сайті. Він може допомогти користувачам знайти трендові товари або ті, які користуються великим попитом.
   
   
4. Нещодавно переглянуті товари: у рекомендаціях цього типу відображаються товари, які користувач нещодавно переглядав. Це може бути корисно, якщо споживач захоче повернутися до товару, який він бачив раніше.
   
5. Персоналізовані рекомендації: такий тип рекомендацій використовує дані про історію відвідувань і покупок користувача, щоб запропонувати йому товари, які можуть його зацікавити.
   
   
6. Нові надходження або знижки: цей тип рекомендацій представляє нещодавно додані товари або товари зі знижками та дає змогу користувачам бути в курсі останніх новинок і вигідних пропозицій.
   
   
   

Застосування товарних рекомендацій у різних каналах

Використовуючи товарні рекомендації, ecommerce-компанія може контактувати з клієнтами в різних точках взаємодії, забезпечуючи омнiканальну персоналiзацiю:

1. На сайті. Рекомендації органічно інтегруються в інтерфейс сайту та допомагають користувачам обрати товар. Враховується поведінка клієнтів в браузері, їхні вподобання та попередня взаємодія із сайтом. Рекомендації покращують користувацький досвід і підвищують конверсію.
2. Персоналізовані рекомендації в мобільному застосунку допомагають зробити досвід покупців якіснішим. Аналізуючи дії всередині програми, ці рекомендації підвищують залученість користувачів і збільшують коефіцієнт їхнього утримання.
3. Використовуючи товарні рекомендації, продавці в офлайн-магазинах можуть надавати клієнтам персоналізовані пропозиції, збільшуючи ефективність додаткових і перехресних продажів. Ця технологія також допомагає операторам з обслуговування клієнтів.
4. У директ-каналах персоналізовані пропозиції спонукають підписників перейти на сайт або в застосунок і стимулюють перехресні та додаткові продажі. Еcommerce може використовувати такі директ-канали:
   • email;
   • веб- і мобільні push-повідомлення;
   • app inbox;
   • Viber.

Розглянемо як використовувати рекомендації в кожному з цих каналів: 

• В email персоналізація контенту на основі вподобань користувачів підвищує релевантність промоповідомлень і сприяє зміцненню стосунків із клієнтами.

• Push-повідомлення, доповнені персоналізованими пропозиціями, відкривають можливості для взаємодії в режимі реального часу. Користувачам пропонують товари, які відповідають їхнім інтересам. А це спонукає клієнтів до негайних дій і формує лояльність до бренду.
  У CDP eSputnik у мобільні push-сповіщення можна додати до 10 зображень, демонструючи один продукт із різних боків або кілька товарів.
  
  Згідно зі статистикою, відсоток відкриттів можна збільшити у 2-4 рази, використовуючи в push-повідомленні кілька зображень.
• App inbox – це центр повідомлень в особистому кабінеті зареєстрованого користувача вашого сайту або застосунку. У цьому каналі можна порекомендувати один товар або направити покупця на сторінку з персоналізованим асортиментом.
• Аналогічно можна додавати товарні рекомендації у Viber-повідомлення, щоб надавати людині найкращі пропозиції або персоналізовану добірку.

Типи сторінок і відповідні рекомендаційні блоки

Блоки рекомендацій можна використовувати на різних трафікових сторінках ecommerce-сайту, щоб поліпшити взаємодію з користувачем і збільшити продажі. Ось деякі типи сторінок і відповідні рекомендаційні блоки для них:

• Сторінка продукту відображає детальну інформацію про конкретний товар. Для цього типу рекомендують використовувати блоки “Схожі товари” і “Часто купують разом”. Вони допоможуть користувачам знайти бажані продукти.
  
  

• Сторінка категорії містить список товарів у певній категорії. Для цієї сторінки рекомендують використовувати блоки “Бестселери” та “Трендові товари”. Вони роблять акцент на популярності та тенденціях, щоб рекомендувати продукти, які користуються попитом у цій категорії.
  
