По данным разных источников, рекомендательные сервисы повышают наполненность корзин интернет-магазинов на 12–60%. Все зависит от категории продукции. Если для бытовой техники и электроники эффект минимален, то для книг и спортивных товаров обычно достигает максимума. Какие рекомендательные механизмы можно применять для стимуляции пользователей и в чем их эффективность?
-
Поисковый механизм на сервис вирусных рекомендаций
-
Облачные сервисы товарных рекомендаций
-
Товарные рекомендации
Сервисы рекомендаций решают сразу несколько задач: позволяют пользователям более удобно и эффективно выбирать товары или услуги, демонстрируют широту ассортимента и дают посетителям простой доступ к комплементарным, то есть взаимодополняющим, позициям.
Следует выделить два главных направления сервиса товарных рекомендаций. В первом случае часто используются данные о поведении групп пользователей — то, как они взаимодействуют с товарами, какую продукцию смотрят, что кладут в корзину, что покупают, какие ставят оценки. Исходя из этого, можно сказать, что подобные сервисы — это дополнительная навигация по продуктам, построенная самими пользователями.
Второе направление, еще более интересное пользователям, — персонализированные рекомендации. Они учитывают статистику поведения всех пользователей с их определенными товарными предпочтениями, а также включают в себя персонализацию на уровне конкретного посетителя сайта. Предлагаю детально рассмотреть рекомендательные механизмы на примере работы нашего ресурса.
ТОП-5 самых нужных статей для коммерсанта:
- Как удостовериться, что акция сработает: чек-лист, основанный на опыте 2000 компаний
- Избавьтесь от них: менеджеры, которые тормозят развитие компании
- Цепочка писем, которая не позволит клиентам забыть про компанию
- Три ошибки руководителя, которые мешают менеджеру выполнить план продаж
- Типы менеджеров, которых нельзя мотивировать стандартно
Поисковый механизм как сервис вирусных рекомендаций
Поиск на сайте магазина может выполнять рекомендательные функции. Наряду с полнотекстовыми факторами ранжирования можно использовать статистические данные. Важно, чтобы система коллекционировала статистику поисковых запросов пользователей, а также связанных с ними просмотров и покупок. Полученные данные должны учитываться в алгоритмах ранжирования. С математической точки зрения поиск и рекомендательные сервисы как самостоятельный инструмент очень похожи: в обоих случаях решается задача точного распределения мест в выдаче.
Кластеризация посетителей в поиске. Как плюсы, так и минусы нашего ресурса с точки зрения задачи поиска заключаются в очень широком ассортименте. Допустим, пользователь набирает в поисковой строке «велосипед» или «самокат». С учетом медийного ассортимента совпадения будут найдены в числе прочего в трех сотнях книг, аннотации к которым содержат данное слово. Очевидно, что некоторые запросы могут поставить поисковую машину в тупик, потому что она одновременно найдет товары сразу в нескольких разделах.
Именно в таких случаях необходимо прибегнуть к кластеризации посетителей. Если клиент идентифицируется по области основных интересов как покупатель детских товаров, то с учетом этого фактора для него формируется измененная поисковая выдача. Разумеется, пример с самокатом утрирован и годится лишь для иллюстрации данного подхода. В действительности же для таких популярных запросов достаточно статистики, чтобы предсказать, что книги о самокатах вы захотите увидеть не в первую очередь.
Использование элементов рекомендаций в поиске означает сокращение пути клиента к товарам или услугам, которые он на самом деле ищет. Любые лишние действия пользователя — это отсеявшиеся покупатели в конверсионной воронке.
Облачные сервисы рекомендаций
Облачные сервисы товарных рекомендаций — простой и удобный способ для интернет-магазинов малого и среднего размера получить доступ к сложным и ресурсоемким алгоритмам. Чтобы воспользоваться ими, в большинстве случаев достаточно зарегистрироваться и установить на сайте своего магазина специальный код, предоставляемый сервисом. Эта процедура займет всего несколько часов работы хорошего веб-программиста, после чего нужно будет дождаться, пока сервис накопит статистику о поведении посетителей и их взаимодействии с вашей товарной базой. Этот этап, как правило, не предполагает вашего вмешательства. В итоге сайт получит блоки рекомендаций в соответствии с вашими пожеланиями и настройками.
На локальном рынке есть удачные примеры облачных рекомендательных сервисов. Сейчас набирает популярность проект Retail Rocket, неплохие результаты показывает и ранее занявший эту нишу Crossss.
