REES46: пять ошибок работы с товарными рекомендациями на сайте

REES46 — комплекс ecommerce-сервисов, работающих по принципу «одного окна». Включает в себя инструменты для повышения конверсии интернет-магазина, размера среднего чека, life-time value клиента, работы с лояльностью. Мы сделали подборку решений на сайтах интернет-магазинов, где товарные рекомендации работают не так, как планировалось — и показали, как это можно исправить.

Каков один из главных принципов офлайнового сетевого магазина? Правильно, зайдя за спичками, клиент должен уйти в полными пакетами всякого добра, которое он покупать не собирался, но оно ему внезапно очень понадобилось благодаря усилиям маркетологов и мерчендайзеров. Что-то продается с якобы огромной скидкой, что-то просто правильно лежит в нужном месте — как условные чипсы рядом с условным пивом. А некоторые ритейлеры даже используют системы распознавания лиц: ты подошёл к мясному отделу, а на ближайшем дисплее включили для тебя персонализированный рекламный ролик: попробуй вот этот сервелат к праздничному столу — мы же знаем, что у тебя гости завтра.

Наверное, самый известный такой кейс у Mondelez (производитель печенек Oreo). Они решили сделать smart shelves — полки в магазинах с датчиком Kinect, который определял пол и возраст подходящих к полке людей. Правда, потребители технологию тут же назвали жуткой и новости на тему инновации как-то резко иссякли.

В онлайн-ритейле возможности классического мерчендайзинга сильно ограничены, однако есть другие инструменты повышения среднего чека: в первую очередь это товарные рекомендации. Многие владельцы интернет-магазинов относятся к ним скептически. Дескать, раз доля прямого трафика в e-commerce невелика и составляет в среднем лишь 16-19%, то это означает, что покупатель чаще всего ищет конкретный товар. На самом деле зашедший в магазин посетитель может искать и несколько разных товаров одновременно, или изучать онлайн-витрины на предмет «что дают». Или искать, что бы такое интересное купить с хорошей скидкой: клиент часто вообще не предполагает существование того или иного товара, но как только узнает о нём, сразу хочет его приобрести. Иначе как жить без коврика для газовой плиты за 93 рубля? На этом держится весь AliExpress, например.

Продать покупателю в интернете больше, чем он планировал потратить, можно разными способами. Например, это надоедливые popup-баннеры про очередные акции (купи на 5000 рублей и получи бесплатную доставку). Это работает разве что при очень низких порогах: например, если покупатель выбрал товар за 200 рублей, а доставка стоит 300, но от 500 рублей она бесплатна. Если же товар стоит 5000, а бесплатная доставка от 10 000, то покупателю будет лень идти и искать, чем бы еще добить корзину до акционной суммы, чтобы сэкономить 300 рублей – он прекрасно понимает, что потеряет значительно больше, набрав ненужного барахла.

А можно использовать товарные рекомендации. Все слышали про то, что они действительно работают, и кто-то даже знает о том, что они бывают разных видов под разные сценарии. Но на практике в российских интернет-магазинах они часто реализуются просто по принципу «Чтобы было».

Первый пример: заходим на сайт крупного сетевого ритейлера, торгующего электроникой и бытовой техникой. Нажимаем на первый попавшийся ноутбук. В разделе «рекомендуемые аксессуары» видим прекрасное:

Хорошо, колонки еще куда ни шло, благо в ноутбуках динамики совсем негромкие. Но зачем мне громоздкая веб-камера, если она (причем лучшего качества) и так встроена в лэптоп? Или какой-то кабель для принтера? Мы не принтер покупаем. Сюда же микрофон и гарнитура: вроде полезно, но у этого ноутбука другой разъем и предложенные аксессуары вообще не будут работать.

То есть, платформа просто предлагает абы какие «околокомпьютерные» аксессуары, которые просто нужно продать.

Второй пример: часто весь рекомендательный блок содержит просто подборку товаров аналогичного типа:

То есть, пришел пользователь за конкретным рюкзаком, а ему предлагают еще 8 штук, причем с десятикратным разбросом цен. Задача переориентировать на более дорогой товар понятна, но в данном случае этот «выбор» только запутывает покупателя, потому что логики в выборе ценового сегмента здесь не просматривается.

Исправить ситуацию можно было бы при помощи ручной настройки блоков рекомендации с указанием диапазона цен, однако такая функция есть далеко не во всех системах управления рекомендациями.

Третий пример: нерелевантный товар. Заходим на сайт зоомагазина и выбираем корм для собак малых пород. Что нам предлагают в качестве рекомендаций? Переноску, в которой три наших собаки могут играть в чехарду. Палочки-игрушки диаметром 3,5 сантиметра: такие хорошо овчарке дать, но никак не чихуахуа. Уничтожитель пятен и запахов для кошек. Наверное, собаки тоже метят территорию и гадят в тапки. Ну, и поилка для грызунов. Маленькая же собака, не больше хомячка. Зато все товары — со скидкой!

