fbpx

Почему пора перестать верить устоявшимся практикам рынка: как стандартные рекомендации могут снижать продажи магазина

350 Просмотров

Персонализация и автоматизация маркетинга шагают на рынке ecommerce семимильными шагами: индустрия стремительно наполняется новыми технологиями, и это ставит перед маркетологами важную проблему, на что делать ставку при внедрении новых продуктов и как понять, что новинка не наносит бизнесу ущерб?

Чаще всего, теряясь в многообразии новых методик и алгоритмов, маркетологи совершают главную ошибку: выбор технологии или инструмента происходит в пользу интуиции и самых низких цен без погружения в детали или измерения эффективности работы, что чревато риском реального снижения продаж.

В этой статье на примере внедрения персональных рекомендаций в несколько интернет-магазинов мы проиллюстрируем такие ошибки, а также опишем пути их избежания.

Блоки рекомендаций: новейшие тенденции классических решений

Рекомендательные блоки уже долгое время помогают интернет-магазинам повышать выручку и конверсию. «Новинки», «Хиты продаж», «Сопутствующие товары» — эти механики своего рода классика ecommerce. Но в последние годы почти все исследователи говорят о стремлении пользователей к персонализированному обслуживанию. По информации исследовательской компании Gartner, интернет-магазины, игнорирующие эту тенденцию, к 2020 году будут зарабатывать на 15% меньше тех, кто внедряет персонализированный сервис.

Retail Rocket более 6 лет разрабатывает алгоритмы персонализации, и за нашими плечами несколько тысяч тестов. Мы собрали кейсы персонализации сайта, где общепринятые механики приносили интернет-магазинам убытки и готовы рассказать о том, как достичь максимального повышения выручки при выборе блоков рекомендаций.

Главная страница Aizel.ru: снижение выручки на 22% из-за блока «Хиты продаж»

Именно сотрудничество с маркетплейсом Aizel.ru натокнуло нас на написание этой статьи. Раньше персональные рекомендации выступали скорее как альтернатива стандартным механикам, но теперь они необходимы многим интернет-магазинам.

Например, на главной странице Aizel.ru мы тестировали два блока рекомендаций — персонализированные и стандартные «Хиты продаж». Первый блок показал рост выручки на 3,8%, а второй — падение на 22,4%!

Исследование эффективности проводилось с использованием механики A/B-тестирования, при которой все посетители сайта случайным образом делились на равных 3 сегмента.

Первому сегменту показывались хиты продаж:

Второму сегменту показывались персонализированные хиты продаж:

Третьему сегменту рекомендации не показывались. Он выступал в качестве контрольной группы.

Результаты

По итогам тестирования были получены следующие результаты:

Сегмент

Прирост конверсии Изменение среднего чека

Оценка увеличения выручки

Хиты продаж

-7,71%

-15,93%

-22,42%

Персонализированные хиты продаж

+10,07%

-5,91%

+3,57%

Контрольная группа

Вывод

Согласно результатам тестирования, применение механики «Персонализированные хиты продаж» в блоке рекомендаций на главной странице интернет-магазина Aizel.ru увеличивает конверсию на 10,1% со статистической значимостью 96,2%. В сочетании с небольшим уменьшением среднего чека это дает прогнозируемый рост выручки на 3,6%.

Если бы магазин доверился общепринятым практикам рынка, то при использовании стандартной механики «Хиты продаж» потерял бы более 22,4% выручки за счет снижения конверсии на 7,7% и среднего чека на 15,9%.

Страница категории казахстанского интернет-магазина Белый Ветер: снижение среднего чека на 2,6% из-за блока «Хиты продаж»

Страница категории очень важна и от нее во многом зависит как поиск и выбор товара пойдет дальше. Например, неудобная навигация или отсутствие релевантных позиций могут стать причиной ухода клиента без шанса на возврат. Вероятнее всего, не найдя ничего интересного, пользователь просто решит уйти к конкуренту, надеясь на более подходящий ассортимент.

Возможно, так и происходило в казахстанском интернет-магазине электроники Белый Ветер. Здесь, также как и в кейсе выше, стандартные «Хиты продаж» показали снижение выручки и среднего чека на 1,4% и 2,6% соответственно, в то время, как механика «Персонализированные хиты продаж» повысила эти метрики на 16,5% и 9,6%.

Для оптимизации рекомендательной системы на сайте интернет-магазина «Белый Ветер» было проведено A/B-тестирование на странице категории, где все посетители сайта случайным образом делились на 4 сегмента:

Первому сегменту показывались хиты продаж из категории:

Второму сегменту показывались хиты продаж из категории, персонализированные с учетом интереса пользователя:

Третьему сегменту показывались персональные рекомендации товаров из категории:

Четвертый сегмент был контрольной группой: рекомендации пользователям не демонстрировались

Результаты

Сегмент Прирост конверсии Изменение среднего чека

Оценка увеличения выручки

Хиты продаж из категории

+1,23%

-2,61%

-1,44%

Персонализированные хиты продаж из категории

+6,33%

+9,61%

+16,54%

Персональные рекомендации из категории

+0,62%

+7,95%

+8,61%

Контрольная группа

Вывод

Согласно результатам тестирования, применение механики «Персонализированные хиты продаж из категории» в блоке рекомендаций на странице категории интернет-магазина «Белый Ветер» увеличивает конверсию на 6,3% со статистической значимостью 90%. В сочетании с повышением среднего чека на 9,61%, прогнозируемый рост выручки составляет 16,54%.

А применение стандартной механики «Хиты продаж из категории», которой пользуются многие магазины, хотя и немного повышает конверсию, но снижает средний чек на 2,6%, что дает общее падение выручки на 1,4%.

