![webinar](/blog/wp-content/uploads/2024/09/image-how-to-teach-your-search-to-sell.png)
Многие думают так: прикрутили к интернет-магазину персонализацию и успокоились. Она продает, вы считаете деньги. Внутри у этих самых персонализированных товарных рекомендаций вращаются неведомые механизмы Big Data — но, мол, они лучше знают, что предложить покупателю.
А вот и нет. Одной Big Data недостаточно для хорошей персонализации. Почему? Порой Big Data рекомендует абсолютно правильные с точки зрения ее «большой» логики, товары — но совершенно бесполезные с точки зрения логики потребителя.
Простой пример про ажурные кружева и 50 оттенков серого
Я зашел в интернет-магазин одежды. Мужской, женской, детской — всего там хватает. Цель у меня простая: купить себе три пары серых носков. Может, еще что себе присмотреть заодно. Поизучал каталог, сравнил 50 оттенков серого, нашел. Выбрал свой размер. Закинул в корзину. И чуть уже было не купил — как тут мое внимание отвлек баннер с дамскими ножками в чулках. Я уже почти купил носки — а тут такой соблазн. Пошел полистал каталог кружевного белья, просто из любопытства: дамские чулки — они как-то всегда притягательнее серых хлопчатобумажных носков. Насмотрелся, вернулся в корзину. И тут вижу, в товарных рекомендациях мне советуют кружевное боди, бюстгальтер пятого размера и подвязку в придачу. Нет, я, конечно, не против посмотреть еще раз, но покупать точно не буду — у меня и подружки-то нет.
Здесь товарные рекомендации сработали, но не так, как надо было. То есть они оттолкнулись от того, что я смотрел дольше всего. И посоветовали мне красивое, дорогое, но вообще не мужское белье. А порекомендуй они пару унылых серых боксеров или белую майку — я бы купил их в придачу к носкам. И был бы всем апселлам апселл. Но не судьба.
Теперь давайте серьезно. Включим маркетолога и посмотрим на ситуацию на рынке критическим взглядом.
Покупательский опыт в магазинах одежды отличается от опыта в других сегментах. Здесь на первый план выходят факторы, которые не влияют на покупку в других товарных категориях. Например, покупатели обязательно смотрят на наличие нужного размера. Выбирают сначала среди любимых брендов, а уже потом среди остальных. Покупатель-женщина в абсолютном большинстве случаев будет покупать женские товары.
Сравните с любым другим сегментом — например, смартфонами. Так, iPhone 7 одинаково хорошо подходит мужчинам и женщинам любого роста и комплекции. В этом сегменте покупку предопределяют другие факторы.
Что это значит для магазина одежды? Товарная персонализация должна обязательно учитывать специфику каждого покупателя: его размеры, пол, любимые бренды. И часто магазины допускают ошибку — товарные рекомендации на сайте никак не принимают в расчет эти параметры.
В этой статье мы проанализировали реальные онлайн-магазины из сегмента «одежда, обувь и аксессуары». Вы увидите, какие именно ошибки они допускают. Узнаете, почему в некоторых случаях персонализация на основе Big Data не дает результатов, а прогрессивная, напротив, позволяет магазину увеличивать конверсию и средний чек покупки.
Прогрессивная Персонализация — термин, предложенный компанией REES46 Technologies. Высокоточный метод персонализации, основанный на анализе текущего поведения посетителя. Каждое действие пользователя: клик, добавление товара в корзину, покупка — незамедлительно отражается на предлагаемых ему товарах. Прогрессивная персонализация использует специфичные параметры посетителя (пол, комплекция, размеры, тип кожи, возраст ребенка и другие), чтобы исключать из рекомендаций неподходящие товары.
Неправильная персонализация
Одна из главных ошибок магазинов — игнорирование пола посетителя.
Так китайский Wholesale Clothes Mart даже в товарной карточке мужского товара выводит рекомендации для женщин. Очень странная логика:
Даже если вы часами будете изучать мужской каталог, товарные рекомендации не изменятся.