Если говорить о глобальном рынке, существует компания RichRelevance — гранд в этой области, которая предоставляет разнообразные услуги и сервисы для интернет-маркетинга и онлайн-магазинов. Основатель RichRelevance Дэвид Сэлинджер был одним из пионеров рекомендательных сервисов около десяти лет назад. Именно он создал первые коммерчески эффективные рекомендательные сервисы Amazon. За RichRelevance следует множество игроков существенно меньшего масштаба, но тоже весьма успешных; также можно упомянуть компанию Strands. У всех них есть чему поучиться. Однако у отечественных сайтов при работе с зарубежными сервисами могут возникнуть препятствия в виде языкового барьера.
Технических проблем с разными кодировками и языками в Сети давно нет, но для первичной индексации товаров может потребоваться анализ текстового содержимого. По сути, системе должно быть безразлично, как называется категория: «Мобильные телефоны» или «Раз, два, три, четыре, пять». Если вы знаете, что пользователи, приходящие в категорию «Раз, два, три, четыре, пять», потом покупают в категории «Мобильные телефоны», то на основе статистики можно с уверенностью говорить, что первая связана со второй. И с точки зрения статистики названия категорий не имеют значения. Однако при недостатке статистических данных можно использовать подходы, также позволяющие анализировать текстовое содержимое названий категорий и наименований продуктов или услуг.
Мы используем анализ текстового содержимого как один из факторов наряду со статистическими данными. Именно от него зависит, насколько длительным будет период холодного старта в работе с рекомендательными сервисами. Предположим, вы вводите новую номенклатуру и не имеете по ней статистических данных, поскольку вчера пользователи ее еще не видели, не кликали по ней, ничего не клали в корзину и не покупали. Вот на этом этапе холодного старта могут помочь факторы, основанные на текстовом подобии, либо факторы, которые придется вручную вводить в систему.
В целом все эти трудности преодолимы, и в Рунете есть отдельные магазины, которые пользуются услугами указанных зарубежных сервисов.
Задействуем разные типы товарных рекомендаций
В нашей компании использовались разные подходы. Вначале был период натурализма, когда собиралась статистика совместных просмотров товаров и генерировался блок «С этим товаром также смотрят» илиблок «С этим товаром покупают», если эти продукты статистически значимое количество пользователей совместно помещали в корзину. Эти варианты блоков имеют разную степень влияния на последующую покупку, потому что, если товары совместно просматриваются пользователями, это больше говорит о подобии продуктов, а если товары совместно кладутся в корзину, это уже означает высокую степень комплементарности. Ну и наконец, очень полезна статистика товаров, покупаемых в одном заказе. На начальном этапе мы во всех возможных случаях показывали в карточках товаров оба блока: «С этим вместе смотрят» и «С этим вместе покупают» (или «Покупают в одном заказе»).
Старайтесь аккуратно взвешивать и комбинировать разные виды такого рода отношений между товарами и показывать посетителю результат комбинации. Такие блоки у нас находятся в товарных рекомендациях и в карточках товаров. Они расположены под заголовком «Рекомендуем также», и за ними стоит сложная логика. Более того, она изменчива и зависит от качества статистики по тем или иным товарам.
В то же время натуралистичные блоки класса «Это вы смотрели, посмотрите еще вот это» или класса «Вы купили вот это, обратите внимание еще на это» имеют право на существование. К примеру, мы активно используем их на главной странице. Это вход для многих клиентов, которые возвращаются на сайт, и важно с чего‑то начать диалог с посетителем. Если ваши постоянные клиенты чаще всего заходят через главную страницу, такой натурализм вполне оправдан.
В нашей практике максимально эффективными оказались блоки комплексных предложений — так называемые бандлы, предлагающие посетителю приобрести группу комплементарных товаров, включая тот, который он просматривает. Все они основаны на статистике покупок в одном заказе.
Если же у посетителя нет истории просмотра сайта, можно показать ему рекомендательные предложения, построенные на основе агрегации информации о поведении большего количества пользователей. Принципы подбора товаров для таких предложений могут быть разными — от самых просматриваемых товаров в регионе, из которого пришел пользователь, до потока продуктов, добавляемых в корзины в реальном времени. Если же, допустим, конкретный пользователь был на сайте год назад и оставил «следы» — просматривал те или иные страницы или добавлял в корзину определенные товары, покажите ему на главной странице блоки, контент которых соответствует его предыдущим интересам. Но это при условии, что у вас есть достаточная статистика о поведении пользователя в отношении тех товаров и услуг либо смежных с ними категорий, которые он изучал в прошлый раз.