  
   
• Головна сторінка – це перша сторінка, яку бачить клієнт під час відвідування ecommerce-сайту. Для цієї сторінки варто додавати блоки “Рекомендовано для вас” або “Персоналізовані рекомендації”. Вони використовують дані про поведінку покупця під час перегляду та купівлі, щоб пропонувати товари, які з найбільшою ймовірністю його зацікавлять.
  
  
   
• На сторінці “Кошик” або “Оформлення замовлення” відображаються товари, які покупець додав у кошик. Для цієї сторінки рекомендують використовувати блоки “Часто купують разом” і “Вам також може сподобатися”. У цих блоках відображаються товари, які часто купують разом із товарами в кошику, або дорожчі товари, аналогічні доданим у кошик.
  
  

Кейси використання персоналізованих товарних рекомендацій

Чимало клієнтів eSputnik, зокрема великі ритейлери, вже багато років використовують персоналізовані рекомендації в різних каналах взаємодії з клієнтами. Дізнайтеся більше про проблеми та завдання, які компанії вирішують, а також про успіхи, яких вони досягли за допомогою інструменту товарних рекомендацiй.

Інтернет-магазин Рampik збільшив ROI на 1734%

Pampik – український інтернет-магазин, що спеціалізується на товарах для дітей і материнства. Трафік сайту – 245 тисяч відвідувачів на місяць. За 13 років роботи магазин виконав понад 100 мільйонів замовлень. 

Мета: збільшити реалізацію товарів завдяки кросс-продажам і апсейлу, а також поліпшити користувацький досвід відвідувачів сайту.

Рішення. На ecommerce-сайті впровадили такі товарнi рекомендацiї:

• Головна сторінка – відображали блок з популярними товарами.
• Сторінки товарів – додали розділи “Із цим товаром купують” і “Подібні товари”.
• Сторінки товарів, яких немає в наявності – відображали схожі товари, що купують разом із відсутнім.
• Кошик – рекомендували продукти, які зазвичай купують разом з обраним товаром.
• Сторінка 404 – пропонували персоналізовані рекомендації “Популярне для вас”.
• Сторінка подяки – відображали блок “Популярне для вас”.

Результати. За рік компанія досягла таких результатів:

• ROI товарних рекомендацій збільшився з 341% (на початку використання в низький сезон) до 1734% (кульмінація у високий сезон першого року).
• 47,24% загального доходу, отриманого від рекомендацій, припадає на блоки, що відображаються на головній сторінці.
• 24,8% загального доходу від рекомендацій припадає на блок “Із цим товаром купують”.

Ритейлер "Антошка" збільшує щомісячний дохід на 20% завдяки рекомендаціям в email

“Антошка” – один із провідних ритейлерів дитячих товарів в Україні. Роздрібна мережа налічує понад 40 офлайн-магазинів у країні. Щомісячна відвідуваність сайту – 700 тисяч осіб.

Мета: збільшити продажі за допомогою автоматизованих і персоналізованих email-кампаній. Для цього впровадили поведінкові тригери, що базуються на взаємодії споживачів із сайтом.

Рішення. Тісно співпрацюючи з маркетинговою командою клієнта, розробники eSputnik впровадили низку алгоритмів персоналізованих рекомендацій, що охоплюють такі категорії:

• вам також сподобається;
• товари зі знижкою;
• товари з тієї самої категорії;
• кросс-продажі;
• товари, схожі на той, якого немає в наявності.

Рекомендації в email-розсилці враховують вік і стать дитини підписника, а кожен тригер містить від 3 до 6 пропонованих товарів. Крім того, на сайті відображаються блоки рекомендацій. Вони розташовані в стратегічно важливих місцях – на головній сторінці (“Вигідні пропозиції”) і в картках товарів (“Схожі товари”).

