Персональные рекомендации в Mindbox: как их настроить и зарабатывать больше на email, не увеличивая количество рассылок

Мы все привыкли к рекомендациям как на маркетплейсах или стриминговых платформах: сервисы сами подсказывают то, что нам потенциально интересно. Этот же принцип работает в CRM-маркетинге и напрямую отражается на выручке канала.

Особенно это заметно в e-commerce с большим ассортиментом. Когда в каталоге тысячи товаров, вручную подобрать релевантные предложения для каждого клиента невозможно.

В то же время, если отправлять всей базе одинаковые подборки, часть пользователей просто не заметит нужные им товары, и повторные продажи вместе с другими показателями эффективности будут падать.

Для этих задач нужны рекомендательные алгоритмы. В этой статье расскажем, как они работают, поделимся пошаговой инструкцией по настройке блока в Mindbox, а в конце — разберем 3 ошибки, которые часто делают при запуске рекомендаций.

Персональные рекомендации — это механизм, который автоматически подбирает товары под интересы конкретного пользователя.

Система анализирует поведение клиента: что он смотрел, покупал, добавлял в корзину и на какие письма реагировал.

На основе этих данныхв письме формируется подборка наиболее релевантных позиций каталога. В итоге подписчики открывают одно письмо, но видят разные товары, а email-рассылка начинает работать как персональный продавец.

Кликабельность писем (CTR). Пользователь чаще кликает по знакомым и релевантным товарам.

Конверсия. Решение о покупке принимается быстрее.

Средний чек. Начинают работать допродажи и рекомендации сопутствующих товаров.

Повторные покупки. Клиенту проще вернуться в магазин.

Общая ценность клиента за все время покупок (LTV). Коммуникация становится полезной, а не раздражающей.

По данным исследований:

Рекомендательные блоки стабильно хорошо показывают себя в сценариях, где пользователь уже проявлял интерес.

Пользователь посмотрел товар и ушел. Вместо стандартного письма вы можете показать ему:

— просмотренный товар

— похожие или альтернативные позиции

— сопутствующие товары

Так вероятность возврата пользователя становится значительно выше.

Один из самых прибыльных сценариев для e-commerce. Но многие делают его слишком примитивным: просто напоминают про товар, когда можно усилить сценарий через аналоги и допродажи.

Они особенно хорошо работают на допродажи.

Например:

Так email начинает увеличивать средний чек уже после первой покупки.

Если клиент давно не заходил на сайт, персональные рекомендации помогают вернуть интерес через знакомые категории и товары. Особенно это важно для магазинов с длинным циклом покупки.

За счет персонализированных коммуникаций нам удалось обеспечить основной рост канала для интернет-магазина фермерских продуктов:

— доля email в общей выручке выросла до 18%

— триггерные письма начали приносить более 1 млн рублей ежемесячно

— за 5 месяцев достигли рекордной выручки

— 6,2 млн рублей в месяц, увеличив ее более чем в 1,5 раза

Рост этих показателей во многом обеспечен повышением релевантности рассылок без увеличения их количества.

Отдельно хорошо сработали:

— сценарии брошенной корзины

— персонализированные предложения

— сегментация по поведению клиентов

Еще один пример — наш проект для оптового поставщика зоотоваров «Аква Энимал».

После пересборки триггерных сценариев и усиления персонализации:

— конверсия в заказ выросла в 3 раза

— выручка с триггерных писем выросла в 2 раза

— Open Rate увеличился с 21,6% до 24,6%

— Click Rate вырос с 1,5% до 2,3%

Теперь давайте перейдем к практике и вместе настроим рекомендательный блок.

1. Убедитесь, что в Mindbox передаются данные, необходимые для выбранного алгоритма рекомендаций.

В зависимости от сценария это могут быть:

Без корректно передаваемых данных рекомендации могут работать неточно или формировать слишком общие подборки.

2. Заранее подготовьте сегмент товаров для рекомендаций.

Его состав зависит от сценария коммуникации и логики проекта.

Например, для персональных рекомендаций часто используют сегменты товаров:

Это помогает исключить из рекомендаций неактуальные или пустые карточки товаров.

При этом важно, чтобы сегмент содержал достаточное количество товаров. Если сегмент слишком узкий, рекомендации могут оказаться однотипными и потеряют смысл для пользователя.

1. Перейдите в раздел: Контент → Продуктовые рекомендации

2. Нажмите кнопку «Добавить алгоритм»

В результате откроется форма создания нового алгоритма рекомендаций.

В списке алгоритмов выберите «Персональные рекомендации».

Этот тип алгоритма анализирует поведение пользователя:

На основе этих данных система автоматически сформирует персональную подборку товаров для каждого клиента.

Название должно быть понятным, чтобы команде было проще ориентироваться в системе.

Например:

Personal_Recommendations

или

Персональные рекомендации

Если в проекте используется несколько алгоритмов, лучше сразу придерживаться единого принципа нейминга.

В блоке общих настроек выберите сегмент товаров, из которого система будет формировать рекомендации.

Например, мы используем сегмент: «В наличии, известные, с картинкой, с ценой».

Такой подход исключает из рекомендаций товары без фото, без цены и недоступные позиции.

Состав сегмента может отличаться в зависимости от структуры каталога и логики проекта.

После завершения настройки нажмите «Запустить алгоритм»

После запуска алгоритму потребуется время на пересчет рекомендаций.

Обычно это занимает от нескольких минут до 10–15 минут, в зависимости от объема данных.

Во время пересчета в статусе алгоритма будет отображаться «Пересчитывается». После завершения обработки статус изменится на «Запущен».

Также в разделе рекомендаций появится время последнего обновления и информация о пересчете рекомендаций.

Чтобы проверить работу алгоритма, выберите конкретного пользователя в разделе рекомендаций.

Mindbox покажет, какие товары система рекомендует этому клиенту на основе его поведения и интересов.

На этом этапе важно убедиться, что:

— рекомендации выглядят релевантно
— в подборке нет недоступных товаров
— корректно отображаются изображения и цены

После проверки алгоритм можно использовать в триггерных сценариях и других CRM-коммуникациях.

Чем больше качественных данных получает алгоритм, тем точнее работают рекомендации.

Поэтому важно проверять, что в систему корректно передаются:

2. Слишком узкий сегмент товаров

Если сегмент содержит слишком мало товаров или слишком строгие условия отбора, рекомендации могут стать однотипными или недостаточно релевантными.

Например, если в сегменте всего несколько товаров, система будет показывать пользователям практически одинаковые подборки.

Поэтому важно соблюдать баланс: сегмент должен быть достаточно точным, но при этом содержать достаточное количество товаров для вариативных рекомендаций.

Большое количество товарных карточек в email обычно снижает вовлеченность и усложняет восприятие письма.

На практике чаще всего используют от 4 до 6 товаров в одном блоке — так рекомендации выглядят визуально легче и лучше работают на кликабельность. Учитывайте это при дизайне и верстке письма.