Можно расположить отдельные рекомендательные блоки в корзине. Прежде всего, это прекрасная возможность помочь пользователю сориентироваться в дополнительных товарах и увеличить продажи. Кроме того, корзина — это финальный этап в конверсионной воронке, где все еще используются рекомендации. Важно акцентировать внимание только на тех товарах, которые являются дополнениями. Корзина пользователя — это то место в конверсионной воронке, где он принимает окончательное решение. Не мешайте ему альтернативами: к этому времени состав покупки уже определен.
В России товарные рекомендации — все еще редкость
Николай Хлебинский, сооснователь и исполнительный директор, Retail Rocket
Автоматизация на основе анализа данных для формирования товарных рекомендаций появилась в начале 1990‑х годов, но в России начала распространяться всего пару лет назад. Большинство наших интернет-магазинов либо не используют рекомендации товаров на сайте, либо формируют их вручную. Потому хочется добавить к перечисленным метрикам эффективности еще одну, которую мы называем «покрытие». Она отражает количество товаров из стока магазина, к которым сформированы товарные рекомендации. Опыт показывает, что экономическая эффективность рекомендательной системы прямо зависит от полноты покрытия товаров рекомендациями.
Еще один важный аспект — количество сценариев товарных рекомендаций. Одна из самых эффективных механик подачи — всплывающее сообщение «Дополнить заказ сопутствующими товарами». Такой подход позволяет преодолеть баннерную слепоту пользователей и ощутимо влияет на средний чек.
Отметим, что оформление заказа — не повод прекращать формирование персонализированных предложений. Наоборот, заодно можно предложить клиенту аксессуары и даже спрогнозировать его последующие покупки. Рекомендации на основе заказов стоит использовать не только на сайте, но и в электронной почте и медийных кампаниях. Опыт показывает: персонализация коммуникации в e-mail и медийной рекламе приводит к тому, что эффективность этих каналов растет в сопоставимых масштабах.
Как измерить эффективность рекомендательного сервиса
Для начала нужно ответить на вопрос, что считать эффективностью, поскольку у каждого типа блоков свое предназначение. Если говорить о карточках товаров и рекомендательных блоках в них, критерием служит количество товаров, добавленных в корзину, или количество товаров, добавленных в корзину именно с этих блоков, с учетом числа визитов пользователей. Эффективность контролируется с помощью системы внутренних инструментов и таких сервисов веб-аналитики, как Google Analytics.
В нашем случае, если речь идет о разнице между старыми «натуральными» блоками на карточке товара и сложной новой комбинацией, последний вариант эффективнее.
Имейте в виду, что любые нововведения стоит внедрять только после сплит-тестов. Пусть часть аудитории использует старый алгоритм, старое представление, часть — новый алгоритм. Представление блока может оставаться прежним, а меняться будут детали алгоритма.
По опыту работы нашего ресурса трудно судить, насколько именно новейшие рекомендации эффективнее, чем старые — самые первые. Все дело в количестве изменений для пользователей на сайте в рассматриваемый отрезок времени. Рекомендательный сервис во всех его проявлениях — только один из инструментов. Параллельно изменяется структура каталога, эффективность поиска, улучшается качество контента, происходят сотни изменений в UI (пользовательском интерфейсе), делающих его более удобным и интуитивно понятным.
Таким образом, существует постоянная конкуренция инструментов, изменяющая соотношение их долей. Наконец, есть работы на уровне инфраструктуры и архитектуры, позитивно влияющие на производительность и, как следствие, на конверсию. По сути, корректнее говорить об общем подходе к развитию сервиса и измерениям. Для нас развитие сервиса означает последовательность экспериментов, в которых любое статистически достоверное изменение контролируемой метрики — критерий успеха. Как правило, изменения выражаются единицами, реже — десятками процентов прироста конверсии.
Влияние сервисов рекомендаций на продажи
Важно понимать, что увеличение эффективности блоков, выражаемой в добавлении дополнительных товаров в корзину, не означает, что продажи вырастут ровно настолько же. Как отмечалось выше, на сайте есть много инструментов, которые помогают пользователю добавить товар в корзину и принять окончательное решение: каталожная навигация, поиск и другие. И рекомендательный сервис — только один из них. Например, пользователь покупает фотоаппарат и хочет сразу приобрести к нему карту памяти. Он может, положив камеру в корзину, пойти искать карту через каталог, а может, не теряя времени, воспользоваться вариантами сопутствующих товаров, которые предлагаются в блоке рекомендаций. Поэтому в плане продаж влияние зачастую бывает косвенным.