Такой подход ведет к тому, что конверсия у товаров в блоке рекомендаций будет практически нулевой для посетителей-мужчин (за исключением тех случаев, когда те придут покупать подарок).
Вторая ошибка — игнорирование размеров посетителя. Если в магазине Forever 21 выбрать товар определенного размера (в примере XS) и положить его в корзину — это никак не повлияет на рекомендованные товары.
Блок рекомендованных товаров работает корректно с точки зрения фильтрации по полу — это мужская одежда.
Но посмотрим, насколько такие товарные рекомендации способны привести к продаже. Кликаем по рекомендованному товару, чтобы узнать подробности и видим, что нужного размера просто нет в наличии, остался только XL:
И это несмотря на то, что посетитель своим поведением явно дал понять: ему интересен строго определенный размер (XS).
Товарная рекомендация, не учитывающая персональные особенности посетителя, на поверку оказалась бесполезной.
Третья ошибка — не учитывать предпочтения по брендам. Этот фактор наименее влиятельный из трех — несмотря на приверженность той или иной марке, люди время от времени склонны менять бренды.
В то же время рекомендации должны учитывать любимые бренды покупателя. У Universal Store всё наоборот:
Вы можете очень много времени провести за изучением конкретной марки (в данном случае Wrangler), но в товарных рекомендациях ее будете встречать крайне редко:
В то же время в каталоге предостаточно товаров того же бренда. Что помешало магазину учитывать предпочтения посетителей — загадка.
Прогрессивная персонализация
Прогрессивная персонализация для магазинов одежды учитывает три ключевых фактора, о которых мы говорили — пол, размеры и лояльность к брендам.
Например, товарные рекомендации к женской модели сникеров Nike в магазине 6pm принимают во внимание пол и любимый бренд покупателя:
Если посетитель рассматривает женские беговые кроссовки Nike — то и в рекомендациях он увидит женские беговые кроссовки того же бренда.
Ранее мы говорили о том, что бренд-предпочтения — это не строгое правило для товарных рекомендаций, поэтому допустимо также рекомендовать товары других брендов — однако они должны оставаться в меньшинстве. Как это реализовано у ASOS.
У магазина всего 12 товарных рекомендаций на странице товара — первые 8 в подавляющем большинстве представлены тем же брендом, что и основной товар.
При этом последние 4 могут отличаться по бренду — они находятся на третьем, наименее посещаемом, экране слайдера.
Интересен и такой кейс — магазин одежды для беременных Ingrid&Isabel не только учитывает размеры покупателя, но и триместр. Само собой, одежда для первого триместра и для третьего — это две большие разницы.
Если посетитель смотрит одежду для третьего триместра размера XS, то и в блоке рекомендаций он увидит только подходящие ему товары:
Каждый из рекомендованных товаров — для женщин в третьем триместре. У каждого есть в наличии размер XS.
Прогрессивная персонализация в Ingrid&Isabel работает на базе нишевого решения REES46, разработанного для магазинов одежды.
Как работает прогрессивная персонализация
Наверняка, вы задались этим вопросом. И здесь всё проще, чем может показаться на первый взгляд.
Прогрессивная персонализация использует анализ поведения посетителя. Клики по товарам, добавление товаров в корзину, покупки. В 95% случаев это дает достоверную картину — рекомендательная система может использовать данные о поле, размерах, предпочтениям по брендам.
Чтобы стало понятнее — приведем алгоритмы, по которым работает прогрессивная персонализация.
Как считать
Расчеты предельно просты. Настолько, что вы в состоянии сами всё рассчитать в таблице Excel. Итак, у нас есть три параметра, на которые стоит обращать внимание магазинам одежды: пол, размеры и предпочтения бренда.
Пол
Правило прогрессивной персонализации: большинство мужчин покупает мужскую и унисекс-одежду, большинство женщин — женскую и унисекс. Люди очень редко покупают одежду противоположного пола. В блоках товарных рекомендаций должна быть одежда для пола, соответствующего полу посетителя.
