Увеличить выручку на 25% за счёт верного расположения рекомендаций на странице интернет-магазина
Команда компании Retail Rocket на примере четырёх кейсов объяснила, какие результаты приносит A/B-тестирование товарных рекомендаций.
Карточка товара — одна из важнейших страниц интернет-магазина, которая помогает пользователю принять решение о покупке. Это почти финальный шаг на пути к совершению заказа, поэтому крайне важно, какую информацию посетитель найдёт на странице: насколько качественные фото, насколько полное описание и понятен ли процесс выбора параметров и оформления заказа.
На этом этапе пользователь уже почти готов к совершению покупки, поэтому задача рекомендаций на странице карточки товара — не отвлекать от покупки, увеличивать средний чек и предлагать похожие альтернативы. Поэтому в карточке товара обычно используются различные алгоритмы сопутствующих или альтернативных товаров.
В каждом из примеров применялась механика A/B-тестирования, при которой все посетители сайта случайным образом делились на разное количество сегментов.
Vans
Vans — интернет-магазин обуви и одежды для скейтбордистов и поклонников экстремального спорта. Бренд собирает вокруг себя целое сообщество, и одна его из ключевых особенностей — это большой упор на лояльность клиентов. Хороший способ увеличения лояльности — использование персональных рекомендаций на всех этапах customer journey.
На странице карточки товара интернет-магазина Vans располагается два блока рекомендаций — сопутствующие и похожие товары. Иногда считается, что чем больше товаров видит пользователь, тем вероятнее он заинтересуется чем-нибудь. Но это не всегда эффективно.
Команда компании Retail Rocket провела тестирование эффективности различных алгоритмов рекомендаций в карточке товара Vans, чтобы определить, какие блоки рекомендаций, в каком количестве и в какой последовательности показывают наилучший результат.
Посетители сайта случайным образом делились на четыре сегмента:
Результаты
Согласно результатам тестирования, применение механики «Сопутствующие товары» в блоке рекомендаций на странице карточки товара интернет-магазина vans.ru увеличивает конверсию на 8,67% со статистической значимостью 90,7%, а средний чек на 5,27%, что даёт предсказанное увеличение выручки на 14,4%.
Mytoys
Mytoys — крупный интернет-магазин детских товаров, который ежемесячно посещают более трёх миллионов посетителей, согласно SimilarWeb. Для более удобной навигации по широкому ассортименту магазина Mytoys использует блоки товарных рекомендаций на различных страницах сайта, в том числе в карточке товара.
На сайте интернет-магазина Mytoys было проведено исследование различных алгоритмов рекомендаций. Посетители сайта случайным образом разделены на три сегмента:
Результаты
Согласно результатам тестирования, применение механики «Сопутствующие товары на основе ассоциативных связей» в блоке рекомендаций на странице карточки товара интернет-магазина Mytoys увеличивает конверсию целевых посетителей на 3,2% со статистической значимостью 93,6%.
Shopandshow
Shopandshow — официальный сайт телемагазина Shop&Show, где можно найти множество различных товаров: от одежды и обуви до электроники и домашней утвари. Чтобы предложить каждому покупателю то, что ему понравится, интернет-магазин использует персональные рекомендации на страницах сайта.
Чтобы выбрать наиболее эффективную конфигурацию рекомендаций на странице карточки товара, командой специалистов Retail Rocket было проведено тестирование различных алгоритмов.
Посетители сайта случайным образом были разделены на два сегмента:
Результаты
Согласно результатам тестирования, применение механики «Персонализированные альтернативные товары» в блоке рекомендаций на странице карточки товара интернет-магазина Shopandshow увеличивает конверсию на 27,96%со статистической значимостью 99,97%. С учётом незначительного уменьшения среднего чека на 2,01%, предсказанное увеличение выручки составляет 25,38%.
Sela
Sela — крупный сетевой ритейлер сегмента моды с активно развивающимся интернет-магазином. Для удобной навигации по ассортименту интернет-магазин использует блоки персональных товарных рекомендаций на всех этапах customer journey, в том числе на странице карточки товара.
Посетители сайта случайным образом делились на два сегмента:
Результаты
Согласно результатам тестирования, применение механики «Сопутствующие товары на основе ассоциативных связей, персонализированные с учётом интересов пользователя к свойствам товаров» в блоке рекомендаций на странице карточки товара интернет-магазина Sela увеличивает конверсию на 10,2% со статистической значимостью 94,1%. В сочетании с повышением среднего чека на 0,12% это принесёт прогнозируемый рост выручки на 10,34%.
Мы сделали тесты, не запустили в продакшен, но в заголовке напишем про увеличение выручки на четверть.
Почему вы сделали вывод, что не запустили в продакшн? Блоки рекомендаций внедрены на сайты.
Про выручку - это предсказанное увеличение, которое показали результаты теста по сравнению с другими сегментами.
