Улучшение CX: Персонализированные продуктовые рекомендации с Exponea

Кейсы Авг 11, 2019 Jordan Torpy 10 минут

С помощью модели коллаборативной фильтрации Exponea онлайн фэшн-ритейлер повысил эффективность персонализации, увеличил CTR по рекомендуемым продуктам более чем в два раза и их добавление в корзину на 20%.

Современные покупатели ожидают персонализированный процесс покупки. Один из крупнейших чешских онлайн фэшн-ритейлеров (назовем его «Alpha») прекрасно знает об этом. Alpha предлагает широкий ассортимент одежды и аксессуаров для мужчин и женщин, акцентируя внимание на модных и высококачественных продуктах от уникальных брендов. С масштабной линейкой продуктов и еще большей базой клиентов компания Alpha располагает огромным объемом данных. Являясь молодым и инновационным брендом, Alpha гордится возможностью использовать данные своей базы для повышения эффективности customer journey.

Более двух лет Exponea работала с Alpha над созданием эффективных кампаний, управляя сложными сценариями и разрабатывая новый функционал. Поэтому, в поисках способов повысить эффективность продуктовых рекомендаций, компания обратилась к Exponea с просьбой помочь использовать их данные для формирования идеального покупательского опыта.

Давайте рассмотрим подробнее цели, поставленные компанией Alpha, и то, как Exponea помогла в их достижении.

Ситуация

Широкий ассортимент Alpha несомненно является причиной популярности бренда. Однако из этой огромной линейки товаров всего часть интересна каждому из покупателей. Соответственно, показать правильный продукт правильному покупателю становится сложным. Знание того, какие продукты больше всего заинтересуют отдельно взятого покупателя, – задача не из легких, особенно с такой обширной базой клиентских данных.

Получается, что проблема – в персонализации. Как порекомендовать клиентам именно те продукты, которые они на самом деле захотят купить? А как не показывать те, в которых клиенты не заинтересованы?

Почему это важно?

Есть три стандартных места размещения рекомендуемых продуктов в интернет-магазинах:

  • На домашней странице веб-сайта
  • На странице товара
  • В корзине покупок

Размещая персонализированные товарные рекомендации в этих трех местах, Alpha надеялась «снять сливки» в нескольких ключевых направлениях:

  • Более отлаженный и быстрый процесс покупки: интересующие клиента продукты на домашней странице избавляют от необходимости искать то, что он хочет, в многочисленных разделах сайта.
  • Кросс-селлинг и дополнительные продажи: клиенты интернет-магазинов одежды часто за раз покупают больше одного товара. Персонализированные предложения прямо на странице продукта, который они уже планируют приобрести, могут увеличить число товаров в корзине.
  • Более счастливые покупатели: клиенты будут возвращаться в тот магазин, где им показывают интересующие их продукты.

Неспособность показать привлекательные продуктовые рекомендации приводит к потерям продаж, уменьшению времени, проводимого на сайте, и раздражению покупателей.

Предыдущие варианты решений

Размещение правильных товаров в вышеуказанных местах на сайте играет столь важную роль, что многие e-commerce компании создали модели с целью определить, что именно там показывать. Многие из этих моделей до сих пор часто используются на сайтах.

Некоторые из наиболее популярных моделей помещают в областях продуктовых рекомендаций бестселлеры или недавно просмотренные товары. Эти простые модели популярны, потому что их легко запустить. Они не требуют ни специального программного обеспечения, ни тщательно систематизированных клиентских данных. Данные модели используют легко собираемые метрические данные, назовем их метрическими моделями.

Несмотря на упрощенный запуск и функционирование таких моделей, они мало что могут предложить в отношении персонализации. Бестселлеры одинаковы для всех покупателей, а рекомендации недавно просмотренных продуктов не способствуют кросс-селлингу и дополнительным продажам. Чтобы добиться по-настоящему персонализированного покупательского опыта, Alpha было необходимо выйти за пределы сравнительно базовых метрических моделей.

Решение Exponea — коллаборативная фильтрация

Благодаря долгому сотрудничеству Alpha и Exponea, база клиентских данных компании организована и структурирована на должном уровне. Наличие детальной информации о покупателях означало, что Exponea могла создать новую систему рекомендаций – более персонализированную и эффективную.

