Как персональный подход к клиентам на сайте позволил магазину AllTime.ru увеличить выручку на 27,3%

Поддержание ценности бренда онлайн - это важная, но в то же время сложная задача. Здесь завоевать сердца пользователей сложнее и, пожалуй, возможно только в том случае, если магазин сможет предугадать желания клиента. Возможно ли сделать это на миллионную аудиторию? Рассказываем совместно с интернет-магазином AllTime.ru.

AllTime - это сеть магазинов часов, ювелирных украшений и аксессуаров ведущих марок. Розничная сеть ритейлера включает крупнейшие города России: Москва, Санкт-Петербург, Ростов-на-Дону, Новосибирск и другие. Компания реализует эксклюзивную продукцию более 18 лет, и за это время выполнила свыше 1 млн. заказов.

Компании важно поддерживать инклюзивность обслуживания, в том числе онлайн. В интернет-магазине AllTime.ru представлено более 50 тыс. товарных позиций, а ежемесячный трафик сайта составляет около 1,6 миллионов пользователей.

Чтобы добиться максимальной отдачи этапе выбора, компания задумалась над повышением эффективности страницы поиска и карточки товара. Для этого AllTime выявил следующие цели:

• Найти способ увеличить пользовательский интерес к странице поиска и карточке товара
• Разнообразить товарные предложение, представленные на этих страницах
• Добиться увеличения ключевых метрик за счет большей вовлеченности пользователей

Для выполнения вышеуказанных целей компания AllTime обратилась к Retail Rocket. Платформа Retail Rocket анализирует поведение посетителей сайта и в режиме реального времени подстраивает его под каждого пользователя, чтобы клиент получал свою собственную версию интернет-магазина.

После интеграции и установки блоков рекомендаций, которые с наибольшей вероятностью покажут положительный прирост, за дело берется команда Growth-hacker'ов Retail Rocket и начинает тестирование индивидуально подобранных для интернет-магазина механик. Сейчас мы подробно расскажем об этом процессе для карточки товара и страницы поиска AllTime.ru.

Если пользователь дошел до карточки товара, то он почти готов купить товар. Его запрос сформирован и на этом этапе клиент отбирает наиболее подходящие варианты. Чем скорее он найдет релевантный товар, тем более вероятно успешное завершение заказа и повторный возврат в магазин.

Именно поэтому очень важно закрыть две основные потребности клиента: предложить сопутствующие товары, которые помогут поднять средний чек и выручку, и показать альтернативные варианты, которые он сможет просмотреть в один клик.

Работу над карточкой товара мы начали с подбора оптимальной конфигурации рекомендательных блоков. Комбинаций может быть множество - здесь представлены 4 основных. И даже они совершенно по-разному работают в отдельно взятом интернет-магазине. Понять, какая конфигурация будет лучше можно только с помощью тестирования.

Мы используем методику A/B-тестирования. В рамках оптимизации рекомендательной системы карточки товара все посетители сайта случайным образом делились на 5 сегментов:

Первому сегменту показывались похожие товары:

Второму сегменту показывались сопутствующие товары:

Третьему сегменту показывались два блока: похожие товары (располагались сверху) и сопутствующие товары (находились под блоком с похожими товарами):

Четвертому сегменту также показывались два блока, но в обратной последовательности: сопутствующие товары находились выше, а и похожие товары располагались ниже:

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

По итогам тестирования были получены следующие результаты:

Согласно результатам тестирования, добавление двух блоков рекомендаций: похожих товаров (сверху) и сопутствующих (ниже) в карточке товара интернет-магазина AllTime.ru увеличивает конверсию на 3,1%. В сочетании с приростом среднего чека на 1,5% это дает прогнозируемый рост выручки на 4,7%.

