Кейс AnyQuery: как научить поиск понимать язык покупателей и увеличить выручку до 30%

Товары есть в наличии, а покупатели не могут их найти. А всё дело в том, что поиск на сайте не понимает их язык. Что ж, мы знаем, как это исправить.

Поиск на сайте должен помогать покупателям быстрее найти и выбрать товары. Но иногда он только мешает, а интернет-магазины теряют выручку:

Об этих ошибках мы писали в другой статье. Сегодня расскажем, как меняются показатели выручки и конверсии, если исправить ошибки в поиске. Для примера мы взяли интернет-магазины одежды, еды и электроники.

Чтобы найти ошибки в поиске, которые мешают интернет-магазинам зарабатывать больше, мы проводим аудит:

По этому алгоритму, можно проверить поиск в своем интернет-магазине самому или через сервис AnyQuery. Это бесплатно.

Бывает, что маркетологи придумывают акции, распродажи, заказывают рекламу со звездами, но всё это бесполезно, если покупатели не могут найти товары. Например, мы проверяли поиск в интернет-магазине одежды и искали «джинсы бойфренды». Поиск их не нашел, но в каталоге такие джинсы были, только с названием «Джинсы Boyfriend»:

И это нередкая ситуация.

В статье показываем, как работали над поиском при помощи AnyQuery.

В среднем, на доработку поиска уходит от года и три разработчика, если у них нет других задач. По нашему опыту, ритейлеры часто откладывают такие задачи, и они годами висят в бэклоге. Всегда есть более важная текучка, например, срочно поставить новые товары на первый экран или разработать новый алгоритм сопутствующих продаж.

Оправданно делать доработки поиска своими руками, если в компании большой штат разработчиков. Им всё равно приходится платить зарплату, поэтому можно загрузить этой работой.

На рынке есть несколько решений: плагины магазинов приложений eCommerce-платформ для поиска на сайте, Яндекс.Поиск для интернет-магазинов, поисковые движки вроде Elasticsearch и Sphinx.

Подключение AnyQuery занимает 10-15 минут и не нужно загружать разработчиков на год. Если сравнить AnyQuery и разработку решения своими силами, получится так:

Время:

Разработчики:

Когда начнет работать:

Окупаемость:

Ограничения:

Теперь покажем, как тестировали AnyQuery для разных сегментов и какие результаты получили.

В большинстве случаев поиск дает нулевые результаты в двух случаях:

После установки кода на сайт, AnyQuery начинает накапливать пользовательские запросы: какие слова покупатели вводят, с какими ошибками и опечатками. Нормализованные и размеченные накопленные данные является основой для машинного обучения.

Машинные алгоритмы учатся различать синонимы, ошибки, опечатки и угадывать запросы покупателей со второй буквы. После обучения ансамбли алгоритмов автоматически пополняют словарь синонимов и с 90%+ качеством решают задачу исправления ошибок и опечаток.

Вот так AnyQuery обрабатывает запросы с ошибками, например, «видиокарта» вместо «видеокарта»:

А так обрабатывает запросы пользователей в неправильной раскладке, на примере «фшкзщвы» вместо airpods:

И с синонимами:

В разных сегментах — разные запросы и синонимы. В интернет-магазине одежды клиенты ищут «джинсы скинни» вместо skiny, в магазине электроники — айфон вместо iPhone, а в продуктовом — геркулесовую кашу вместо овсяной и белый хлеб вместо батона. Поэтому, модуль магазина электроники не подойдет продуктовому ритейлеру — для них нужны разные словари синонимов.

По статистике наших клиентов, до 60% покупателей интернет-магазина, которые пользовались поиском, нажимали на автоподсказки. Автоподсказки — блок под строкой поиска, который появляется, когда пользователь вбивает запрос. Например, пользователь пишет «айфон», а AnyQuery показывает похожие запросы, категории и популярные товары:

Подсказки можно настраивать под задачи бизнеса. Например, у одного клиента была задача — чтобы чаще покупали сумки для ноутбука определенных брендов. Для этого мы настроили подсказки популярных товаров так: по запросу «сумки для» пользователь видит среди подсказок сумки для ноутбука определенных брендов Dell и Samdex:

Автоподсказки помогают пользователю быстрее найти нужный товар — ему не нужно дописывать запрос полностью или искать раздел в каталоге вручную. Мы отследили, что покупатели, которые кликали на автоподсказки, покупают в три-пять раз чаще других пользователей.

Сегмент электроники:

Сегмент продуктов питания:

Сегмент одежды и обуви:

Это средние цифры по рынку и безусловно могут варьироваться от ритейлера к ритейлеру.

Цифры кажутся небольшими, пока не переведешь в рубли. Например, у клиента в тематике продукты питания 60,5% посетителей, пользующихся поиском на сайте, используют автоподсказки. А 61% всей выручки интернет-магазина генерируется покупателями, нашедшими товар через поиск. При выручке в 10 млн, доля выручки с поиска может достигать 6,1 млн рублей Если знаете конверсию своего сайта, количество посетителей в месяц и средний чек, можете попробовать посчитать, сколько денег принесут автоподсказки в вашем случае.

Главный принцип ранжирования результатов — релевантные товары вперёд. Релевантные — значит те, которые пользователь ожидает увидеть по поисковому запросу. Например, по запросу «айфон» пользователь видит страничку с айфонами, а не с аксессуарами или защитными стеклами:

Часто выдача бывает нерелевантной: пользователь ищет айфон, а в результатах видит чехлы. Такое случается, когда поиск не учитывает поведенческие данные при взаимодействии пользователей с сайтом и ищет по дате добавления товара, по алфавиту или просто по текстовому вхождению.

Кроме повышения релевантности выдачи, у AnyQuery есть возможность настроить результаты поиска под задачи ритейлера. Например, клиент в сегменте продуктов питания захотел, чтобы первыми по запросу «овощи» показывались овощные заморозки. Этот продукт — в приоритете у компании:

Чтобы оценить результаты в цифрах, мы анализировали две метрики: конверсию сайта в целом и конверсию поисковых сессий. Данные собирали от трех недель, для достижения статистической значимости. Статистическая значимость — это достоверность исследования, она показывает, насколько данные A/B тестов верны. Для сбора информации мы использовали A/B-тесты и данные гугл-аналитикс.

Мы не можем привести реальные цифры по выручке своих клиентов, поэтому приведем агрегированные данные. Прирост, в зависимости от ритейлера, составил +2-8% по конверсии сайта, +10-30% конверсии в поисковых сессиях.

Ошибки поиска — история не про красоту и удобство для пользователя, а про прибыль интернет-магазина. Если хотите оценить поиск на своем сайте, предлагаем сделать бесплатный аудит. За два дня команда AnyQuery проанализирует поиск, найдет ошибки и даст рекомендации.

Эксперт — Дмитрий Малашкин. Записала Светлана Дучак, редактор.