Функционирование этой новой системы основывалось на моделях коллаборативной фильтрации – способ прогнозирования покупательского поведения путем сегментирования покупателей с похожими характеристиками. Упрощенный алгоритм работы модели выглядит следующим образом:

  • Джанет и Дениз – женщины примерно одного возраста, которым нравится шопинг на сайте Alpha.
  • Джанет и Дениз купили одинаковые солнечные очки и туфли на каблуках.
  • Позднее Дениз приобрела кроссовки.
  • Так как Джанет и Дениз в прошлом покупали одинаковые товары, модель коллаборативной фильтрации порекомендует Джанет кроссовки, купленные до этого Дениз.

С помощью машинного обучения и предиктивной аналитики модель группирует покупателей с аналогичными характеристиками для генерации более персонализированных рекомендаций. Модель коллаборативной фильтрации была взята за шаблон для генерирования продуктовых рекомендаций на домашней странице, странице продукта и в корзине. Более прогрессивные модели (например,  рекомендуют продукты того же цвета, который покупатель просматривал ранее) также были разработаны и внедрены на базе алгоритма коллаборативной фильтрации.

Успех новой модели был обусловлен четко выстроенной целенаправленной коммуникацией с Exponea. Для коллаборативной фильтрации нужны структурированные данные, достаточное время для обучения фильтров и понятная гипотеза. И после этого – реализация, тестирование и доработка.

Exponea оказала компании Alpha существенную поддержку, необходимую для успешного применения рекомендательных моделей.

После полномасштабного тестирования и внедрения моделей результаты стали очевидны. Коллаборативная фильтрация работала, и Alpha теперь была готова предоставить своим клиентам более персонализированное обслуживание в процессе покупки.

Давайте ознакомимся с этими результатами.

Итоги применения моделей

Чтобы наглядно продемонстрировать эффект коллаборативной фильтрации, давайте сравним новую модель со старыми метрическими моделями. Для начала посмотрим, сколько людей кликнуло по рекомендуемым товарам после введения в действие алгоритма коллаборативной фильтрации. Результаты говорят сами за себя.

CTR for recommended products

Использование моделей коллаборативной фильтрации более чем в два раза увеличило CTR рекомендуемых товаров на домашней странице веб-сайта, странице продукта и в корзине.

Цифры, конечно, впечатляют, но общий CTR не показывает всей картины. Чтобы ознакомиться с рекомендациями, покупателям нужно прокрутить вниз и домашнюю страницу, и страницу продукта. Но в действительности лишь 10% покупателей прокручивают страницу вниз для просмотра рекомендуемых товаров. Для лучшего понимания продуктивности модели коллаборативной фильтрации в сравнении с метрическими моделями мы должны учитывать только тех покупателей, которые прокрутили страницу и просмотрели рекомендации.

Такой подход демонстрирует, насколько эффективной может быть персонализация.

CTR for recommended products

И в этом случае применение модели коллаборативной фильтрации более чем в два раза увеличило CTR рекомендуемых товаров на домашней странице. Но что впечатляет еще больше, так это повышение CTR рекомендуемых товаров на домашней странице на 460% по сравнению с тем же показателем при применении метрических моделей!

Более того, применение модели коллаборативной фильтрации способствовало не только увеличению CTR. Таргетированные рекомендации также привели к добавлению большего количества товаров в корзину. Покупатель с большей на 10% вероятностью положит в корзину рекомендованный этой моделью товар. Более эффективная персонализация означает более релевантные рекомендации, которые, в свою очередь, увеличивают число покупок.

Alpha знает, что все покупатели разные, поэтому к каждому нужен индивидуальный подход. Благодаря коллаборативной фильтрации и надежному сотрудничеству с Exponea, покупатели Alpha могут насладиться более комфортным и персонализированным процессом покупок.

Watch Exponea demo video!
Explore the Customer Data Platform & Experience Cloud B2C Leaders Love to Use

MISSGUIDED Victoria Beckham END.
ebuyer Agent Provocateur River Island