Как видно из результатов первого теста, одиночный блок сопутствующих товаров и сегмент, где они были сверху, проигрывает другим сегментам. Возможно, дело в том, что алгоритм стандартных сопутствующих товаров показывает пользователям недостаточно релевантные позиции. Мы решили исправить это, внедрив персонализированные сопутствующие товары. Так каждый пользователь получит индивидуальную подборку, собранную на основе его интересов.

Исследование эффективности также проводилось с использованием A/B-тестирования. Все посетители сайта случайным образом делились на 2 сегмента:

Первому сегменту показывались персонализированные сопутствующие товары:

Второму сегменту показывались стандартные сопутствующие товары. Он выступал в качестве контрольной группы:

По итогам тестирования были получены следующие результаты:

Согласно результатам тестирования, персонализированные сопутствующие товары в блоке рекомендаций в карточке товара интернет-магазина AllTime.ru увеличивает средний чек на 10,6%. В сочетании с приростом конверсии на 2,4% это дает прогнозируемый рост выручки на 13,2%.

Чаще всего мы представляем путь покупателя через страницу категории или переход в карточку товара через главную страницу. Поэтому о странице поиска часто забывают, в то время, как для некоторых покупателей - это первый этап поиска товара.

Даже если запрос не дал результатов, пользователь должен увидеть хотя бы что-то близкое к искомому товару, чтобы понимать в каком направлении продолжить поиск. Также клиенту может помочь товарная подборка, дополняющая выдачу.

В этом кейсе мы коснемся так называемой «банановой проблемы», которая актуальна не только для страницы поиска, но и для всех блоков рекомендаций в целом. Стоит ли рекомендовать товар, который уже популярен у пользователей? Можно предположить, что так можно ещё сильнее увеличить продажи этой позиции, однако на практике часто оказывается наоборот.

Классические модели часов рекламировать нет смысла, т.к. их всегда будут покупать вне зависимости от сезона. Они всегда будут в топе, но это не значит, что им нужна дополнительная раскрутка. Поэтому мы решили уменьшить вес хитов продаж в поисковых рекомендациях, чтобы они оказались дальше, чем менее популярные позиции. Так пользователь сможет лучше изучить ассортимент.

Для того, чтобы понять, какой из алгоритмов покажет наилучший результат, было проведено A/B-тестирование. Все пользователи случайным образом делились на 3 сегмента:

Первому сегменту показывались стандартные поисковые рекомендации:

Второму сегменту показывались поисковые рекомендации с уменьшением веса популярных товаров в выдаче:

Третий сегмент был контрольной группой, рекомендации пользователям показаны не были.

По итогам тестирования были получены следующие результаты:

Согласно результатам тестирования, поисковые рекомендации на странице поиска интернет-магазина AllTime.ru увеличивают конверсию на 17,3% со статистической значимостью 95,4%. В сочетании с приростом среднего чека на 13,2% это дает прогнозируемый рост выручки на 32,7%.

Для того, чтобы блок рекомендаций показал ещё большую эффективность, было решено протестировать различные варианты слайдера. Пользователь, использующий поиск, примерно представляет желаемый товар, и он достаточно увлечен, чтобы предложить ему больше вариантов, не боясь потери внимания. Или стандартного блока с 4 позициями будет достаточно? Узнаем с помощью A/B-тестирования. Все пользователи были разделены случайным образом на сегменты:

Первому сегменту показывался блок рекомендаций товаров со слайдером без автопрокрутки, где пользователь мог самостоятельно просматривать подборку с помощью управляющих элементов слайдера:

Второму сегменту показывался блок рекомендаций со слайдером с автопрокруткой 8 секунд:

Третий сегмент был контрольной группой, рекомендации пользователям показаны не были.

По итогам тестирования были получены следующие результаты:

Согласно результатам тестирования, наилучший результат показал слайдер без автопрокрутки. Он увеличивает средний чек на 32,8% в блоке рекомендаций на странице поиска интернет-магазина AllTime.ru. В сочетании с небольшим уменьшением конверсии на 4,1% это дает прогнозируемый рост выручки на 27,3%.