Содержание

    Персоны вместо сегментов, AI-поиск и ещё 3 тренда персонализации будущего

    Наш мир меняется с космической скоростью во всех направлениях. Конкурировать и побеждать в нём будут те, кто всегда смотрит на шаг вперёд. Мы собрали главные фокусы развития персонализации в 2022 году. В основе статьи — наш опыт работы с международными и российскими клиентами, а также векторы технологического прогресса этой области.

    Умные алгоритмы товарных рекомендаций

    В статье о главных механиках персонализации на сегодня мы рассказывали о базовых алгоритмах товарных рекомендаций. Это «Популярные», «Со скидками», «Новинки», «Смотрели ранее», а также «Покупают вместе», «Смотрят вместе». Что же ждёт товарные рекомендации в будущем?

    Алгоритмы с использованием Deep Learning и наработок Data Science

    Data-специалисты могут заложить в алгоритм параметры, критичные для конкретного бизнеса (сезонность, маржинальность, приоритеты складов и так далее). Важно тестировать любой новый алгоритм в сравнении с самым эффективным из используемых сейчас.

    Синергия мерчандайзинговых правил бизнеса и персонализированных алгоритмов

    Компании часто предлагают брендам «спонсорские» первые позиции в виджете с товарами. Большое количество выкупленных мест рушит саму суть персонализации: все пользователи увидят один и тот же набор товаров. Но такие размещения приносят бизнесу дополнительную прибыль и укрепляют отношения с поставщиками. Победит тот, кто научится правильно считать конечную эффективность в деньгах и за счёт этого найдёт золотую середину.

    Начните с тестирования: закрепите одно место в линейке или добавьте отдельный виджет со спонсорскими товарами по образцу ведущих маркетплейсов — и посмотрите на результаты по конверсии в заказ, выручке, среднему чеку и другим ключевым метрикам.

    пример умных товарных рекомендаций

    Виджет с подборкой спонсорских и персонализированных товаров в интернет-магазине Amazon

    Обогащённые сегменты и персоны

    Начинать внедрение персонализации всегда стоит с базовых аудиторий: новые/текущие пользователи, основные источники трафика, тип устройства и прочие. А вот дальше начинается самое интересное!

    Использование персон вместо стандартных аудиторий и сегментов

    Этот инструмент позволяет определять цели, особенности поведения и проблемы сегментов, чтобы лучше удовлетворять их индивидуальные потребности на всём клиентском пути. Аудитории чаще всего создаются на основе одного атрибута покупателя — характеристики (пол, возраст, регион) или поведения (покупка, подписка, новый/вернувшийся). Персоны включают сразу несколько атрибутов и поэтому полнее и точнее описывают пользователя.

    Например, DIY-магазин может начать с двух персон: профессиональный строитель и обычный человек, делающий ремонт у себя. Для их создания нужно подобрать набор характерных атрибутов, уже известных бизнесу по опыту. Скажем, строитель: регулярные покупки, короткие сессии на сайте (уже знает, что покупать), высокий средний чек, акции не так важны. Человек с ремонтом: новый клиент, длительный просмотр (выбирает, сравнивает), реагирует на акции, средний чек ниже, чем у строителя.

    Набор персон должен покрывать всех посетителей сайта. Не стоит создавать очень узкие персоны, особенно на старте этой работы. Выделите ключевые, которые подойдут для целей вашего бизнеса, и проанализируйте в их разрезе текущие кампании по персонализации: есть ли для них разница в результатах, в реакции на те или иные механики, есть ли логическая связь в аналитике нескольких кампаний?

    Первые результаты покажут, различается ли поведение тех персон, которые вы выделили. Если нет, сделайте ещё один подход к определению ваших ключевых персон. Если же несколько кампаний показали логичную разницу в результатах для ваших персон, значит, вы выбрали их верно и можно продумывать новые кампании уже под конкретную персону.