Ни один универсальный алгоритм не сможет корректно работать с зоомагазинами: здесь требуется ручная дополнительная настройка специфики. То есть, нужно задать условие: если пользователь зашел в раздел «собачьих» товаров, то он должен получать рекомендации только из этой категории, а не из всего ассортимента. Так выглядит настройка такой логики:

Четвертый пример: дорогостоящий товар. В рекомендательный блок желательно добавлять товары, которые стоят значительно дешевле «основного», к которому они рекомендуются. Потому что вероятность того, что покупатель вдруг в дополнение к телевизору за 25 тысяч рублей внезапно захочет приобрести смартфон за те же деньги, крайне маловероятна. Он сейчас совершает крупную покупку и две сразу просто «не потянет». Сейчас же не декабрь 2014-го, когда самые хитрые побежали хватать электронику впрок в надежде продать ее на «Авито», когда та подорожает. Из всего предлагаемого еще как-то можно оправдать медиаплеер за 5 тысяч, вот только проблема: в современном телевизоре и так есть встроенный медиаплеер. Куда логичнее здесь выглядел бы, например, кронштейн.

Пятый пример: неочевидное расположение рекомендательного блока там, где его не увидит большинство пользователей.. Посмотрите на магазин мотоэкипировки: после карточки с товаром расположена таблица с размерами, потом видеообзор товара, потом два видеоролика с гайдами по выбору мотоштанов, далее отзывы, потом условия доставки, далее проматываем все адреса офлайновых магазинов с фотографиями, дальше рассказ про гарантию, предложение оставить номер телефона, далее текст про то, где купить и померить, потом видео про то, какой магазин сам по себе крутой, еще раз предложение оставить телефон, уффф, доскроллили до десятого экрана, наконец-то рекомендуют нам другие штаны. Все подряд, мужские и женские.

Единственный вариант, при котором рекомендательные блоки действительно работают — это когда товары в них предлагаются персонально. Это работает примерно так же, как «Яндекс.Музыка», подсовывающая вам интересных музыкантов, которых вы раньше не слышали, или YouTube с видео, которые можно смотреть бесконечно. Но откуда вы узнаете, что пользователь захочет купить конкретный товар?

Это невозможно знать заранее, но можно с высокой долей соответствия предсказать на основе анализа Big Data и искусственного интеллекта; модель, обученная на сотнях тысяч поведенческих сценариев, и учитывающая, казалось бы, даже малозначительные данные типа времени входа на сайт и используемого устройства, позволяет строить обезличенный «профиль» покупателя и уже на основании этого предлагать ему релевантную рекомендацию, причем не всегда очевидную. Условно, интересующемуся ноутбуком конкретному человеку можно посоветовать электрическую зубную щетку, и он ее купит! Почти как в классическом мерчендайзинге.

Такой механизм реализован, например, на платформе REES46. При этом, помимо готовых сценариев, можно создавать и тестировать собственные, причем для этого не нужно быть дата-саентистом: схема будет просто и наглядно нарисована в личном кабинете. В системе доступно три уровня персонализации; а для каждого генерируемого рекомендательного блока доступны продвинутые инструменты аналитики.

В среднем внедрение рекомендательных блоков на основе Big Data, по статистике REES46, позволяет увеличить объем продаж на 18% в штучном выражении. Например, в интернет-магазине Nanuka на платформе REES46 работают 6 блоков:

В декабре благодаря товарным рекомендациям Nanuka получили 7,2% выручки, а объем проданных товаров увеличился на 16,8%.

Магазину товаров для ногтей ParisNail товарные рекомендации помогают делать большую часть продаж и обеспечивают около 30% дополнительного дохода. Этот показатель превосходит аналогичный для штатных систем CMS, используемых магазином ранее. Так, доля продаж из блоков рекомендаций достигает в некоторые дни 62,6%, а доля рекомендованных товаров в выручке доходит до 34%. Самая лучшая конверсия у сценариев «Брошенная корзина» и «Смотрел, но не купил» — они и принесли больше всего продаж.

В интернет-магазине косметики и бытовой химии Sunbeeshop часть блоков работает с «заполняющим алгоритмом»: когда некоторые товары добавляются по одному алгоритму, а некоторые — по другому. При этом в конструкторе можно выставить лимит товаров для каждого алгоритма. Благодаря тому, что Sunbeeshop активно работает с конструктором товарных рекомендаций, у него одни из самых высоких показателей в отрасли среди всех клиентов REES46: например, в ноябре доля проданных товаров через блоки рекомендаций составила 77,72% или 52,04% от всей выручки.

Товарные рекомендации — прекрасный инструмент для увеличения объемов продаж и среднего чека. Нужно лишь не использовать их бездумно: мол, что-то там рекомендует, авось нарекомендует. Блок рекомендаций должен быть, во-первых, хорошо заметным, а во-вторых, максимально персонализированным. Сделать его таким позволяют современные технологии машинного обучения, но важно понимать: это лишь эффективный инструмент в руках продавца, а не волшебная кнопка «увеличить продажи». Приложить руки, то есть, выдвинуть и проверить гипотезы, провести A/B-тесты всё же придётся.