Ecommerce-персонализация: проблема «черного ящика» и ее решение

Каждый, кто покупал в интернет-магазине, хотя бы раз (на самом деле не раз) был в такой ситуации. В «рекомендованных товарах» внезапно появлялось то, чего вы не собирались покупать примерно никогда. Как оно оказалось в ваших рекомендациях?

Да это просто «умная» Big Data в очередной раз все решила за вас, за маркетолога этого магазина и вообще за всех. Типичный черный ящик с непредсказуемым результатом. Насколько это вредит вашим продажам — подсчитать невозможно, для каждого посетителя рекомендации рассчитываются индивидуально. И никто не знает, что ваши клиенты видят в «рекомендованном» на самом деле. Проблема, однако.

Все уже знают о персонализации, и все в курсе, что это хорошо для продаж и клиентской лояльности. Но тут есть оговорка — это касается только той персонализации, которая правильно работает.

Что я подразумеваю под «правильно/неправильно»? Любой интернет-магазин — это про отраслевую специфику. Это значит: поведение посетителей определяется очень индивидуальными закономерностями, справедливыми только для этого рынка. Или даже для этого сайта.

Например, посмотрите на любой детский магазин. Есть такая очевидная характеристика товара, как возраст ребенка. Это, можно сказать, определяющий фактор, он задает поведение родителя-покупателя. Если твоему ребенку три месяца от роду, ты не смотришь металлические конструкторы, это логично. Соответственно, персонализация в магазине должна работать так, чтобы учитывать этот фактор.

Но с другой стороны, есть производители движков товарных рекомендаций. Подключаешь такой к магазину, и получаешь персонализацию. Они, в абсолютном большинстве своем, слышать не слышали про отраслевую специфику. Ключевая задача такого бизнеса — построить максимально универсальный продукт, чтобы более-менее нормально работал и с детскими товарами, и с автозапчастями, и с косметикой.

В результате с магазином может случиться что-то вроде того:

Почему в сопутствующие товары попали игрушки для детей 4-5 лет — я уверен, никто не знает. Справедливости ради стоит отметить, что если проскроллить описание товара, то в самом низу страницы можно найти блок «похожие товары». И там уже что-то похожее на правду:

Но какая конверсия будет из верхнего блока рекомендаций — большой вопрос. Скорее всего, никакая.

Это значит — блок просто занимает место и не создает продажи. По крайней мере, пока не накопится нужное количество статистики конкретно по вот этому посетителю и движок не сможет подшить все данные по нему в единое досье. Вот тогда, возможно, блок рекомендаций превратится в инструмент продаж.

Полярная ситуация — товарные рекомендации выбираются вручную. Где-то в глубине офиса, в десять вечера, сидит грустный контент-менеджер, а над ним нависает маркетолог. Они занимаются персонализацией витрины.

У маркетолога есть статистика по продажам — какие товары чаще покупают с другими, какие сейчас сметают с прилавка за часы, а какие лежат месяцами. У контент-менеджера есть две руки, больная спина и усидчивость.

Такое решение подходит для совсем небольшого ассортимента. И, само собой, если вы хотите поддерживать связи между товарами в актуальном состоянии, потребуется прорва ресурсов.

Начинаете расти — «работа руками» быстро становится бесполезной.

Не менее важный вопрос — как измерять эффективность рекомендаций в принципе? Что будет, если немного поменять логику показов товаров. Что будет, если выводить их не слайдером, а строчками одна под другой. Или показывать не 6, а 8 товаров. Или — совсем уже фантастика — настроить рекомендации так, чтобы вот именно для этой группы товаров в рекомендациях выводились вон те, залежалые на складе, а для остальных бы все работало по обычному сценарию.

Исторически так сложилось, что движки персонализации работают отдельно, а люди — отдельно. У первых внутри происходят процессы, сравнимые по загадочности и недоступности для понимания с синтезом антиматерии. Такой типичный «черный ящик», который на выходе дает какой-то результат. Люди вынуждены или смириться, или взять саппорт за рога и добиваться от них, пусть и за отдельную плату, доработок по продукту.

Или бросить все и вернуться к ручным правилам.