Некоторые облачные сервисы иногда делятся статистикой, в соответствии с которой через блоки рекомендаций покупатели могут добавлять от 10 до 60% товаров в корзины, но средний чек может увеличиться всего на 5–10%.
Однако даже если вы провели эксперимент по сравнению эффективности блоков и получили значимый прирост, но он все же оказался не таким большим, как ожидалось, это все равно хорошо, потому что рекомендательные инструменты — более простой и естественный для пользователя способ выбора товаров или услуг. Прежде всего этот подход предполагает ту самую коллаборативную фильтрацию, которая учитывает поведенческие факторы многих пользователей, а не отражает ход мыслей гениального контент-менеджера или ассортиментного менеджера, который предложит приобрести «к этому фотоаппарату вот эту флеш-карту».
Рекомендательный алгоритм повышает уровень доверия пользователя, а это дает гораздо более долговременный эффект. Важно создать альтернативную, дополнительную навигацию, которая выглядит так, как видят ваш сайт пользователи (или так, как они хотят его видеть). Это один из главных аспектов использования рекомендательных систем. Помните, что любое статистически значимое улучшение показателей рекомендательной системы — безусловный плюс для клиентов, даже если оно не всегда проявляется в краткосрочной перспективе в виде конечной конверсии визита в заказ или средней суммы чека.
Рекомендации для контента
Андрей Воронин, главный редактор, Wikidacha.ru
На сегодняшний день основной формат рекомендаций на информационных сайтах — тизер. Как правило, это небольшой блок с коротким и броским заголовком и некрупной картинкой. Блоки собираются в группы одинаковой направленности: «Самое популярное», «Также по теме», «Выбор редакции». Их можно сделать всплывающими, но чаще всего они располагаются статично в боковых колонках или внизу страницы под основным контентом.
Блоки могут принадлежать самому ресурсу и отображать его контент, а могут быть сторонними и размещаться через обменные сети и умножители трафика. В случае с умножителями при клике на тизер читатель попадает не на конечную статью, а на промежуточную страницу, с которой ему предложат перейти на заинтересовавший его материал, а также покажут множество других тизеров с расчетом на то, что он кликнет и на них. Обменные сети, как правило, берут комиссию с вашего трафика, в то время как умножители отдают партнерам немного больше кликов, чем получают от них. Для показа тизеров не используются архисложные алгоритмы. Из настроек партнеру обменной сети доступно управление тематикой и возможность проверять статистику. По ней определяется качество входящего трафика, среди показателей которого — время, проведенное посетителем на сайте, число просмотренных страниц и процент возвратов.
В интернете существует множество тематических обменных сетей, куда принимаются не только СМИ, но и сайты отраслевых компаний с качественным контентом.
Информация об авторе и компании
Валерий Дьяченко окончил МГТУ им. Н. Э. Баумана. Был программистом и руководил командой разработчиков в Sybase и других ИТ-компаниях. В Ozon.ru с 2006 года. Специализируется на проектировании и разработке ряда ключевых проектов, в том числе рекомендательной системы.
Ozon.ru — онлайн-мегамаркет, один из первых российских проектов электронной коммерции в сегменте b2c. Открыт в 1998 году. Ассортимент — 3,5 млн наименований товаров. Ежедневная посещаемость — 700 тыс. пользователей. Штат — около 2000 сотрудников. Оборот — $750 млн (в 2013 году). Официальный сайт — www.ozon.ru
Retail Rocket — облачный сервис товарных рекомендаций. Создан разработчиками рекомендательных систем Ozon.ru и Wikimart.ru. Задача сервиса состоит в увеличении доходов интернет-магазинов за счет роста среднего чека, конверсии и трафика. Официальный сайт — www.retailrocket.ru
Wikidacha.ru — информационное онлайн-издание, создано в 2006 году. Среди тем — малоэтажное строительство, дачное хозяйство, работа с садовой техникой и электроинструментами. Содержит базу типовых предложений строительных компаний. Официальный сайт — www.wikidacha.ru
Статья подготовлена редакцией журнала "Коммерческий директор"