Топ ошибок при работе с персонализацией

Опыт сооснователя платформы Gravity Field. Часть вторая

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.

Во второй части статьи мне хотелось бы детальнее разобрать возможности для сегментации пользователей, которые помогают избежать главной ошибки команд персонализации — принимать решения на основе “средних по больнице” данных.

Ниже — мой личный топ примеров.

Ошибка № 6. Не учитывать этап воронки

Один из первых способов сегментации, который начинают использовать Ecommerce-компании при знакомстве с персонализацией, — это разделение пользователей на новых и вернувшихся. О новых пользователях алгоритмы персонализации, как правило, ещё ничего не знают, и маркетологам видится логичным показывать им популярные товары или товары со скидками. Вернувшимся пользователям, данные о которых накопились в предыдущих сессиях, уже можно показывать персонализированные подборки на основе их предпочтений — многие так и делают. Увы, такой выбор может быть ошибочным.

Пример: маркетолог ритейлера электроники и бытовой техники был наслышан об эффективности алгоритма аффинити (предлагает персонализированную подборку товаров на основе пользовательских предпочтений по категориям товаров, брендам, цвету и другим характеристикам). У сотрудника возникла гипотеза, что добавление рекомендательного блока с таким алгоритмом на страницу корзины повысит средний чек. Но, к сожалению, проведённый A/B-тест не показал статистически значимой разницы между контрольной группой и тестовой. Гипотеза не подтвердилась.

Как исправить: тестировать различные рекомендательные стратегии в зависимости от этапа воронки. В случае с ритейлером электроники мы предложили проработать сегментацию клиентов глубже и протестировать разные механики для разных типов вернувшихся пользователей — без покупок и с покупками в предыдущих сессиях. Пользователям без покупок показали микс товаров из аффинити и недавно просмотренных, а пользователям с покупками показали рекомендации с алгоритмом “Покупают с недавно купленными”. Так, например, ранее купившие Play Station, видели в корзине релевантную для них подборку видеоигр; а новоиспечённые обладатели пылесосов — мешки-пылесборники. Обновлённая логика показа товаров в рекомендательных блоках принесла статистически значимые +5% к среднему чеку для пользователей без покупок и +13% (!!) для пользователей с покупками.

Ошибка № 7. Не учитывать контекст

Одна из старейших, но по-прежнему крайне эффективных механик для повышения конверсии и среднего чека — это social proof, социальное доказательство. Наверняка, вы помните эти красочные бейджи на товарах Интернет-магазинов — с безапелляционными заявлениями а-ля “Пользуется спросом”. Судя по свежим результатам тестов, люди по-прежнему склонны доверять выбору других людей и по-прежнему охотнее добавляют в корзину товары, отмеченные знаком “Хит продаж”. При этом непродуманное использование механики социального доказательства может принести обратный эффект.

Пример: ритейлер из сферы моды и красоты провёл успешный тест с social proof в категории косметики. Добавление бейджа “Купили Х раз за день” на крема и шампуни повысило средний чек пользователей в целом и продажи товаров бренда в частности. Директор по маркетингу настоял на масштабировании механики на все остальные категории товаров и получил снижение конверсии в категории женской одежды. Очевидно, что посетительницы магазина хотели чувствовать себя уникальными в выборе аутфита — покупка платьев “как у всех” не вызывала у них воодушевления.

Как исправить: тестировать разные посылы для разных категорий. Так, например, механика social proof всё же сработала для категории одежды, когда мы заменили вординг для популярных товаров на “Осталось Х штук”.

Ошибка № 8. Не учитывать источник трафика

На основе множества проведённых экспериментов, мы в Gravity Field выявили определённые закономерности в поведении пользователей, исходя из их способа попадания на сайт. Так, например, в прошлой статье я уже описывал кейс с сегментом поискового трафика, для которого лучше всего сработали рекомендации похожих товаров. Однако даже один и тот же тип трафика может показывать себя по-разному в зависимости от специфики бизнеса.

Пример: кейс с тестированием расположения формы заявки на финансовый продукт банка. Была сформирована гипотеза, что пользователи, пришедшие по реферальной ссылке, уже всё знают о продукте, и перенос формы заявки в первый экран повысит конверсию из визитов в заявки. По итогам теста мы получили лишь +0.5% к конверсии, что было ниже ожиданий и бенчмарок с зарубежных рынков.