Ситуация: посетитель впервые заходит в магазин одежды и начинает смотреть товары. В этом сегменте у большинства товаров есть гендерная принадлежность — это «маркер», который поможет магазину рекомендовать посетителю только подходящие товары.
Первый шаг, который готовит плацдарм для прогрессивной персонализации — маркировка всех товаров, которые есть у вас в каталоге:
Товар | Гендерная принадлежность |
Пальто Ike Denzil | мужской |
Перчатки Lenox | женский |
Сапоги Teddy B | женский |
Футболка Re-port | унисекс |
Купальник Emeraldine | женский |
Брюки Chester | мужской |
После этого нужно отследить, какие товары чаще просматривает конкретный посетитель:
Посетитель | Просмотры товаров |
N001 | мужской |
женский | |
мужской | |
мужской | |
женский | |
унисекс | |
мужской | |
мужской | |
мужской | |
унисекс |
На основании полученных данных можно сделать выводы: клиентом N001 было просмотрено 10 товаров, из которых 6 мужских, 2 женских и 2 без выраженной гендерной принадлежности. Последние не учитываются в прогнозировании пола посетителя. Товарам разной гендерной принадлежности присваиваются баллы, по одному за каждый просмотр:
Баллы М | 6 |
Баллы Ж | 2 |
Осталось немного: рассчитать вероятность того, что посетитель является мужчиной или женщиной — на основе его просмотров. Вывод: покупатель — мужчина с вероятностью 75%:
Баллы М | 6 |
Баллы Ж | 2 |
Вероятность М | 75,00% |
Вероятность Ж | 25,00% |
Пол | М |
Важный момент: рекомендуемая вероятность, при которой можно утверждать, что перед нами покупатель мужского или женского пола, равна 75%. Если она меньше — значит, данных пока недостаточно и нужно дальше отслеживать поведение посетителя.
Таким образом, при прогрессивной персонализации достаточно отследить несколько первых просмотров нового посетителя, чтобы уверенно присвоить ему тот или иной маркер.
На основе этих данных магазин может рекомендовать новому посетителю подходящие ему товары — буквально сразу.
Но чем точнее рекомендации, тем лучше. Поэтому существует вторая, более детальная модель расчета вероятности пола посетителя — она основана не только на просмотрах, но и на добавлении товара в корзину и покупках.
Итак, вернемся к нашему примеру с мужской и женской одеждой и усложним задачу прогрессивной персонализации. Логично предположить, что просмотры могут и не нести важной информации — например, посетитель-мужчина может случайно кликнуть на женский товар или просмотреть его из любопытства.
Но просмотрами поведение посетителя не ограничивается. Посетитель может положить товар в корзину, а может купить его. Каждое из этих действий имеет больше веса, чем просмотры.
История действий посетителя теперь выглядит так:
Просмотр | Корзина | Покупка | |
Пальто Ike Denzil | М | ||
Перчатки Lenox | Ж | ||
Сапоги Teddy B | Ж | ||
Сумка WestShore | Ж | ||
Купальник Emeraldine | Ж | ||
Брюки Chester | Ж | ||
Ремень Thunder Belt | М | ||
Шляпа Sparrow | М | ||
Футболка Re-port | — |
У каждого действия есть удельный вес. Мы в REES46 вывели следующее соотношение в баллах:
Вес просмотра | 1 |
Вес корзины | 5 |
Вес покупки | 10 |
То есть одна покупка говорит о поле посетителя больше, чем 9 просмотров.
Время обновить расчеты — теперь с учетом всех возможных действий и удельного веса каждого из них. Маркер «мужской пол» суммарно получает 2 балла за просмотры и 5 баллов за положенную в корзину мужскую шляпу. Маркер «женский пол» зарабатывает больше — 1 балл за просмотры, 15 за корзину и 10 за покупку женской сумки.
Баллы М | 7 |
Баллы Ж | 26 |
Вероятность М | 21,21% |
Вероятность Ж | 78,79% |
Пол | Ж |
Наш пользователь — женщина с вероятностью почти 79%. После наших расчетов можно с уверенностью выводить женские товары в блоке рекомендаций — и это будут именно те товары, который посетитель может купить для себя.
