Зачем нужна отраслевая персонализация

В 2014-ом все вдруг заговорили про персонализацию. В принципе, было с чего.

17 сентября в 19:00 (по МСК)
Хотите узнать, как научить поиск на сайте продавать?
CEO REES46 Михаил Кечинов расскажет о том, как сократить путь клиента до покупки и увеличить выручку с помощью умного поиска.
webinar

image01

Amazon, который всегда славился дальновидностью, начал работать над персональными рекомендациями еще в 1996-ом. Британский Last.fm, один из самых популярных сервисов музыкальных рекомендаций, на сегодня привлек аудиторию в 40 миллионов постоянных посетителей. Netflix, специализирующийся на рекомендациях видео, — в 60 миллионов.

У отечественных порталов результаты поскромнее, но всё же они говорят о многом. Так, российский Имхонет, рекомендательный сервис «всего и сразу» посещают 10 миллионов человек ежемесячно.

Мы привыкли к персональным рекомендациям и плохо представляем интернет без них: Youtube, ВКонтакте, Facebook, Кинопоиск, Ozon — любой крупный контентный сайт или магазин персонализирует рекомендации, предлагает нам то, что нам понравится.

А всему виной жажда высокой конверсии. Интереснее предложение — чаще кликают, чаще покупают.

Интернет-магазин: персонализация и конверсия

Все в курсе, что конверсия — это доля посетителей, которые выполнили желаемое вами действие. Для магазина конверсионное действие — это покупка, для блога — репост или комментарий, для фото ногтей в Instagram — полученный лайк.

Но продавать товары в магазине много сложнее, чем собирать лайки в соцсетях. В последнем случае цепочка такая:

Увидел — Лайкнул

Если мы допустим, что вероятность каждого действия довольно высокая (пусть 80%), то тогда суммарная вероятность получить лайк:

Увидел (80%) х Лайкнул (80%) = 64%.

У вас есть 100 подписчиков — получите 64 лайка.

При покупке же цепочка примерно следующая:

Пришел — Нашел — Изучил — Сравнил — Выбрал — Купил

Длинная, правда? Даже если у нас идеально-гипотетический магазин в вакууме и вероятность успеха на каждом этапе тоже 80%, то суммарная вероятность будет жалких 26%.

И это мы еще не учли, что у сайта может быть устаревший дизайн, сайт может быть неудобным и глючным, а онлайн-консультант может оказаться некомпетентным поленом. Да элементарно — одни привыкли к вертикальному меню, а другие к горизонтальному. Всем не угодишь, у всех персональные предпочтения.

Все эти этапы влияют на итоговую вероятность покупки.

В результате мы имеем те самые заветные 2-3% конверсии и радуемся ей, как дети.

Лечиться будем?

«Вылечить» низкую конверсию, оптимизируя сайт так и эдак — себе дороже. Многие заблуждаются, думая, что заказав дорогущий новый дизайн, они получат волшебную пилюлю от всех бед. Дизайн на две трети состоит из контента, а любой магазин — это про контент. Соответственно, придется вдобавок делать лучшие фотографии товаров. Нанимать копирайтера, чтобы он поработал с описаниями и текстами. Контент-менеджера, чтобы тот все красиво загрузил в админку. А потом окажется, что у вас низкие продажи потому, что менеджер отвечает на письма через день — и ему надо промыть мозги или уволить.

В общем, имеет смысл заниматься такой оптимизацией, только если вы всерьез нацелены поменять все — от внешней стороны до процессов — и у вас для этого есть много денег и времени.

Есть другой способ улучшить показатели конверсии, менее радикальный, но не менее эффективный.

Мы добрались до персонализации, наконец

Итак, у магазина есть конверсия в условных 2%. С ней и нужно работать

Ключевой механизм для e-commerce — это персонализированные рекомендации. Когда они работают, товары, баннерка, акции и все предложения магазина начинают подстраиваться под конкретного пользователя.

Посетителю интересна косметика AVON? В рекомендациях он получит самые заманчивые предложения бренда. Он пришел выбирать «бюджетную» стиральную машинку? Самые подходящие предложения уже выстроились в ряд. Ну и так далее.

image00
Внешне все просто — рекомендательная система видит, что из себя представляет пользователь, и делает ему качественные персональные рекомендации (а не выдает советы «на все случаи жизни»). Пользователь обращает на рекомендации внимание, быстрее определяется с выбором и покупает.

И жили бы они долго и счастливо, если бы не одно большое НО.

Магазины слишком разные, чтобы персонализировать их по одной модели

Работая над своим продуктом для персонализации REES46, мы заметили, что одни и те же алгоритмы по-разному работают в разных сегментах.

Одежда и обувь

Самый вопиющий пример, как правильный и логичный математический алгоритм может оказаться бесполезным.