Как можно исправить: с помощью микросегментации аудитории по url. Мы посмотрели на результаты теста в разрезе микросегментов и поняли, что они ведут себя по-разному. Прирост к конверсии у подсегмента пришедших по реферальной ссылке с финансовых агрегаторов составил +5%. При этом перенос заявки в первый экран снизил конверсию пользователей, которые пришли по реферальным ссылкам CPA-блогеров. С помощью движка предиктивного таргетинга мы спрогнозировали аплифты для каждого микросегмента в случае перезапуска кампании в новой логике: с заявкой в первом экране для трафика с агрегаторов и заявкой в третьем экране для трафика с блогеров. По итогу получили по +6% для каждого микросегмента с расположением, релевантным для них.

Предиктивный таргетинг — движок платформы персонализации, который принимает решения на основе машинного обучения и прогнозирует приросты при масштабировании наилучших комбинаций “гипотеза — сегмент”.

Ошибка № 9. Бояться экспериментировать с корзиной

Страница корзины и оформления заказа — это самая чувствительная точка сайта. Если на этом этапе что-то пойдёт не так, то вся ранее проделанная работа по повышению конверсии окажется напрасной. По этой причине продакты зачастую против добавления в корзину каких-либо дополнительных виджетов. И это ошибка.

Пример: eGrocery с сотнями тысяч пользователей, корзины которых стандартно насчитывают 40—50 SKU. Среднее время сбора такой корзину составляет 30—40 минут, и за это время часть товаров может закончиться — магазин популярный. По опыту — без подборок замен для распроданных товаров конверсия сессии падает даже ощутимее, чем вследствие багов.

Как исправить: таргетируйте рекомендательные блоки в зависимости от состава корзины. Так, например, пользователям с распроданными товарами важнее показать блок с заменами, а пользователям с 1—2 товарами всего лучше показать акционные товары “прикассовой зоны”.

Ошибка № 10. Основываться только на априорном знании

В прошлой статье я уже рассказывал об опасностях поверхностной сегментации из разряда “девочки-мальчики” и сейчас хотел бы продолжить тему поведенческих паттернов и коварства априорного знания.

Пример: магазин спортивных товаров. Маркетологи магазина знают, что у них есть сегмент так называемых “Kit Buyers” — пользователи, которые приходят в магазин за целыми комплектами товаров. Казалось бы, таким пользователям точно нужно показывать в рекомендациях подборку товаров, собранную алгоритмом. Это логично, но, к удивлению, результаты теста показали обратное: добавление рекомендательного блока снизило конверсию в сегменте Kit Buyers, но при этом повысило количество товаров в чеке для остальных пользователей.

Как исправить: практиковать data-driven подход. Основываясь на данных в разрезе “гипотеза — сегмент” для Kit Buyers мы стали показывать подборку с похожими товарами. Именно такой алгоритм помог увеличить конверсию карточки товара в данном сегменте, вопреки априорной логике — зачем покупателю 10 одинаковых мячей?

Позже, в рамках UX-исследований мы узнали разгадку: оказалось, что Kit Buyers предпочитают собирать корзину попредметно — им удобнее выбирать каждый предмет в отдельности из подборки похожих, а подборки с готовыми комплектами только рассеивают их внимание.

Если подытожить, каждый пользователь подаёт множество сигналов во время входа в Интернет-магазин, в течение сессии и даже после ухода с сайта. Например, в момент входа мы уже знаем, из какого источника трафика к нам пришёл пользователь, был ли он на сайте раньше, какая у него марка телефона и даже версия операционной системы. Во время сессии мы ловим десятки и сотни микросигналов — посещения категорий, просмотры товаров, добавления товаров в корзину и Избранное, использование поиска и фильтров, и так далее. И даже после ухода пользователя мы продолжаем узнавать о нём что-то новое — например, забрал ли он товар, оформленный самовывозом, сколько дней не возвращался на сайт и отписался ли от почтовых рассылок.

Чем большее количество факторов мы учтём при сегментации, тем больше успешных комбинаций в разрезе “гипотеза — сегмент” смогут найти алгоритмы машинного обучения. Желаю вам не забывать об этом и забирать из возможностей персонализации максимум.

55
Начать дискуссию