    Обогащение профиля пользователя данными из CRM‑системы

    Единый идентификатор пользователя позволяет дополнять профили клиентов исторически накопленными данными из вашей CRM-системы — для более глубокой и омниканальной персонализации. Например, добавить информацию об офлайн-заказах с картой лояльности.

    Основываясь на CRM-данных, можно поздравить покупателя с годовщиной регистрации, подсветить количество бонусных баллов или сделать сегментацию по персональным предпочтениям — например, по типу диеты (вегетарианцы/веганы).

    обогащение профиля пользователя

    Пример данных для обогащения и их возможных источников от платформы Dynamic Yield

    Углублённая аналитика

    Настроив базовую аналитику персонализации, стоит постепенно переходить на следующий этап — работу с углублённой аналитикой.

    Она поможет ответить на следующие вопросы:

    • Как механики персонализации влияют друг на друга в рамках сессии / одного пользователя? Есть ли каннибализация? Возможно, по отдельности они работают хорошо, а вместе — плохо?

      Например, клиента могут запутать разные промопредложения для его региона на разных страницах сайта. При каннибализации стоит оставить более эффективную механику и тестировать совместимость других вариантов.

    • Работают ли механики с постоянной эффективностью? Какая есть зависимость от сезона, качества трафика, наличия новинок и особенностей ассортимента?
    • Одинаково ли работают алгоритмы товарных рекомендаций для разных категорий товаров и страниц?
    • Как ваши результаты коррелируют со средними данными или бенчмарками по рынку? Здесь будет полезен набор бенчмарков для основных вертикалей бизнеса.
    • Какие результаты даёт персонализация в разрезе кастомных метрик конкретно для вашего бизнеса?

    Для углублённой аналитики требуется максимальное количество сырых данных, включая все действия пользователя, полную информацию по каждой кампании, детальные данные по каждой транзакции. При необходимости эти данные нужно будет преобразовать и провалидировать для загрузки в BI-систему. Мы рекомендуем подключить штатного аналитика или привлечь экспертную компанию.

    бенчмарки персонализации

    Пример бенчмарков по конверсии в покупку в разрезе месяцев

    Персонализация поиска на сайте и в приложении

    Эта тема освещается очень редко, хотя в большинстве интернет-магазинов поиск приносит до 400% к конверсии (McKinsey), а конверсия у посетителей, воспользовавшихся поиском, в 1,8 раз выше (eConsultancy).

    Персонализация поиска может учитывать большое количество данных о пользователе и не только: гео, устройство, историю покупок, просмотров; маржинальность товара, наличие на складе и многое другое. Что ещё интереснее, релевантный поиск можно запускать в разных каналах и форматах: на сайте, в мобильном приложении, голосовом поиске.

    Персонализировать поиск можно несколькими инструментами:

    • Персонализированные поисковые подсказки для разных сегментов. Новые пользователи увидят набор популярных категорий, а те, кто уже посещал сайт, — персональный набор.

      персонализированные поисковые подсказки

      Персонализированные поисковые подсказки на основе данных о визитах пользователя с учётом популярных запросов и мерчандайзинга
    • Автоматический подбор синонимов. На основе данных о том, как пользователи подбирают, переформулируют и уточняют запросы, можно добавлять в словарь новые похожие слова (поисковые движки делают это автоматически). Например, вы ввели «Mark Jaсobs backpak» и выдача оказалась пустой, после вы уточните: «Mark Jaсobs рюкзак» — и система предложит добавить синоним «рюкзак» в словарь при наличии похожих уточнений.
    • Персонализация поисковой выдачи, фильтров и сортировки. Поисковая выдача регулируется настройкой определённых правил или выделением сегментов. А можно попробовать более сложные алгоритмы, которые отслеживают взаимодействие пользователя с максимумом параметров в выдаче: что вводил, как вёл себя внутри категории, какие фильтры использовал. Вся история пользователя помогает обучать алгоритм.