Карточка товара гипермаркета Hoff: сопутствующие товары в одиночку дают отрицательный прирост выручки на 4,3%

Сопутствующие товары — тема, к которой нет равнодушных. Существует много стереотипов о «правильных» рекомендациях, например, что в карточке товара нужны исключительно блоки сопутствующих товаров. Но не бывает двух одинаковых магазинов и таких же одинаковых решений, подходящих для всех.

Среди последних кейсов с неоднозначными результатами в карточке товара был интернет-гипермаркет Hoff. Здесь блок сопутствующих товаров показал отрицательный результат. Но в сочетании с похожими товарами картина совершенно другая. Стоит обратить внимание на то, что в одиночку блок похожих товаров дал прирост примерно в два раза ниже (за исключением конверсии), чем вместе с сопутствующими товарами. Однако, если поменять блоки местами, мы снова получаем результаты на грани фола.

Как всегда для проверки эффективности использовалась методика A/B-тестирования, при которой пользователи случайным образом делились на 5 сегментов:

Первому сегменту показывались похожие товары:

Второму сегменту показывались сопутствующие товары:

Третьему сегменту показывались два блока одновременно: похожие товары (сверху) и сопутствующие товары (снизу):

Четвертому сегменту показывались также два блока одновременно, но в обратном порядке. Сопутствующие товары располагались сверху, а похожие снизу:

Пятый сегмент был контрольной группой, рекомендации не показывались.

Результаты

По итогам тестирования были получены следующие результаты:

Сегмент

Прирост конверсии Изменение среднего чека

Рост входящего оборота

Похожие товары

+1,82%

+2,05%

+3,91%

Сопутствующие товары

-2,04%

-2,29%

-4,29%

Два блока: похожие товары и сопутствующие товары

-0,40%

+6,26%

+5,84%

Два блока: сопутствующие товары и похожие товары

-1,56%

1,55%

-0,03%

Контрольная группа

Вывод

Согласно результатам тестирования, применение механики «Похожие товары и сопутствующие товары» в блоке рекомендаций в карточке товара интернет-магазина Hoff.ru увеличивает средний чек на 6,3%. В сочетании с незначительным уменьшением конверсии это дает прогнозируемый рост входящего оборота на 5,8%.

Если мы магазин доверился стереотипам вроде «к рубашке нужно рекомендовать галстук» и выбрал рекомендации сопутствующих товаров, то за счет снижения конверсии на 2% и среднего чека на 2,3%, падение выручки составило бы 4,3%.

Поисковая страница Book24: стандартные рекомендации снижают выручку на 7%

В этом кейсе мы поговорим о рекомендациях на странице поиска, о которых часто забывают. А ведь именно здесь многие посетители сайта начинают путь по сайту. Стандартные поисковые рекомендации основываются на ключевых словах, а приоритет в выдаче остаётся за самыми популярными позициями. Но так ли это эффективно, как кажется?

Возможно, пользователь уже видел блок «Хиты продаж» на главной, поэтому те же товары в поиске могут его не устроить, вплоть до ухода с сайта. Так вся поисковая страница начинает работать в минус для ритейлера. Эту проблему исправят персонализированные товары, которые будут учитывать и текстовый запрос пользователя, и его интересы.

Здесь мы также использовали механику A/B-тестирования. Для того, чтобы найти оптимальный алгоритм для страницы поиска, пользователи случайным образом делились на 3 сегмента:

Первому показывались стандартные поисковые рекомендации:

Второму сегменту показывались персональные поисковые рекомендации:

Третий сегмент был контрольной группой, рекомендации пользователям в этом сегменте не показывались.

Результаты

Сегмент

Прирост конверсии Изменение среднего чека

Оценка увеличения выручки

Стандартные поисковые рекомендации

+1,65%

-7,52%

-6,00%

Персональные поисковые рекомендации

+6,46%

+0,77%

+7,28%

Контрольная группа

Вывод

Согласно результатам тестирования, применение механики «Персональные поисковые рекомендации» в блоке рекомендаций в карточке товара интернет-магазина Book24.ru увеличивает конверсию на 6,5% со статистической значимостью 99,73%. В сочетании с повышением среднего чека на 0,77%, прогнозируемый рост выручки составляет 7,28%.

При этом стандартные поисковые рекомендации, внедряемые многими магазинами по умолчанию, хотя и незначительно повышают конверсию страницы, но снижают средний чек на 7,5% и вместо роста выручки обеспечивают ее падение на целых 6%.

Заключение

Каждый интернет-магазин уникален и требует особого подхода. Поэтому всегда стоит проводить тесты эффективности и не надеяться на общепринятые решения. Особенно сейчас, когда пользователи нуждаются в персональном подходе.

Для того, чтобы правильно оценить эффективность того или иного решения, лучше всего использовать методику A/B-тестирования — она дает возможность получить наиболее честные результаты. Любую гипотезу можно проверить с помощью цифр, но важно делать это по определенным правилам, поскольку проведение A/B-теста — это очень сложный процесс с множеством подводных камней. Если A/B-тестирование проводится с ошибкой, то бизнес гарантированно принимает неверное решение и получает скрытые убытки.

Какая из конфигураций окажется выигрышной в вашем интернет-магазине? Знают только ваши пользователи. Тестируйте самые разные алгоритмы, даже те, которые на первый взгляд кажутся проигрышными. Иногда неочевидное решение оказывается лучшим. Также вы можете обратиться за помощью в Retail Rocket. Мы будем рады помочь провести исследование эффективности и поработать совместно над повышением ключевых метрик.

Удачи в нахождении лучших конфигураций блоков рекомендаций!


Инфоподдержка: vc.ru