20 лет профессионально
продвигаем сайты в РФ
продвигаем сайты в РФ
Сегодня почти в каждом интернет-магазине используется какой-либо движок рекомендаций, что неудивительно, так как эти системы, будучи установленными и настроенными должным образом, могут значительно повысить доходы, показатели кликабельности, конверсии и другие важные метрики.
Кроме того, они могут оказывать существенное положительное влияние на опыт взаимодействия, а он, в свою очередь, улучшает показатели, которые трудно измерить, но которые имеют важнейшее значение для интернет-бизнеса, такие как удовлетворенность клиентов и их сохранение.
Движок рекомендаций — это инструмент фильтрации информации, который использует алгоритмы и данные, чтобы рекомендовать каждому конкретному пользователю наиболее подходящие в данном контексте элементы.
Элементом может быть контент, товар или даже человек (в случае с сайтом знакомств, например). Рекомендации основываются на совокупности данных, определяющих актуальность определенного элемента в данном контексте, или на специфичных для того или иного пользователя данных, позволяющих сформировать персональные рекомендации.
Не нужно проводить скрупулезное исследование рынка, чтобы понять, что клиент будет в большей степени готов сделать покупку в магазине, где он получает максимальную помощь в поиске того, что ему нужно. Кроме того, клиент с гораздо большей вероятностью вернется в такой магазин в будущем.
Хотя созданию такого рода опыта способствуют не только рекомендации, они, безусловно, являются краеугольным камнем релевантного и персонализированного подхода.
Для того, чтобы вы получили представление о ценности систем рекомендаций для бизнеса, достаточно сказать, что несколько месяцев назад американская компания Netflix заявила, что движок рекомендаций повышает их прибыль на 1 млрд долларов в год.
Согласно статистике американской компании Amazon, 35% от их общего объема доходов поступают от продажи товаров, найденных клиентами при помощи движка рекомендаций.
Согласно результатам исследования, 77% «цифрового поколения» (поколение Y и огромная часть поколения X) хотят, чтобы их онлайн-опыт был персонализированным. Это означает, что персонализация и связанные с ней технологии в наше время являются абсолютной необходимостью для успешного ведения онлайн-бизнеса.
Вот несколько показателей, которые позволяют оценить производительность движка рекомендаций:
Важно отметить, что на все эти показатели оказывают влияние множество внешних факторов, таких как расположение виджета, общий макет страницы, сезонные факторы и т.д.
На коммерческом или информационном сайте есть много мест, где могут отображаться рекомендации.
Главная страница — это первое, что видят пользователи, являющиеся частью прямого трафика. Поскольку эти посетители необязательно приходят в поисках чего-то конкретного, рекомендации на главной странице служат для информирования клиентов о ваших последних предложениях и скидках, а также для презентации вашей продукции.
Наиболее легкий способ определения популярности товара — это количество проданных его единиц (с учетом того, как долго этот товар был доступен). Однако в более сложных системах используются и другие данные о событиях для формирования наиболее точных рекомендаций (клики, просмотры, количество добавлений в корзину и т.д.)
В случае с информационными сайтами (новостные сайты, видео-порталы) используются такие факторы определения популярности контента, как время, проведенное пользователем на странице, процент прокрутки страницы, количество секунд просмотра (для видео).
Системы рекомендаций используют, преимущественно, неявную обратную связь (показатели кликов, просмотров, покупок) из-за обилия, разнообразия и структуры таких данных. Все дело в том, что явная обратная связь (комментарии, отзывы, оценки) зачастую предоставляет крайне неструктурированные и скудные данные, ведь лишь очень небольшой процент пользователей пишет отзывы или ставит товарам оценки.
Тем не менее, несмотря на то, что машины не могут извлечь выгоду из оценок, пользователи на это способны. На самом деле, согласно результатам опроса, 88% пользователей доверяют онлайн-обзорам так же, как и личным рекомендациям.
Если вы думаете, что, благодаря привычкам и предпочтениям вашей клиентской базы, отзывы пользователей могут быть существенным фактором, влияющим на принятие решения о покупке, вам, вероятно, следует расположить рекомендации «Самых оцениваемых товаров» на главной странице.
Виджеты персональных рекомендаций отображают разные продукты для каждого пользователя в зависимости от их истории покупок и просмотров. Одним из основных преимуществ персональных рекомендаций является то, что они могут увеличить продажи не самых популярных товаров.
Чтобы обеспечить персонализированный пользовательский опыт не только постоянным клиентам, но и удовлетворить новых посетителей, лучше иметь автоматизированный «запасной сценарий».
На практике это означает, что система определяет, располагает ли она достаточным количеством данных о конкретном клиенте, чтобы представить ему персонализированные предложения. Если данных недостаточно, то система рекомендаций демонстрирует популярные товары или категории товаров.
Это страница, на которой посетители могут найти подробное описание товара и его характеристики, а также добавить его в корзину.
Основная цель рекомендаций на таких страницах — отобразить наиболее релевантные товары и, таким образом, предоставить посетителю возможность сделать следующий шаг и задержать его на сайте. В большинстве случаев, чем больше времени посетители проводят в вашем магазине, тем выше вероятность того, что они что-нибудь купят.
Рекомендации похожих товаров могут быть основаны на разного рода логике. Наименее сложным является простой фильтр по категориям, который может быть реализован даже в отсутствие движка рекомендаций. Разумеется, производительность фильтра не сравнится с эффективностью рекомендательной системы.
