Маркетинг Retail Rocket
838

Почему пора перестать верить устоявшимся практикам рынка: как стандартные рекомендации могут снижать продажи магазина

Персонализация и автоматизация маркетинга шагают на рынке ecommerce семимильными шагами: индустрия стремительно наполняется новыми технологиями, и это ставит перед маркетологами важную проблему, на что делать ставку при внедрении новых продуктов и как понять, что новинка не наносит бизнесу ущерб?

В закладки

Чаще всего, теряясь в многообразии новых методик и алгоритмов, маркетологи совершают главную ошибку: выбор технологии или инструмента происходит в пользу интуиции и самых низких цен без погружения в детали или измерения эффективности работы, что чревато риском реального снижения продаж.

В этой статье на примере внедрения персональных рекомендаций в несколько интернет-магазинов мы проиллюстрируем такие ошибки, а также опишем пути их избежания.

Блоки рекомендаций: новейшие тенденции классических решений

Рекомендательные блоки уже долгое время помогают интернет-магазинам повышать выручку и конверсию. «Новинки», «Хиты продаж», «Сопутствующие товары» - эти механики своего рода классика ecommerce. Но в последние годы почти все исследователи говорят о стремлении пользователей к персонализированному обслуживанию. По информации исследовательской компании Gartner, интернет-магазины, игнорирующие эту тенденцию, к 2020 году будут зарабатывать на 15% меньше тех, кто внедряет персонализированный сервис.

Retail Rocket более 6 лет разрабатывает алгоритмы персонализации, и за нашими плечами несколько тысяч тестов. Мы собрали кейсы персонализации сайта, где общепринятые механики приносили интернет-магазинам убытки и готовы рассказать о том, как достичь максимального повышения выручки при выборе блоков рекомендаций.

Главная страница Aizel.ru: снижение выручки на 22% из-за блока «Хиты продаж»

Именно сотрудничество с маркетплейсом Aizel.ru натокнуло нас на написание этой статьи. Раньше персональные рекомендации выступали скорее как альтернатива стандартным механикам, но теперь они необходимы многим интернет-магазинам.

Например, на главной странице Aizel.ru мы тестировали два блока рекомендаций - персонализированные и стандартные «Хиты продаж». Первый блок показал рост выручки на 3,8%, а второй - падение на 22,4%!

Исследование эффективности проводилось с использованием механики A/B-тестирования, при которой все посетители сайта случайным образом делились на равных 3 сегмента.

Первому сегменту показывались хиты продаж:

Второму сегменту показывались персонализированные хиты продаж:

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

Результаты

По итогам тестирования были получены следующие результаты:

Вывод

Согласно результатам тестирования, применение механики «Персонализированные хиты продаж» в блоке рекомендаций на главной странице интернет-магазина Aizel.ru увеличивает конверсию на 10,1% со статистической значимостью 96,2%. В сочетании с небольшим уменьшением среднего чека это дает прогнозируемый рост выручки на 3,6%.

Если бы магазин доверился общепринятым практикам рынка, то при использовании стандартной механики «Хиты продаж» потерял бы более 22,4% выручки за счет снижения конверсии на 7,7% и среднего чека на 15,9%.

Страница категории казахстанского интернет-магазина Белый Ветер: снижение среднего чека на 2,6% из-за блока «Хиты продаж»

Страница категории очень важна и от нее во многом зависит как поиск и выбор товара пойдет дальше. Например, неудобная навигация или отсутствие релевантных позиций могут стать причиной ухода клиента без шанса на возврат. Вероятнее всего, не найдя ничего интересного, пользователь просто решит уйти к конкуренту, надеясь на более подходящий ассортимент.

Возможно, так и происходило в казахстанском интернет-магазине электроники Белый Ветер. Здесь, также как и в кейсе выше, стандартные «Хиты продаж» показали снижение выручки и среднего чека на 1,4% и 2,6% соответственно, в то время, как механика «Персонализированные хиты продаж» повысила эти метрики на 16,5% и 9,6%.

Для оптимизации рекомендательной системы на сайте интернет-магазина «Белый Ветер» было проведено A/B-тестирование на странице категории, где все посетители сайта случайным образом делились на 4 сегмента:

Первому сегменту показывались хиты продаж из категории:

Второму сегменту показывались хиты продаж из категории, персонализированные с учетом интереса пользователя:

Третьему сегменту показывались персональные рекомендации товаров из категории:

Четвертый сегмент был контрольной группой: рекомендации пользователям не демонстрировались

Результаты

Вывод

Согласно результатам тестирования, применение механики «Персонализированные хиты продаж из категории» в блоке рекомендаций на странице категории интернет-магазина «Белый Ветер» увеличивает конверсию на 6,3% со статистической значимостью 90%. В сочетании с повышением среднего чека на 9,61%, прогнозируемый рост выручки составляет 16,54%.

А применение стандартной механики «Хиты продаж из категории», которой пользуются многие магазины, хотя и немного повышает конверсию, но снижает средний чек на 2,6%, что дает общее падение выручки на 1,4%.