Или — прочитать дальше.

Товарные рекомендации — один из главных инструментов, генерирующих допродажи. По нашему опыту — часто бывает так, что рекомендованных товаров магазин продает процентов на тридцать больше, чем «основных». То есть 230% продаж в иные дни. Особенно справедливо для магазинов разной мелочевки, типа косметики — там по рекомендациям набирают полную корзину.

Инструмент-то есть, а вот реализация у всех разная. Некоторые екоммерсовые CMS предлагают вшитую функцию товарных рекомендаций — которые на деле означают: вручную забей к каждому товару рекомендованные. Это, как я говорил выше, в большинстве случаев не вариант.

С другой стороны, движки не пускают «внутрь» — работают только по им известным законам.

Решением бы стал движок, который объединил бы преимущества персонализации, оперировал бы большими данными и использовал машинное обучение — и при этом сохранял старое доброе ручное управление. Даже в беспилотной Tesla оно есть.

Тогда маркетологи бы смогли задавать правила для программной логики (при этом не дергая разработчиков каждый раз), смогли бы запускать тесты и сравнивать, какие гипотезы выстреливают.

Недавно мы выпустили крупное обновление для REES46, где много внимания уделили именно такой модели работы: машинная персонализация плюс возможности ручной настройки и тестирования гипотез.

Несколько важных возможностей такой модели.

Первое. Есть много готовых сценариев, по которым работают блоки рекомендации — они отличаются по логике. Например, «похожие товары» показывают альтернативы, а «с этим товаром покупают» — то, что по статистике берут вместе с основным товаром. Что сработает лучше, например, на странице товара? Без теста нельзя сказать точно — тут очень много отраслевой специфики.

Второе. На одной странице теоретически можно разместить хоть все виды блоков рекомендаций. В каком порядке их выводить, чтобы конверсия была максимальная? Без теста это будет чистое гадание.

Третье. Как ранжировать товары внутри блока рекомендаций, чтобы конверсия выросла? Сначала пустить хиты, потом остальное? Смешать в какой-то пропорции? Может, убрать из рекомендаций к кроссовкам Nike всю продукцию брендов Gucci и D&G? Вопросов опять много, а ответить на них никто не сможет, пока не проведет боевое тестирование.

Ок, наша система товарных рекомендаций и раньше была довольно функциональной — например, там можно было настраивать базовый внешний вид без знания HTML/CSS и без знающего HTML/CSS кодера. Все делалось во внутреннем редакторе. Последнее крупное обновление, на которое мы замахнулись — это полность настраиваемый из личного кабинета сплит-тест для блоков товарных рекомендаций.

Что он умеет сейчас.

Можно создавать собственные блоки рекомендаций с любой логикой. Если помните блок-схемы, то сложностей не возникнет. Делаете вот такие ветки: условия, связи, логика «если-то», в общем.

На картинке базовый шаблон: если условие выполняется, проигрывается сценарий слева, пользователю выводится блок «посмотрите также». Если не выполняется — «популярные товары».

Синий блок с условиями — тоже штука довольно простая в плане настройки. Можно выбрать условия, связать их логикой «и» либо «или» и задать параметры.

Условие на картинке читается так: «если посетитель — женщина, у которой есть дочь от 7 до 10 лет».

Когда такое условие выполняется — запускается сценарий слева. В остальных случаях — справа. Все просто.

Кроме того, что можно поиграть с таргетингом, блоки рекомендаций тоже можно кастомизировать не выходя из конструктора.

Можно отфильтровать контент в блоке — показывать только товары определенных категорий или брендов (или скрыть их), выводить товары только в пределах заданного интервала цены.

А теперь самое главное, сплит-тестирование. Нужно нажать на вот ту кнопку справа-сверху и ваша схема сама продублируется.

Дальше действия понятные: меняете логику в одной из цепочек, например, виды блоков рекомендаций или условия показа. А потом смотрите результаты, половина посетителей пройдет по сценарию A, другая по сценарию B. Тест будет идти, пока вы его не остановите.

Профиты такие:

В общем, выслушаем предложения и вопросы, задавайте.