Кейс интернет-магазина «Буквоед»: рост выручки до 5,8% благодаря персональным рекомендациям

Оказываясь в книжном магазине, многие не могут остановиться на чем-то одном: глаза разбегаются, хочется всего и сразу. В интернет-магазине на пользователя действуют не меньше отвлекающих факторов. Как помочь клиенту сделать выбор и попутно поднять выручку? Рассказываем о проекте персонализации сайта Bookvoed.ru и росте выручки на 5,8%.

Книжная сеть «Буквоед» — это современный культурный оператор, который 24 часа в сутки сохраняет, поддерживает и транслирует высшие культурные ценности для развития полноценного интеллектуального общества.

Интернет-магазин «Буквоед» предлагает более 2 млн книг на всех языках мира, его посещают более 1 млн уникальных посетителей в месяц. Чтобы каждый пользователь нашел идеальную книгу в широком ассортименте, сайт использует персонализированные рекомендации Retail Rocket на ключевых страницах. Сегодня мы расскажем о тестировании нескольких алгоритмов в карточке товара и на странице поиска.

Во многом роль консультанта розничного магазина в интернете выполняет карточка товара. Здесь потенциальный клиент может увидеть все характеристики товара, фотографии и отзывы других покупателей.

До сих пор преимущество розницы было в том, что консультант может порекомендовать в режиме реального времени альтернативные товары, если рассматриваемый по каким-то причинам не подходит. В онлайне все иначе: клиенту гораздо проще уйти к другому магазину, если его не устраивает увиденное.

Персональные рекомендации смогут это исправить. Алгоритмы Retail Rocket подстраиваются под каждого покупателя и показывает ему наиболее подходящие товары, значительно повышая продажи.

В рамках оптимизации работы рекомендательной системы на сайте Bookvoed.ru мы провели исследование эффективности разных алгоритмов в блоке рекомендаций в карточке товара магазина.

Исследование эффективности проводилось с использованием механики A/B-тестирования. Все посетители сайта случайным образом делились на пять сегментов:

Первому сегменту показывались похожие товары:

Второму сегменту показывались сопутствующие товары:

Третьему сегменту показывались два блока одновременно — похожие и сопутствующие товары:

Четвертому сегменту показывались те же два блока, но в другом порядке: сначала сопутствующие, а ниже — похожие товары:

Пятому сегменту рекомендации не показывались. Он выступал в качестве контрольной группы.

По итогам тестирования были получены следующие результаты:

Согласно результатам тестирования, применение механики «Сопутствующие товары» в блоке рекомендаций в карточке товара интернет-магазина Bookvoed.ru увеличивает конверсию на 4,8% со статистической значимостью 97,3%. В сочетании с незначительным снижением среднего чека, это приносит прогнозируемое увеличение выручки на 4,76%.

После выбора наиболее эффективного алгоритма можно приступать к более тонкой его настройке механики, чтобы выяснить, какой вариант даст лучший результат. Мы исследовали эффективность различных вариаций алгоритмов сопутствующих товаров в соответствующем блоке карточки товара магазина.

Исследование эффективности проводилось с использованием механики A/B-тестирования, при которой все посетители сайта случайным образом делились на три сегмента:

Первому сегменту показывались сопутствующие товары, персонализированные с учетом интересов пользователя:

Второму сегменту показывались персонализированные сопутствующие товары из категорий, отличных от категории просматриваемого товара:

Третьему сегменту показывались стандартные сопутствующие товары. Этот сегмент взят за контрольную группу, поскольку он победил по итогам предыдущего теста:

По итогам тестирования были получены следующие результаты:

Согласно результатам тестирования, применение механики «Сопутствующие товары, персонализированные с учетом интересов пользователя» в блоке рекомендаций в карточке товара интернет-магазина Bookvoed.ru увеличивает конверсию на 2,5% со статистической значимостью 87%. В сочетании с ростом среднего чека на 3,2% это дает прогнозируемый рост выручки на 5,8%.

Данные поиска интернет-магазина очень важны для понимания интересов покупателя. С их помощью можно провести эффективную кампанию по персонализации, которая значительно повысит средний чек. Главный секрет — использование правильного алгоритма.

Для повышения эффективности рекомендательной системы поиска Bookvoed.ru мы решили использовать поисковые рекомендации, основанные на интересах пользователей сайта. Исследование эффективности проводилось с использованием механики A/B-тестирования. Все посетители сайта случайным образом делились на два сегмента:

Первому сегменту показывались поисковые рекомендации:

Второй сегмент был контрольной группой, рекомендации пользователям не показывались.

По итогам тестирования были получены следующие результаты:

Согласно результатам тестирования, применение механики «Поисковые рекомендации» в блоке рекомендаций на странице поиска интернет-магазина Bookvoed.ru увеличивает средний чек на 3,8%. В сочетании с незначительным снижением конверсии на 0,7% это обеспечивает магазину прогнозируемый рост выручки на 3,1%.

#маркетинг #кейсы #retailrocket