Карточка товара гипермаркета Hoff: сопутствующие товары в одиночку дают отрицательный прирост выручки на 4,3%

Сопутствующие товары - тема, к которой нет равнодушных. Существует много стереотипов о «правильных» рекомендациях, например, что в карточке товара нужны исключительно блоки сопутствующих товаров. Но не бывает двух одинаковых магазинов и таких же одинаковых решений, подходящих для всех.

Среди последних кейсов с неоднозначными результатами в карточке товара был интернет-гипермаркет Hoff. Здесь блок сопутствующих товаров показал отрицательный результат. Но в сочетании с похожими товарами картина совершенно другая. Стоит обратить внимание на то, что в одиночку блок похожих товаров дал прирост примерно в два раза ниже (за исключением конверсии), чем вместе с сопутствующими товарами. Однако, если поменять блоки местами, мы снова получаем результаты на грани фола.

Как всегда для проверки эффективности использовалась методика A/B-тестирования, при которой пользователи случайным образом делились на 5 сегментов:

Первому сегменту показывались похожие товары:

Второму сегменту показывались сопутствующие товары:

Третьему сегменту показывались два блока одновременно: похожие товары (сверху) и сопутствующие товары (снизу):

Четвертому сегменту показывались также два блока одновременно, но в обратном порядке. Сопутствующие товары располагались сверху, а похожие снизу:

Пятый сегмент был контрольной группой, рекомендации не показывались.

Результаты

По итогам тестирования были получены следующие результаты:

Вывод

Согласно результатам тестирования, применение механики «Похожие товары и сопутствующие товары» в блоке рекомендаций в карточке товара интернет-магазина Hoff.ru увеличивает средний чек на 6,3%. В сочетании с незначительным уменьшением конверсии это дает прогнозируемый рост входящего оборота на 5,8%.

Если мы магазин доверился стереотипам вроде «к рубашке нужно рекомендовать галстук» и выбрал рекомендации сопутствующих товаров, то за счет снижения конверсии на 2% и среднего чека на 2,3%, падение выручки составило бы 4,3%.

Поисковая страница Book24: стандартные рекомендации снижают выручку на 7%

В этом кейсе мы поговорим о рекомендациях на странице поиска, о которых часто забывают. А ведь именно здесь многие посетители сайта начинают путь по сайту. Стандартные поисковые рекомендации основываются на ключевых словах, а приоритет в выдаче остаётся за самыми популярными позициями. Но так ли это эффективно, как кажется?

Возможно, пользователь уже видел блок «Хиты продаж» на главной, поэтому те же товары в поиске могут его не устроить, вплоть до ухода с сайта. Так вся поисковая страница начинает работать в минус для ритейлера. Эту проблему исправят персонализированные товары, которые будут учитывать и текстовый запрос пользователя, и его интересы.

Здесь мы также использовали механику A/B-тестирования. Для того, чтобы найти оптимальный алгоритм для страницы поиска, пользователи случайным образом делились на 3 сегмента:

Первому показывались стандартные поисковые рекомендации:

Второму сегменту показывались персональные поисковые рекомендации:

Третий сегмент был контрольной группой, рекомендации пользователям в этом сегменте не показывались.

Результаты

Вывод

Согласно результатам тестирования, применение механики «Персональные поисковые рекомендации» в блоке рекомендаций в карточке товара интернет-магазина Book24.ru увеличивает конверсию на 6,5% со статистической значимостью 99,73%. В сочетании с повышением среднего чека на 0,77%, прогнозируемый рост выручки составляет 7,28%.

При этом стандартные поисковые рекомендации, внедряемые многими магазинами по умолчанию, хотя и незначительно повышают конверсию страницы, но снижают средний чек на 7,5% и вместо роста выручки обеспечивают ее падение на целых 6%.

Заключение

Каждый интернет-магазин уникален и требует особого подхода. Поэтому всегда стоит проводить тесты эффективности и не надеяться на общепринятые решения. Особенно сейчас, когда пользователи нуждаются в персональном подходе.

Для того, чтобы правильно оценить эффективность того или иного решения, лучше всего использовать методику A/B-тестирования - она дает возможность получить наиболее честные результаты. Любую гипотезу можно проверить с помощью цифр, но важно делать это по определенным правилам, поскольку проведение A/B-теста - это очень сложный процесс с множеством подводных камней. Если A/B-тестирование проводится с ошибкой, то бизнес гарантированно принимает неверное решение и получает скрытые убытки.

Какая из конфигураций окажется выигрышной в вашем интернет-магазине? Знают только ваши пользователи. Тестируйте самые разные алгоритмы, даже те, которые на первый взгляд кажутся проигрышными. Иногда неочевидное решение оказывается лучшим. Также вы можете обратиться за помощью в Retail Rocket. Мы будем рады помочь провести исследование эффективности и поработать совместно над повышением ключевых метрик.

Удачи в нахождении лучших конфигураций блоков рекомендаций!

#кейсы #маркетинг #retailrocket

Материал опубликован пользователем. Нажмите кнопку «Написать», чтобы поделиться мнением или рассказать о своём проекте.