а мне расскажите как в бд этот флаг вешается? отдельная таблица? как скриптам интернет магазина объяснить что этот товар сопутствует этому, этому и этому? Руками - не вариант, если товаров более 10к, например, 100к, 1000к и далее
полуавтоматически представляю в голове, автоматически - хз
тип такого
https://ru.wikipedia.org/wiki/%D0%9A%D0%BE%D0%BB%D0%BB%D0%B0%D0%B1%D0%BE%D1%80%D0%B0%D1%82%D0%B8%D0%B2%D0%BD%D0%B0%D1%8F_%D1%84%D0%B8%D0%BB%D1%8C%D1%82%D1%80%D0%B0%D1%86%D0%B8%D1%8F
Retail Rocket - это платформа для персонализации интернет-магазинов, поэтому все связи между товарами строятся автоматически с помощью алгоритмов.
Когда я читаю про "случайным образом делились на два сегмента", я всегда удивляюсь. А при таком разделении как-то контролировали равномерное распределение новых пользователей и вернувшихся? Тех, кто уже покупал и тех, кто еще не покупал? Тех, кто пришел из поиска по запросу "купить товар такой-то" и тех, кто просто кликнул на какой-то яркий баннер, полистал и закрыл?
Я по биомедицинским исследованиям очень хорошо знаю, как можно показать "статистическую достоверность", но при этом манипулировать результатами.
Можно перед А/В тестами, проводить А/А тесты чтобы проверить однородность трафика. Иногда их даже делают:)
Надо не перед тестами проверять, надо в ходе теста обеспечивать. A/A тесты -- это очень хорошо, когда сам их делаешь и самого себя дурить не намерен. Но они ничего не покажут, если в А помещают новых пользователей, перешедших по поп-ап баннерам, а в Б -- людей, которые перешли по рассылке "вам, нашему постоянному клиенту, который покупает у нас каждый месяц, скидка на день рождения, бесплатная доставка и подарок к заказу" :D Пример утрирован, чтобы понятнее были механизмы искажений.
Не уверен, что мы друг друга поняли. А/А тест - это когда всем пользователям подсовывается одна страница, и если по ней будет расхождение в результатах конверсии на долгосрочной дистанции (т.е. между страницей А и страницей А) - то трафик неоднороден и проводить самым простым образом А/В тест нельзя.
Более того А/В тест можно применять только к определенному типу трафика, исключая таким образом влияние рассылок и прямых заходов на сайт.
Я знаю, что такое А/А тест, и именно про это я и говорил. Можно иметь результат добросовестно проведенного А/А теста без статистически значимых расхождений, но при этом, как я говорил выше, из-за недобросовестной или неконтролируемой сегментации получить искаженный А/Б тест.
Поэтому, когда я читаю про "случайным образом делились на два сегмента", я всегда недоумеваю, а почему случайным? Неужели при сегментации не учитывали разные каналы, не учитывали историю взаимодействия с пользователем, не учитывали, на какие товары люди идут? Одни товары можно купить "импульсивно", а другие товары люди неделями сравнивают.
При случайном делении можно запросто получить кластеры, как при подбрасывании монетки. Можно подбросить 100 раз и получить подряд 6-7-8 "орлов" или "решек". Так и тут. Можно "случайно" поделить (или не случайно) и получить в одной группе больше людей с поиска по запросам "купить такой-то товар", а в другой -- больше людей с левого баннера.
Может тогда расскажете идею алгоритма подбора сопутствующих товаров по персональным рекомендациям? Вот смотрит человек карточку товара с телевизором, что ему в сопутствующих показывать?
Настенное крепление, HDMI кабель, сетевой фильтр, роутер, флешка, химия для ухода за экраном.
Все то, что вы перечислили, стандартные сопутствующие товары для тв. В чем тогда персонализированность ?
В том, что ассортимент сопутствующих товаров обычно довольно широкий, и товары отличаются по цене, бренду и другим характеристикам. Задача персональных рекомендаций как раз в том, чтобы показать те варианты, которые с наибольшей вероятностью заинтересуют каждого конкретного пользователя.
Так, а какой алгоритм помогает это определить?
алгоритмы Retail Rocket, которые отслеживают поведение на сайте, интерес к ценовым категориям, брендам, просмотренным товарам и тд.
А/Б тест вышел несколько неполным - не было варианта вообще без этого блока. В некоторых сегментах это лучший вариант.
Как правило, тестирование страницы с блоком товарных рекомендаций и без него проводится в первую очередь. И только после того, как наличие блока показывает лучший результат, начинается тестирование разных алгоритмов.
А какой методикой вы оцениваете результаты теста по среднему чеку? Там же не нормальное распределение в отличии от конверсии.
Комментарий удален модератором
Комментарий удален модератором
Мне нравится подборка сервисов, для интернет - магазинов что тут описаны - https://protsenko2.ru/start-magazin/servis-dly-internet-magazinov/
Комментарий удален модератором