Результати впроваджень:

• Щомісячний дохід від email-каналу підвищився на 20% завдяки поведінковим тригерам з рекомендаціями.
• Персоналізовані кампанії мають більш ніж удвічі вищі показники Open Rate і Click-Through Open Rate, а також на 70% вищі показники транзакцій, ніж масові емейли.
• Блоки рекомендацій на сайті подовжили час перебування користувачів в інтернет-магазині та збільшили кількість переглянутих сторінок товарів.

Ритейлер Dnipro-M збільшив ROI на 23,5%

 Dnipro-M – український виробник і продавець будівельних інструментів із мережею власних магазинів у п'яти європейських країнах. Щомісяця інтернет-магазин відвідують два мільйони користувачів.

Щоб підвищити лояльність клієнтів, компанія використовує товарнi рекомендацiї в email-розсилках і на сайті. Основне завдання – стимулювати зростання продажів.

Рішення: додали блоки рекомендацій до омніканальних тригерів “Покинутий кошик” і “Покинутий перегляд”. На сайті Dnipro-M товарні рекомендації формуються так:

• на сторінках товарів пропонують схожі товари;
• на головній сторінці представлені бестселери, популярні та нещодавно переглянуті товари.

Щоб поліпшити взаємодію з користувачем, додали більш персоналізовані алгоритми. Для цього на головній сторінці відображаються бестселери та персоналізовані добірки. Крім того, на сторінці товару з'явився розділ “З цим товаром купують”, у якому представлені додаткові товари.

Результати. За вересень-жовтень 2022 року доля омніканальних тригерів від загальної кількості замовлень зросла так:

• Покинутий кошик – у 19 разів.
• Покинуті перегляди – у 10 разів.

Впровадження розширених товарних рекомендацій на сайті принесло зростання продажів:

• частка замовлень, пов'язаних із товарними рекомендаціями на головній сторінці, збільшилася у 2,4 раза;
• для рекомендацій у картці товару ця частка збільшилася в 2,2 раза.

Загалом рентабельність інвестицій у товарні рекомендації зросла на 23,5%.

Oмніканальный ритейлер “Фокстрот” збільшив продаж аксесуарів на 16%

Фокстрот – один із найбільших ритейлерів побутової електроніки та товарів для дому в Україні. Мережа налічує 119 фізичних магазинів по всій країні. У ритейлера є мобільний застосунок та інтернет-магазин. Щомісяця сайт відвідують 5 мільйонів користувачів. 

Завдання: збільшити маржинальність основної категорії електроніки. Маркетингову стратегію спрямували на збільшення продажів супутніх товарів і аксесуарів. Завдяки товарним рекомендаціям на сайті хотіли спонукати покупців до цільових дій і збільшити кількість товарів у чеку.

Рішення: data scientist eSputnik навчили нейронну мережу прогнозувати найбільш імовірні наступні покупки клієнтів. Команда стежила за тим, щоб в рекомендації потрапляли тільки релевантні пропозиції. Для складних алгоритмічних налаштувань залучали фахівців Foxtrot, наприклад, для блоку товарів “Разом дешевше”. AI оцінював імовірність спільної покупки товарів, а потім створював готові набори. Команда замовника перевіряла релевантність категорії, видаляла непотрібні товари і розраховувала вартість наборів.

Блоки персоналізованих рекомендацій розмістили в стратегічно важливих місцях інтернет-магазину:

• Домашня сторінка – “Рекомендовані аксесуари до останньої покупки”, “Спеціально для вас”.
• Сторінки категорій – “Вас зацікавить”.
• Картки товарів – "З цим товаром купують", “Підібрано на основі ваших запитів", "Покупці, які переглядали цей товар, також цікавляться"
• Кошик – “До цього товару вам можуть знадобитися”.

Вийшовши за рамки персоналiзацiї в ecommerce, компанія “Фокстрот” зміцнила свою стратегію омніканальної комунікації з клієнтами, впровадивши рекомендації у фізичних точках продажів та зробивши їх доступними для працівників call-центрів.

