Топ ошибок при работе с персонализацией

Опыт сооснователя платформы Gravity Field. Часть первая

В 2023 году сложно представить успешный онлайн-бизнес без использования инструментов для сегментации и персонализации. Для этих целей компании подключают внешние технологические решения либо разрабатывают собственные, нанимают профильных специалистов на аутсорсе либо собирают команду из штатных сотрудников. Формат работы с персонализацией может отличаться в зависимости от специфики конкретного бизнеса, но ошибки при этом совершаются довольно типовые. В этой статье мы расскажем о самых распространённых ошибках при использовании персонализации и возможностях для их исправления.

Топ ошибок при работе с персонализацией

Об авторе

Андрей Тыщенко, сооснователь и коммерческий директор Gravity Field

Топ ошибок при работе с персонализацией

Эксперт в сфере персонализации и омниканальной коммерции с 20-летним опытом в развитии бизнесов. Андрей занимал руководящие должности в SAP, Oracle, Criteo и Dynamic Yield, а в 2022 году стал сооснователем локализованной платформы персонализации Gravity Field и соучредителем консалтинговой компании Stellar Labs.

Ошибка №1. Останавливаться на типовых сегментах

Когда компания только начинает знакомиться с инструментами персонализации, её сотрудники зачастую хотят работать с сегментами, которые уже существуют в рамках их CRM-стратегии. Маркетологи по привычке сегментируют клиентов по полу, статусу в программе лояльности или покупательской активности. Из привычной сегментации обычно рождаются поверхностные идеи из разряда “давайте показывать девочкам юбки, а мальчикам — брюки”, которые дают в лучшем случае лишь небольшие приросты к среднему чеку. Многие думают, что это и есть персонализация, радуются аплифтам в 1—2% и останавливаются на этом. Это ошибка.

Как показывает практика (и данные по влиянию кампаний на ключевые метрики), мужчинам и женщинам могут нравиться одни и те же товары. При этом в сегменте женщин могут быть различные подсегменты, которые отличаются по поведению, интересам и предпочтениям.

Пример: кейс с известным ритейлером в сфере моды и красоты. Для формирования рекомендательного блока в карточке товара наш клиент очень хотел использовать кросс-селл стратегию с логикой показа женских товаров женщинам и мужских — мужчинам. Мы предложили протестировать такую стратегию против контрольной группы (для них рекомендательный блок был скрыт) и по итогам получили лишь +1,5% к среднему чеку в тестовой вариации по сравнению с контрольной. К сожалению, это значительно ниже бенчмарок по рынку для такого рода кейсов.

Как можно исправить: посмотреть на результаты теста в разрезе подсегментов.

В данном конкретном случае нам удалось найти подсегмент женщин, которые покупают как женские, так и мужские товары (вероятно, заботливые жёны или модницы, предпочитающие унисекс). Именно этот сегмент показывал статистически значимое снижение среднего чека и снижал результаты кампании в среднем.

С учётом полученных данных мы перезапустили тест с новой логикой: сегменту “заботливых жён” / ”модниц” стали показывать смешанную подборку (женские и мужские товары), а всем остальным продолжили показывать товары в соответствии с их полом. По итогам перезапуска удалось достичь прироста в 15% (!!) к среднему чеку для подсегмента и в 11% — для остальных сегментов.

Ошибка №2. Копировать кейсы конкурентов

Типичное заблуждение новичков в сфере персонализации — это уверенность в том, что можно просто скопировать успешную кампанию коллег по цеху и получить точно такой же эффект.

Пример: клиент узнал об успешном кейсе конкурентов, в котором для новых пользователей отлично сработала подборка с популярными товарами, а для вернувшихся — подборка с персональными рекомендациями, и решил повторить этот успех. Было запущено 2 кампании в карточках товаров с соответствующими таргетингами, и ни одна из них не показала статистически значимых приростов.

Как можно исправить: рассчитать приросты от масштабирования самой успешной вариации “в среднем по больнице” по сравнению с масштабированием самой успешной вариации для каждого подсегмента.

Например, в Gravity Field уже встроен специальный движок — предиктивный таргетинг, который умеет определять наилучшие комбинации в разрезе “вариация — сегмент” и даже прогнозировать аплифты при перезапуске кампаний в таких комбинациях. С помощью этого движка нам удалось определить, что обе кампании тянет вниз сегмент поискового трафика. Из этого сформировалась логичная гипотеза, что представители этого сегмент приходят на сайт за какими-то конкретными товарами и, если мы покажем им блок на основе алгоритма “Похожие”, мы повысим конверсию из их визитов в заказы.

По итогам перезапуска гипотеза подтвердилась, и мы получили +6% к конверсии в заказы в сегменте поискового трафика и +4% — в остальных сегментах в среднем.

Ошибка №3. Персонализировать только рекомендательные блоки

Эту ошибку чаще всего совершают eCommerce / Retail компании. Сайты и приложения таких компаний как правило отлично укомплектованы каруселями товарных рекомендаций на основных типах страниц. Товары в этих блоках подбираются посредством самых подходящих по итогам A/B-тестов рекомендательных стратегий, а сами блоки стоят на наиболее оптимальных по итогам тех же A/B-тестов местах.

Пример: один из наших клиентов предпочитал работать с платформой персонализации самостоятельно, и у него прекрасно получалось запускать тесты с товарными рекомендациями. При этом совокупный эффект от использования платформы держался на уровне +2—3% к выручке на пользователя. При этом мировой бенчмарк по данной сфере бизнеса составлял +8—10% от использования персонализации в среднем.