Рекомендательная система знает, что вы любите одни бренды и никогда не смотрите другие. Понимает, что за одну покупку вы редко тратите 10 000 рублей. Помнит вашу историю покупок. Думает, выдает рекомендацию.

Если бы это был, например, магазин смартфонов, то рекомендация могла бы сработать. Вам бы порекомендовали:

  • телефон Samsung (люблю этот бренд).
  • не самой новой модели (флагманы для меня дороговаты).
  • стоимостью 9 900 рублей (вот, хорошая цена).
  • со скидкой на модель с 16GB памяти (всегда покупал с таким объемом памяти).
  • и вам бы понравилось (да они мои мысли читают!).

Но в магазине одежды таких знаний о пользователе недостаточно. Что вам могут порекомендовать по такой же логике:

  • кроссовки Ecco (люблю этот бренд).
  • прошлогодней коллекции (мода для меня не важна).
  • стоимостью 9 900 рублей (вот, хорошая цена).
  • белого цвета (всегда покупал белые).
  • размера 41 (так точно, мой!).
  • женские (да какого черта?!…).

Данных оказалось недостаточно. Ситуации бывают и более комичными — мы любим приводить пример с рекомендациями бюстгальтеров покупателям-мужчинам. По всем параметрам вот эта сиреневая модель просто обязана была понравиться клерку Виталию. Но — ничего не поделаешь, физиология, беспощадная ты стерва. В результате имеем как минимум бесполезную, а как максимум раздражающую рекомендацию.

И такие особенности есть практически в каждой отрасли — они делают типовые рекомендательные механизмы бесполезным мусором.

Еще примеры?

FMCG

В магазинах товаров повседневного спроса тоже свои правила.

Так как стоимость каждого товара невысока, нужно делать корзину более объемной. Что для этого обычно используется:

  • напоминания о забытом товаре, если в предыдущих корзинах такие товары были (при этом система запоминает, что товар не нужен, и помнит, что было куплено вместо рекомендованного);

Пример: вы каждый раз покупаете кефир. Система помнит вашу привычку и каждый раз будет напоминать купить товар, если вы этого еще не сделали. Однако, если вы пару раз подряд покупаете вместо кефира ацидофилин (товар-заменитель) — система начнет рекомендовать его. А если вы вовсе решили отказать от молочной продукции: система и это «поймет», рекомендации будут вытеснены другими, более релевантными.

  • рекомендации товара по индивидуальным интересам — имеются в виду товары, которые ранее не покупались;

Специфика FMCG-сектора в том, что у покупателя формируются устойчивые привычки. Растительное масло X, томаты Y, зубная паста Z — покупатели не думая покупают привычные товары, которые их во всем устраивают. Чтобы подтолкнуть их к покупке новых товаров, включаются отраслевые рекомендации.

  • рекомендации «на повышение» — когда вместо товаров, которые пользователь обычно покупает, ему рекомендуются более качественные аналоги.

Моете посуду «Чудо-каплей» за 30 рублей? Может, пора перейти на более качественное и безопасное средство? Система позаботится о том, чтобы покупатели «привыкали к хорошему». А средний чек будет медленно, но верно рос.

  • рекомендация в ценовой категории — наиболее платежеспособные клиенты не увидят самые дешевые товары, а наименее платежеспособные — самые дорогие.

И, конечно применяются базовые алгоритмы: персонализированные популярные, похожие, сопутствующие, новые товары.

Туризм

Казалось бы, туристическая поездка — это монотовар. Ездите каждый год в Азию, значит, и в этот раз система будет советовать Таиланд с Камбоджей. Какие тут еще рекомендации?

Все сложнее, отраслевая специфика сильна и здесь.

Отраслевые особенности могут быть не очевидными на первый взгляд, но в итоге играть решающую роль. Возьмем простой пример с номером в отеле. Два мужчины с одинаковым достатком и семейным положением, но разного возраста предпочтут разные номера. Старшее поколение сильнее нуждается в комфорте, молодые людит же чаще едут за эмоциями, а не комфортом.

Если у посетителя есть семья и дети — есть смысл порекомендовать ему что-то для отдыха всей семьей. Особенный случай: человек едет не просто отдыхать, а у него деловая встреча. В таком случае система будет рекомендовать гостиницы недалеко от места конференции.

Тип страны, тип отеля, тип транспорта, цена — это и есть объект рекомендаций на туристическом сайте.

И так далее

Отраслевые рекомендации — это единственно возможные рекомендации. Универсальные, базовые алгоритмы, конечно, имеют право на существование, но они могут сработать, а могут нет. Хуже того, могут сработать неправильно, вам в убыток.

Поэтому мы считаем, что по-настоящему персональный подход к клиенту — это результат персонального подхода к магазину.

Подпишитесь на рассылку

Два письма в месяц: полезные статьи про маркетинг, исследования, инструкции, гайды, чек-листы и кейсы с лучшими практиками наших клиентов.