Результати. Інтеграція товарних рекомендацій допомогла досягти таких результатів:

• Продажі аксесуарів і супутніх товарів зросли на 16%.
• Перегляди сторінок і залученість на сайті збільшилися на 10%.
• Коефіцієнт конверсії сайту збільшився на 5%.

Кейс ритейлера Comfy: персоналізовані блоки в проморозсилках приносять 49% замовлень

Comfy – один із найбільших ритейлерів електроніки та побутової техніки в Україні. Компанія має мережу з 94 магазинів, мобільний застосунок та інтернет-магазин. Сайт щомісяця відвідує 8 мільйонів осіб, і він стабільно входить до п'ятірки кращих онлайн-гравців українського ринку.

Компанія прагнула збільшити обсяги замовлень завдяки персоналізації еmail-розсилок.

Рішення. Команда eSputnik впровадила персоналізовані блоки товарних рекомендацій як у тригерні, так і в масові email-кампанії. Для досягнення бізнес-цілей наші розробники налаштували алгоритми з індивідуальними фільтрами. Ці фільтри містять:

• товари, що постійно відображаються в блоках рекомендацій;
• пріоритетні продукти для підвищення помітності;
• критерії виключення для певних атрибутів товару та багато іншого.

Рекомендації додали в 9 типів тригерів – зниження цін на переглянуті товари, рекомендації згідно зі списком бажань і повідомлення про розпродаж. У масових email-кампаніях блоки рекомендацій розмістили в розсилках “Товар дня” і “Денний/нічний розпродаж”.

Результати. За перші два місяці з моменту впровадження рекомендацій отримали такі результати:

• Персоналізовані блоки в проморозсилках забезпечують 49% від загальної кількості замовлень.
• Блоки рекомендацій у масових листах мають CTR 41%.
• Персоналізовані рекомендації в тригерах приносять 20% замовлень.

Підсумки

Персоналiзацiя в маркетингу, особливо у сфері роздрібної торгівлі, має вирішальне значення. Використовуючи можливості AI-алгоритмів та цінні дані про клієнтів, товарні рекомендації забезпечують індивідуальний підхід до покупок, підвищують задоволеність споживачів та збільшують доходи компанії.

Дані є основою рекомендаційних систем, в матеріалі ми розкрили, яка інформація необхідна для персоналізованого клієнтського досвіду. Можливість використовувати великі дані потрібна алгоритмам нейронної мережі для надання рекомендацій, що враховують індивідуальні особливості покупців. Крім того, глибоке навчання підвищує точність і продуктивність цих алгоритмів.

Існують різні алгоритми для рекомендаційних систем, кожен з яких призначений для вирішення конкретних завдань і досягнення бізнес-цілей. Ми розглянули типи рекомендаційних блоків та їхню роль у формуванні взаємодії з користувачем, а також проілюстрували, як їх можна стратегічно використовувати на різних вебсторінках для підвищення залученості та продажів.

Кейси наших клієнтів демонструють здатність рекомендаційних систем вирішувати критичні проблеми бізнесів. Завдяки механізму персоналізації від омніканальної CDP eSputnik ви можете:

• генерувати дохід завдяки кросс-продажам та апсейлу, як Pampik;
• вирішити проблему покинутих кошиків і переглядів, як Dnipro-M;
• поліпшити взаємодію з покупцями на сайті, як “Антошка”;
• збільшити прибутковість email-каналу, використати персональні товарні рекомендації в масових розсилках, як Comfy;
• збільшити середню вартість замовлення та підвищити прибуток у ключових категоріях товарів, як “Фокстрот”.

Щоб дізнатися більше про те, як ваш бізнес може досягти таких або навіть кращих результатів з допомогою нашої платформи, зв'яжіться з нами за адресою info@esputnik.com, або заплануйте демо просто зараз, аби фахівці eSputnik показали можливості CDP в дії та відповіли на всі запитання щодо вдосконалення вашої стратегії персоналізації.

Special Request Inline