Мы разобрали на частном примере, как можно вычислить пол посетителя по его поведению. На практике все сложнее: пол не является единственным фактором, предопределяющим покупки. Следовательно, в товарных рекомендациях важно учесть совокупность таких факторов.
Размеры
Правило прогрессивной персонализации: большинство посетителей покупают одежду и обувь в онлайн-магазинах для себя, а значит, для них важно наличие подходящего для них размера. Блоки рекомендаций должны предлагать посетителю модели с нужным размером в наличии.
Похожая схема используется для вычисления размеров — одежды или обуви посетителя.
Если разные размеры одной и той же модели представлены как отдельные товары, задача упрощается — и магазин просто подсчитывает просмотры каждого товара. Однако в большинстве случаев товары имеют SKU — и для того, чтобы магазин получил данные о размере пользователя, тот должен выбрать размер из списка доступных (то есть фактически перейти к добавлению товара в корзину, так как обычно посетители не выбирают размер «просто из любопытства»).
Расчеты в обоих случаях выглядят так:
Просмотренный товар | Размер | |||||
38 | 39 | 40 | 41 | 42 | 43 | |
Туфли 1 | 1 | 1 | 1 | |||
Туфли 2 | 1 | 1 | 1 | |||
Туфли 3 | 1 | 1 | 1 | 1 | ||
Туфли 4 | 1 | 1 | 1 | 1 | ||
Туфли 5 | 1 | 1 | ||||
Туфли 6 | 1 | 1 | ||||
Туфли 7 | 1 | 1 | ||||
Туфли 8 | 1 | 1 | 1 | 1 | ||
Туфли 9 | 1 | 1 | 1 | |||
Туфли 10 | 1 | 1 | 1 | |||
Частота размера | 3 | 7 | 8 | 5 | 2 | 2 |
Вероятный размер | ДА | ДА |
Подсчитывается суммарное количество просмотров по каждому размеру. Лидеры — вероятные размеры посетителя.
Стоит учесть, что если посетитель уже совершал покупки на вашем сайте, то необходимо использовать выбранные им в прошлый раз размеры.
Лояльность к брендам
Правило прогрессивной персонализации: для части покупателей имеет значение бренд одежды и обуви, эти люди склонны покупать товары конкретной марки. Товарные рекомендации должны принимать во внимание бренд-предпочтения посетителя.
Осталось рассчитать еще один важный параметр — предрасположенность посетителя выбирать товар конкретного бренда.
Здесь лучше всего работает та же методика, что была использована при расширенном подсчете пола. Вначале нам также придется подсчитать количество просмотров, отправленных в корзину товаров и покупок.
Тип одежды | Бренд | Просмотр | Корзина | Покупка |
Куртка | Zara | 1 | ||
Куртка | Zara | 1 | ||
Пальто | H&M | 1 | ||
Брюки | Zara | 1 | ||
Брюки | TopShop | 1 |
В основе оценки — разный удельный вес различных действий пользователя: просмотр имеет наименьший вес, а покупка — наибольший.
Коэффициенты | Баллы |
Важность просмотра | 1 |
Важность корзины | 5 |
Важность покупки | 10 |
На основе таблицы весов рассчитывается вероятность того, что посетитель является поклонником определенной торговой марки.
Бренд | Баллы |
Zara | 16 |
H&M | 1 |
TopShop | 1 |
Делается вывод: посетитель любит бренд Zara.
Заключение
Прогрессивная персонализация позволяет магазинам делать товарные рекомендации точными — они учитывают такие специфичные для отрасли параметры, как пол, размеры посетителя и предпочтения по брендам. Это последний тренд в области товарных рекомендаций, который дополняет другой популярный подход — Big Data персонализацию. В отличие от последней, прогрессивная персонализация успешно используется средними интернет-магазинами, у которых недостаточно собственных данных для эффективной Big Data.