Если объединить этот простой метод фильтрации со схожестью на основе метаданных (описания, названия товаров, теги, цены и т.д.), вы можете значительно повысить производительность (например, рекомендуя товары той же марки или того же цвета из одной и той же категории). Но для этого вам нужно иметь на своем сайте движок рекомендаций с расширенной функциональностью.
Одним из лучших способов реализации такой логики является метод, называемый «коллаборативная (или совместная) фильтрация». Об этом и пойдет речь ниже.
Совместная фильтрация в рекомендациях продукции онлайн впервые была реализована сайтом Amazon (они запатентовали этот метод фильтрации еще в 1999 году). Полагаем, что их результаты говорят сами за себя.
По сути, совместная фильтрация работает путем сбора информации о предпочтениях или вкусах многих пользователей. Этот тип логики рекомендаций определяет сходство двух товаров, если они часто присутствуют вместе в истории просмотров или покупок пользователей.
На практике, виджеты, использующие этот вид логики называются «Клиенты, которые просматривали это, также смотрели...» и «Клиенты, которые купили этот товар, также приобрели...». Как видите, названия говорят сами за себя.
Модели предпочтений, которые создают эти алгоритмы, очень аутентичны и специфичны для каждого сайта и его пользователей, поскольку они просчитывают реальные взаимодействия между посетителями и платформой.
Если принять во внимание контекст (просматриваемый товар) наряду с историей текущего пользователя, то персональные рекомендации для страницы описания продукта могут быть еще более усовершенствованы. В данном сценарии применима персонализированная совместная фильтрация.
Наиболее распространенный способ формирования персонализированных рекомендаций фокусируется на средней схожести товаров и последних имеющихся данных о количестве просмотренной продукции.
В данном случае, система использует ту же самую совместную фильтрацию, только не сравнивает один элемент с другим, но со всеми просмотренными элементами в истории пользователя.
Рекомендации товаров, подобных или связанных с содержимым корзины, могут быть очень эффективным способом повышения объема и стоимости заказа.
Рекомендации на странице корзины застают клиента в очень выгодном психологическом состоянии, когда он уже решил сделать покупку, поэтому он будет более склонен ответить положительно на дополнительное предложение. Есть несколько видов рекомендательной логики, которые очень хорошо подходят для выполнения этой задачи.
Рекомендации аксессуаров для продукции могут значительно увеличить средний размер заказа и его стоимость. Кроме того, реализация таких виджетов довольно проста с технической точки зрения.
Однако, в зависимости от размера вашего каталога и структуры категорий, вам может быть трудно автоматизировать процесс рекомендации подходящих аксессуаров для каждого товара. Поэтому может потребоваться ручная настройка.
Оптимально рекомендовать категорию товаров, имеющую отношение к другой категории (например, iPhone и аксессуары для iPhone). Это намного проще автоматизировать, но тут требуется очень тщательное планирование структуры категорий.
Также, располагая достаточным количеством данных, можно рекомендовать продукцию, часто покупаемую с каким-то конкретным товаром, но обладающую значительно меньшей стоимостью (в 2-3 или более раз дешевле).
Рекомендации часто покупаемых вместе товаров на странице корзины могут быть очень эффективными. Однако для этого также требуется сбор достаточного количества данных.
Макет страницы также является важным фактором. Если у вас есть время и ресурсы, сплит-тестирование различных макетов и дизайнов может принести вам отличные результаты и идеи.
Когда клиент просматривает страницу категории, он дает вам ценную информацию о том, что он ищет. Ваша цель здесь должна заключаться в оказании помощи, чтобы ему не пришлось просматривать всю категорию, дабы найти желаемый товар или контент.
Хотя лучшими вариантами в этом сценарии являются расширенная фильтрация и фасетный поиск, рекомендации также могут быть полезны.
Один из наиболее очевидных способов помочь пользователям найти на страницах категорий то, что они ищут, это показать им, что ищет большинство людей.
Маленькая хитрость заключается в использовании не каких-то отдельных категорий товаров для рекомендаций в данном сценарии, но в обучении системы распознавать структуру категорий. Таким образом, дочерние категории могут быть рекомендованы для родительских категорий, что обеспечивает большее разнообразие в рекомендациях.
Еще одним и, возможно, даже наиболее лучшим вариантом является изменение порядка элементов в категории на основе их популярности (помните, что 20% товаров приносят 80% прибыли).
Получение нулевого результата поиска или попадание на страницу 404 часто означает окончание пребывания клиента на сайте и, следовательно, потерю конверсии.
Эти страницы часто обладают самыми высокими показателями выхода, а также являются одними из немногих страниц, для которых этот показатель на самом деле очень важен.
Есть несколько тактик формирования рекомендаций, которые могут стимулировать клиентов продолжить поиск в этих ситуациях.
Так, если ваш сайт не может отобразить результаты запроса только из-за фильтров, предварительно установленных клиентом, система может выполнить дополнительный поиск по полному каталогу продукции и показать совпадения, если они есть.
Кроме того, строка поиска на страницах 404 иногда может компенсировать внезапное прерывание пользовательского опыта.
Отображение персональных рекомендаций на данных страницах также может стимулировать клиента продолжать просмотр сайта.
Естественно, что идеи, тактики и приемы, описанные в этой статье, это не все, что можно сказать о рекомендациях товаров в электронной коммерции. Мы лишь хотели дать некоторую пищу для размышлений владельцам онлайн-магазинов или их менеджерам, которые планируют внедрить систему рекомендаций или вывести ее применение на новый уровень.