      персонализированные поисковые подсказки

      Пример персонализированной выдачи из административной панели поискового движка. Слева версия для всех пользователей, справа — для пользователя с выбранным идентификатором

    Что важно — здесь не нужны большие усилия: всё это уже делает искусственный интеллект. AI-aлгоритм обучается на данных пользователей и их взаимодействии с сайтом и обеспечивает каждому посетителю максимально персонализированный опыт использования поиска. Это в несколько раз повышает вероятность целевого действия и напрямую влияет на ваши бизнес-метрики.

    Не забывайте, что любую новую версию поиска нужно тестировать против текущей, сравнивая конверсию, количество сессий с поиском и другие основные метрики. Вы должны быть уверены, что изменения не принесут бизнесу отрицательный результат.

    Омниканальная персонализация (да, это всё ещё тренд)

    Только ленивый не говорит об омниканальности последние 5 лет. Но этот тренд всё так же актуален: до сих пор персонализацию за пределами диджитал-каналов систематически внедряют менее 10% компаний (McKinsey). И совсем немногие могут похвастаться успешным внедрением омниканальной персонализации. Подчеркнём слово «успешным»: это направление должно быть экономически эффективным и корректно собирать все данные для аналитики.

    Под омниканальной мы имеем в виду сквозную персонализацию во всех точках взаимодействия с пользователем: в интернет-рекламе, емейл-рассылках и других каналах директ-коммуникации, на сайте, в приложении, кол-центре, офлайн-магазинах и так далее.

    Все точки должны быть подключены к единой базе персонализации контента, товарных рекомендаций и предложений, чтобы создавать максимально релевантный и уникальный опыт для каждого конкретного пользователя. Ведь 85% (!) пользователей начинают шопинг на одном устройстве, а заканчивают на другом (Google).

    Известных успешных примеров не так много, но давайте посмотрим на парфюмерно-косметический бренд Sephora. Помимо программы лояльности, которая сама по себе омниканальна, компания предлагает пользователям новые интерактивные форматы в разных точках касания.

    Например, приложение с 3D-дополненной реальностью для «примерки» макияжа перед походом в магазин (в COVID-реальности актуально многим) или промо с учётом геоданных: если ты проходишь рядом с магазином, тебе может прилететь пуш о скидках на любимые товары. Так бренд улучшает опыт пользователя и его лояльность.

    омниканальная персонализация
    омниканальная персонализация
    омниканальная персонализация

    Скриншоты из приложения Sephora с примерами омниканальных сервисов

    Будущее персонализации. Кратко

    1. Умные алгоритмы товарных рекомендаций. DL- и DS-алгоритмы и синергия «ручных» мерчандайзинговых правил и машинного обучения.
    2. Обогащённые сегменты и персоны. Использование дополнительных источников данных, фокус на CRM-данных и работа с персонами.
    3. Углублённая аналитика на основе большого массива сырых данных. Отслеживание взаимосвязи разных механик, волатильность эффективности персонализации с учётом особенностей конкретного бизнеса.
    4. Персонализация внутреннего поиска. Релевантные подсказки и синонимы, качественная работа с результатами выдачи и навигацией.
    5. Омниканальность — всё ещё в тренде.

    Не стоит переживать, если вы ещё на первом шаге в этом направлении. У каждой компании своя динамика. Двигайтесь поступательно: начинайте с базовых механик, накапливайте опыт и знания, которые позволят внедрять передовые решения. И будьте готовы, что через год эти тренды могут смениться другими. Персонализация развивается со скоростью экспресса.

    Как закрепиться на кризисном онлайн-рынке?
    Дарим видеоинструкции к актуальным механикам для разных каналов
    Имя
    Email *
    Array
    (
        [0] => WP_Term Object
            (
                [term_id] => 1425
                [name] => Статьи
                [slug] => articles
                [term_group] => 0
                [term_taxonomy_id] => 1907
                [taxonomy] => category
                [description] => 
                [parent] => 0
                [count] => 660
                [filter] => raw
                [cat_ID] => 1425
                [category_count] => 660
                [category_description] => 
                [cat_name] => Статьи
                [category_nicename] => articles
                [category_parent] => 0
            )
    
    )
    
    Поделиться статьёй
    Подписаться на рассылку