Вооружение современного интернет-маркетолога становится всё разнообразнее и точнее. Многие российские и зарубежные компании отслеживают и анализируют товарные предпочтения клиентов, предлагая соответствующие продукты на сайтах и в email-рассылках. Оно и понятно: рынок требует от специалистов e-commerce релевантного и персонализированного контента.
Под рынком мы в первую очередь подразумеваем самих клиентов. Согласно исследованию компаний Harris Interactive и Listrak, 84% покупателей-подписчиков проморассылок находят их необходимыми и полезными, если предложения соответствуют их предпочтениям. А 69% готовы сообщить продавцу об этих предпочтениях, чтобы получать более персонализированные предложения.
Поэтому сегодня мы расскажем о таком инструменте продаж, как товарные рекомендации в email-рассылках.
Он подходит бизнесам с более-менее объёмными каталогами товаров или продуктов. Это могут быть интернет-магазины одежды, косметики, спортивных товаров, электроники, техники и многого другого.
Читайте также
Что и когда можно рекомендовать
Мы не рассматриваем простые методы: показать случайные товары, наиболее или ранее просматриваемые, наиболее маржинальные, товары из брошенной корзины и так далее. Речь пойдёт про аналогичные и сопутствующие товары.
Когда показываем аналогичные товары:
- на странице описания товара, чтобы было проще сделать выбор;
- если покупатель подписался на поступление товара, которого пока нет в наличии — может, он купит то, что есть прямо сейчас;
- в реактивационных письмах, если вы предполагаете, что покупатель захочет вновь купить то, что покупал ранее.
Когда показываем сопутствующие товары:
- если покупатель положил товар в корзину или сделал заказ — чтобы не забыл про аксессуары или комплектующие;
- в реактивационных письмах после оформления заказа — чтобы добавил в корзину аксессуары, запчасти или комплектующие.
Дальше поговорим про виды рекомендаций — ручные и автоматические.
Как работают ручные рекомендации
Самый простой способ — добавлять рекомендации вручную. Например, как это делает издательство DeAgostini. В email-рассылке, посвящённой сборной модели Линкора «Севастополь», они предлагают подписчику инструменты для моделирования. Товары для рассылки подбирались менеджером:
К ручным рекомендациям также можно отнести добавление категорий товаров: например, хиты продаж или новинки.
Рекомендовать можно и сезонные товары. К примеру, в свои августовские и сентябрьские рассылки ФК «Зенит» добавил предложение с брендированным набором для школьников:
Автоматические механики
Более эффективны и менее трудозатратны автоматические механики товарных рекомендаций. Под автоматическими механиками мы имеем в виду программные решения, отслеживающие и анализирующие действия пользователя на сайте: просмотры страниц, интерес к группам и категориям продуктов, заполнение форм, добавление товаров в корзину, закладки, историю покупок, возраст, пол, предпочтения. Результат такой автоматической аналитики — персонализированный динамический код с товарами, которые скорее всего интересны вашим подписчикам.
Преимущество автоматических механик в том, что вы можете один раз настроить письма с рекомендациями, и дальше они будут продавать для вас в режиме 24/7.
Читайте также
Вот список писем, в которых стоит использовать товарные рекомендации:
- промописьма;
- приветственные письма;
- транзакционные письма;
- брошенные просмотры;
- брошенная веб-форма;
- брошенная корзина;
- товар снова в наличии;
- уведомление о снижении цены;
- благодарственные письма;
- уведомление о доставке товара,
- а также любые сервисные письма.
Как работает алгоритм автоматических товарных рекомендаций
Выбор алгоритма зависит от того, на каком этапе вы хотите рекомендовать товары покупателю.
Если покупатель только присматривается к товару, то нужно предлагать аналогичные товары.
Если покупка уже была, вам нужны сопутствующие товары. Многие предлагают товары из той же категории, что и товары в корзине, либо похожие по характеристикам. Но так мы вновь предложим аналогичные товары. Чтобы предлагать именно сопутствующие товары, придётся применить более сложные алгоритмы.
В 1994 году сотрудники IBM Ракеш Агравал и Рамакришнан Срикант опубликовали научную статью «Fast Algorithms for Mining Association Rules» (Быстрые алгоритмы для поиска ассоциативных правил), где описали алгоритм Apriori. Это самообучающийся алгоритм, который по истории заказов покупателей (списку товарных корзин) вычисляет товарные рекомендации для будущих покупок.