Как можно исправить: использовать low-code решение для персонализации других элементов сайта.

К примеру, в Gravity Field есть возможность разработки кастомных кампаний для повышения эффективности абсолютно любых элементов интерфейса. Мы помогли нашему клиенту выйти за рамки работы с рекомендациями и разработали для него несколько принципиально новых кампаний: с персонализированными тегами, фильтрами и плиткой с категориями товаров.

Первые 2 кампании были направлены на повышении конверсии листинга. В блоке с персонализированными тегами мы показывали топ характеристик, к которым у пользователя есть склонность: например, в листинге категории “Молоко” можно было увидеть набор тегов “обезжиренное”, “безлактозное”, “Parmalat”. По клику на тег пользователь переходил в соответствующую подкатегорию. В кампании с персонализированными фильтрами мы показывали на первых позициях те фильтры, с которыми пользователь чаще всего взаимодействует, и тем самым упрощали для него навигацию по странице. А персонализированную плитку с категориями мы показывали на Главной странице, чтобы пользователь мог перейти в свои любимые разделы в один клик сразу после входа на сайт.

Уже через несколько недель после запуска новых экспериментов нам удалось достичь прироста в 11% к выручке на пользователя по сравнению с глобальной контрольной группой, которая видела сайт без какой-либо персонализации.

Ошибка №4. Не учитывать маржинальность товаров

Большинство компаний относит маржинальность товаров к категории чувствительных данных и предпочитает не делиться такими данными с вендорами. Вследствие этого при использовании платформы персонализации есть риск снижения доходов бизнеса на фоне роста выручки.

Пример: наш клиент из сферы eGrocery обратил внимание, что в подборки популярных товаров часто попадают наиболее низкомаржинальные товары из ассортимента, и всерьёз задумался о целесообразности использования платформы.

Как можно исправить: передавать в фиде уровень маржинальности товаров и использовать соответствующие фильтры в настройках.

Для повышения маржинальности рекомендательных подборок мы попросили клиента добавить в фид поле с примерным ориентиром (“маячком”) по маржинальности каждого товара: высокая, средняя, низкая. Далее мы ограничили рекомендательные стратегии показом товаров только из первых двух групп. При этом мы были несколько обеспокоены возможным снижением выручки от платформы за счёт таких ограничений и решили проверить, действительно ли они повлияют на выручку, с помощью A/B-теста. В тестовой группе пользователи видели сквозной рекомендательный блок со средне- и высокомаржинальными товарами, а в контрольной — со всеми популярными товарами из фида.

За месяц проведения эксперимента нам не удалось выявить статистически значимой разницы по конверсии, среднему чеку и выручке на пользователя между контрольной и тестовой группой — зато рост по марже был кардинальный! По итогу мы со спокойной душой приняли решение оставить фильтр по маржинальности для всех пользователей.

Ошибка №5. Не использовать персонализацию при узком ассортименте товаров и услуг

Когда коллеги по digital-цеху узнают, что Gravity Field работает с телекомом, банками и лидерами фаст-фуд индустрии, они обычно удивляются. В этом случае я часто слышу вопрос: “А что вообще можно персонализировать с таким небольшим количеством товаров?”

Пример: крупный клиент из сферы фаст-фуд. В меню — несколько десятков позиций. Тесты с классическими товарными рекомендациями не дают статистически значимых приростов по ключевым метрикам. А нужна ли здесь персонализация вообще?

Как можно исправить: использовать персонализацию для подборки товаров в бандлах.

Мы предложили клиенту формировать для своих клиентов готовые наборы из нескольких позиций с помощью алгоритма “Покупают вместе”. Таким образом у посетителей ресторана появлялась возможность собрать заказ буквально в один клик и получить на него скидку. Даже с учётом предлагаемой скидки механика статистически значимо повысила средний чек относительно контрольной группы (не видела бандлов вообще) и относительно тестовой группы, которая видела в бандлах “ручную” подборку.

И ещё один интересный вариант персонализации бандлов: механику оффера определяет компания (например, "бургер + гарнир + напиток = скидка X%”), а конкретные товары в оффер подставляет алгоритм аффинити в зависимости от предпочтений конкретного пользователя. Кто-то любит говядину, кто-то курицу, кто-то рыбу, кто-то предпочитает кофе, а кто-то его совсем не пьет — таким образом, в бандлы могут попадать сотни различных комбинаций. Какая комбинация будет наилучшей для каждого авторизованного пользователя, рассчитывает движок персонализации. В итоге такие пользователи могут сделать заказ из по сути индивидуального меню — с персональными подборками блюд и персональными ценами.

Всё это — лишь часть типичных ошибок, которые совершают маркетологи, продакт-менеджеры и их руководители, начинающие и продолжающие свой путь в сфере персонализации. И, по сути, все они вытекают из страха перед экспериментированием. Но эффективная персонализация невозможна без экспериментирования — постоянной работы с большим числом гипотез и анализом результатов тестов в разрезе различных сегментов. Только такой подход позволяет понять, какая логика работает для каждого сегмента, и построить персонализацию, основанную на данных, а не на “априорном знании” или поверхностных гипотезах.

В следующих статьях мы расскажем об ошибках сегментации и подхода к проведению тестов на примере других реальных кейсов. Следите за обновлениями!

33
Начать дискуссию