Сервис рекомендаций должен быть в каждом интернет-магазине. Проще говоря, каждому посетителю сайта надо подсказывать, что купить вдобавок к тому товару, который он уже выбрал. Эти рекомендации удобны для клиента, они экономят его время и заставляют задуматься о приобретении товаров, о которых он мог не иметь представления. Это важный инструмент повышения эффективности продаж.
Например, если посетитель сайта хочет купить смартфон, то движок интернет-магазина автоматически подбирает к смартфону чехол, защитную пленку, портативное зарядное устройство или набирающие популярность «умные» аксессуары. Учитывая, что в ассортименте онлайн-магазина «Связной» более 12 000 товарных позиций, внедрение сервиса значительно упростило клиентам выбор.
После внедрения новой платформы мы на 26% увеличили конверсию в покупки, совершенные с помощью блока рекомендаций. Выручка от покупок через блоки, сформированные на новой платформе, выросла на 32% относительно прежних. Всего покупки, полученные благодаря новому сервису, формируют порядка 7% оборота онлайн-канала.
Но прежде чем добиться результата, пришлось попотеть. Сначала у нас был свой алгоритм для формирования блоков рекомендаций. Он собирал много данных. Для этого требовались значительные вычислительные мощности и постоянная поддержка со стороны технических специалистов. Как только добавлялись новые товары (а у нас каждый месяц может появляться 5 – 10 новых моделей только смартфонов, не говоря уже о других категориях), нужно было менять настройки, тестировать их, дорабатывать программный модуль. Естественно, это была большая нагрузка: наши технические специалисты должны были делать эту работу каждый день в режиме реального времени, почти не отвлекаясь на другие задачи.
Мы решили, что так дело не пойдет, и стали искать подрядчика или аутсорсинг. Нашли сервис Smartengine, который смог заменить наши рекомендательные блоки. Потребовалось около трех месяцев настройки для его нормальной работы с учетом большого количества товарных наименований (свыше 11 тысяч) и огромного количества связей между ними. Мы выбрали Smartengine, поскольку на тот момент он был единственным серьезным игроком, чей сервис рекомендаций был протестирован и внедрен у других участников рынка, причем с приемлемыми результатами. Для нас это была возможность снять постоянную нагрузку с программистов и высвободить их для других задач, а также повысить эффективность продаж.
Со временем мы получили предложение от RetailRocket. Начали тестировать и сравнивать результаты со Smartengine. Сервис RetailRocket сразу показал более высокую конверсию и больший средний чек. Однако, поскольку компания Smartengine была нашим первым партнером, мы сначала дали ей возможность усовершенствовать свой алгоритм. Но добиться аналогичных результатов у них не получилось, и мы перешли на RetailRocket.
В итоге при внедрении последней версии платформы использовались две механики рекомендаций от RetailRocket. Первый — сценарий «Рекомендации для товара». Такой алгоритм показывает позиции, которые с максимальной вероятностью заинтересуют пользователя, просматривающего конкретный гаджет в каталоге. Второй — сценарий «Рекомендации для корзины». В этом случае клиенту показывают товарные позиции, которые с максимальной вероятностью могут быть приобретены заодно с покупками, уже находящимися в корзине пользователя.
По результатам тестирования Svyaznoy.ru внедрил еще несколько дополнительных технологий: поисковые рекомендации, бестселлеры внутри товарных категорий и персонализированные email-рассылки. Все это позволило еще больше увеличить эффективность интернет-канала.
Согласно данным RetailRocket, четко выстроенная система рекомендаций позволяет увеличить оборот от внедрения такой коммуникации с покупателем на 10 – 50% в зависимости от сегмента электронной коммерции. Например, в сегменте «Бытовая техника и электроника» рост продаж после внедрения сервиса в среднем составляет 12,7%, в категории «Товары для дома» — 14,1%, а в категории «Одежда и обувь» — около 27%. Показатель «Связного» — рост выручки в 32% — почти в 3 раза выше «средней температуры по больнице». Нам удалось добиться этого благодаря широкому ассортименту товаров в разных ценовых сегментах и сочетанию разных алгоритмов рекомендаций.
Отмечу, что оценивать полезность рекомендательных блоков нужно только комплексно, по всему сайту, так как они могут «каннибализировать» конверсии из других блоков сайта, перетягивая их на себя.
Комментарии
*