Написать
{ "author_name": "Retail Rocket", "author_type": "self", "tags": ["\u043c\u0430\u0440\u043a\u0435\u0442\u0438\u043d\u0433","\u043a\u0435\u0439\u0441\u044b","retailrocket"], "comments": 1, "likes": 11, "favorites": 38, "is_advertisement": false, "subsite_label": "marketing", "id": 68142, "is_wide": false, "is_ugc": true, "date": "Wed, 29 May 2019 11:51:41 +0300" }
Cквозная аналитика
от сына маминой подруги
Будь лучшим в своем деле
Попробовать бесплатно
{ "id": 68142, "author_id": 121846, "diff_limit": 1000, "urls": {"diff":"\/comments\/68142\/get","add":"\/comments\/68142\/add","edit":"\/comments\/edit","remove":"\/admin\/comments\/remove","pin":"\/admin\/comments\/pin","get4edit":"\/comments\/get4edit","complain":"\/comments\/complain","load_more":"\/comments\/loading\/68142"}, "attach_limit": 2, "max_comment_text_length": 5000, "subsite_id": 199113, "last_count_and_date": null }

1 комментарий 1 комм.

Популярные

По порядку

0

Интересно было изучить такое подробное исследование. На самом деле, на своем портале мы тоже уже достаточно давно используем персонализированный подход. При этом у нас есть такие блоки, как "Популярные товары", где публикуются наиболее популярные категории каталога, но есть и блок "Рекомендуемые товары", который формируется на основе предпочтений посетителя. В категориях применяем только персонализированные рекомендации. Цифры приводить не будем, но влияние этих факторов на конверсию определенно есть.

Ответить
0
{ "page_type": "article" }

Прямой эфир

[ { "id": 1, "label": "100%×150_Branding_desktop", "provider": "adfox", "adaptive": [ "desktop" ], "adfox_method": "createAdaptive", "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "ezfl" } } }, { "id": 2, "label": "1200х400", "provider": "adfox", "adaptive": [ "phone" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "ezfn" } } }, { "id": 3, "label": "240х200 _ТГБ_desktop", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fizc" } } }, { "id": 4, "label": "240х200_mobile", "provider": "adfox", "adaptive": [ "phone" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "flbq" } } }, { "id": 5, "label": "300x500_desktop", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "ezfk" } } }, { "id": 6, "label": "1180х250_Interpool_баннер над комментариями_Desktop", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "pp": "h", "ps": "bugf", "p2": "ffyh" } } }, { "id": 7, "label": "Article Footer 100%_desktop_mobile", "provider": "adfox", "adaptive": [ "desktop", "tablet", "phone" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fjxb" } } }, { "id": 8, "label": "Fullscreen Desktop", "provider": "adfox", "adaptive": [ "desktop", "tablet" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fjoh" } } }, { "id": 9, "label": "Fullscreen Mobile", "provider": "adfox", "adaptive": [ "phone" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fjog" } } }, { "id": 10, "disable": true, "label": "Native Partner Desktop", "provider": "adfox", "adaptive": [ "desktop", "tablet" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "clmf", "p2": "fmyb" } } }, { "id": 11, "disable": true, "label": "Native Partner Mobile", "provider": "adfox", "adaptive": [ "phone" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "clmf", "p2": "fmyc" } } }, { "id": 12, "label": "Кнопка в шапке", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "p1": "bscsh", "p2": "fdhx" } } }, { "id": 13, "label": "DM InPage Video PartnerCode", "provider": "adfox", "adaptive": [ "desktop", "tablet", "phone" ], "adfox_method": "createAdaptive", "adfox": { "ownerId": 228129, "params": { "pp": "h", "ps": "bugf", "p2": "flvn" } } }, { "id": 14, "label": "Yandex context video banner", "provider": "yandex", "yandex": { "block_id": "VI-223676-0", "render_to": "inpage_VI-223676-0-1104503429", "adfox_url": "//ads.adfox.ru/228129/getCode?pp=h&ps=bugf&p2=fpjw&puid1=&puid2=&puid3=&puid4=&puid8=&puid9=&puid10=&puid21=&puid22=&puid31=&puid32=&puid33=&fmt=1&dl={REFERER}&pr=" } }, { "id": 15, "label": "Плашка на главной", "provider": "adfox", "adaptive": [ "desktop", "tablet", "phone" ], "adfox": { "ownerId": 228129, "params": { "p1": "byudx", "p2": "ftjf" } } }, { "id": 16, "label": "Кнопка в шапке мобайл", "provider": "adfox", "adaptive": [ "tablet", "phone" ], "adfox": { "ownerId": 228129, "params": { "p1": "byzqf", "p2": "ftwx" } } }, { "id": 17, "label": "Stratum Desktop", "provider": "adfox", "adaptive": [ "desktop" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fzvb" } } }, { "id": 18, "label": "Stratum Mobile", "provider": "adfox", "adaptive": [ "tablet", "phone" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fzvc" } } }, { "id": 19, "label": "Тизер на главной", "provider": "adfox", "adaptive": [ "desktop", "tablet", "phone" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "p1": "cbltd", "p2": "gazs" } } } ]
Команда калифорнийского проекта
оказалась нейронной сетью
Подписаться на push-уведомления
{ "page_type": "default" }