Позже появились модификации алгоритма для более быстрой работы, для рекомендаций с учётом маржинальности товаров, чтобы при прочих равных условиях предлагать купить более выгодные, с точки зрения продавца, товары.
Алгоритм Apriori — это один из первых алгоритмов искусственного интеллекта. Он даёт очень точные рекомендации, но для его работы нужно много данных для обучения.
Если вы только открыли интернет-магазин и у вас нет истории заказов, то для товарных рекомендаций придётся использовать более простые механики. Если вы хотите рекомендовать товары с учётом пола, то обучающих данных у вас должно быть в два раза больше: по отдельному набору для каждого пола. В противном случае рекомендации будут неточными, либо алгоритм Apriori совсем ничего не сможет рекомендовать.
Так что, если CRM-платформа составляет товарные рекомендации, но при этом не требует истории заказов или не собирает информацию о текущих заказах, то это косвенно говорит о том, что её методы составления товарных рекомендаций далеки от искусственного интеллекта.
Грамотно и без космических обещаний
запустим CRM-маркетингПлатформы, которые работают с товарными рекомендациями
CRM-платформ с функционалом товарных рекомендаций, как и отдельных рекомендательных сервисов, существует много. Мы опишем самые, на наш взгляд, любопытные.
Exponea
Механика Exponea, пожалуй, одна из самых комплексных и интересных. На страницы сайта устанавливается скрипт, который анализирует поведение пользователя. Платформа позволяет отследить все действия клиента, включая, к примеру, покупки в офлайне.
Сами рекомендации базируются на каталогах и могут использовать любые сущности, которые там есть: товары, акции, статьи и другое. Они строятся на основе следующих четырёх элементов.
- Каталог товаров.
- Принцип подбора сущностей из каталога.
- Блэклист сущностей, которые не надо выводить (например, уже купленные товары).
- Принцип ранжирования рекомендаций, который основан на пользовательском поведении. Например, товары из любимой категории будут выводиться выше.
Дальше эти рекомендации можно вывести на страницы сайта или подставить в любую коммуникацию, в том числе в email-рассылки:
Действия пользователя с рекомендованными товарами попадут в его профиль в виде событий. На основе этого можно составить отчёт по эффективности рекомендаций.
Также в сервисе есть функционал A/B тестов, что позволяет тестировать письма с разными блоками рекомендаций.
ExpertSender
Для работы с рекомендациями у платформы есть самообучаемый модуль. Устанавливаем скрипт модуля на сайт, он и будет анализировать действия пользователей. Чтобы выдавать корректные данные, скрипту необходимо время на «обучение», сколько именно — зависит от объёма и качества трафика. В среднем — от двух недель. В результате получаем персонализированный динамический код и добавляем его в email-рассылки.
Кстати, ребята из ExpertSender в своём блоге предложили интересное решение, как добавлять товарные рекомендации не используя рекомендательные сервисы.
Mindbox
Функционал товарных рекомендаций платформы реализован несколькими способами:
- при помощи интеграции с сервисами REES46 и RichRelevance, когда вы просто загружаете список товаров вручную;
- с помощью алгоритмов, рассчитывающих похожие, популярные и сопутствующие товары.
В работе с алгоритмами Mindbox возможно следующее.
- Разные варианты настроек алгоритмов: из одной рекомендации можно сделать три или пять версий.
- В алгоритме похожих товаров есть настройки приоритета вывода рекомендаций.
- Самообучаемый алгоритм сопутствующих товаров. Функционал можно расширить, если выбрать, к каким товарам и из каких категорий необходимо подбирать рекомендации.
- Алгоритмы по умолчанию исключают уже приобретённые клиентом товары.
Отдельно отметим уникальные среди российских платформ возможности:
- персональные рекомендации для анонимных пользователей,
- пересчёт персональных рекомендаций в режиме онлайн.
Рекомендуем прочитать статью о разработке алгоритмов Mindbox на Хабре.
Retailrocket
Эта одна из первых российских платформ, запустивших персонализированные товарные рекомендации.
Она довольно точно строит товарные ассоциации, даже если у вас нет истории заказов. Вы экспортируете в платформу ваш товарный каталог. По названиям и артикулам товаров платформа определяет, что это за товар, и на основании своих данных, собранных за годы работы, строит товарные рекомендации.
