10 рекомендаций по продуктам, которые помогут утроить ваши продажи в электронной коммерции

Введение

Индия с 900 миллионами интернет-пользователей является вторым по величине онлайн-рынком в мире. Этот экспоненциальный рост числа цифровых пользователей в общих чертах отражает их чрезмерную онлайн-активность, и значительная часть этого составляет электронная коммерция. Но больше не всегда приносит радость бизнесу — приток пользователей и организаций на розничный рынок привел к усилению конкуренции за бренды, что сделало электронную коммерцию высококонкурентной сферой.

Эти современные покупатели теперь сталкиваются с наплывом вариантов для покупок. Тысячи веб-сайтов электронной коммерции каждую минуту пытаются продать им похожие, если не одни и те же товары. Тем не менее, их онлайн-расходы ограничены бюджетом больше, чем когда-либо прежде!

Так как же сайты электронной коммерции доминируют в отрасли, взламывая кошелек клиента и достигая целей продаж? Одним из надежных методов являются рекомендации по продуктам — система динамического прогнозирования, используемая для заметного отображения товаров, представляющих интерес для покупателя.

Более 71% сайтов электронной коммерции рекомендуют товары на своей главной странице. Это помогло им увеличить вовлеченность, конверсию и доход. Хотя рекомендации обеспечили только 7% посещений, они принесли 26% дохода.

Хотя мы подробно рассмотрим, что такое рекомендательные системы и как они работают, давайте разберемся в их основах, прежде чем продолжить. Воронка ниже показывает, как рекомендации превращают горячих лидов в покупателей с высокими намерениями, упрощая для них поиск продукта.

Системы рекомендаций строятся с использованием алгоритмов, которые анализируют кучу данных, чтобы понять поведение покупателей и предвидеть их будущие потребности. Точно так же, как Netflix знает, какой фильм вы хотите посмотреть следующим. Анализ и прогнозирование потребностей клиентов, подобные этому, известны как профилирование клиентов, что помогает персонализировать рекомендации.

После того, как покупатели нажимают на такие рекомендации, они в 4,5 раза чаще добавляют товар в корзину и завершают транзакцию — это потому, что система предлагает свои продукты на основе их покупательского поведения или того, что она обнаружила у максимального количества пользователей, покупающих вместе с продукт.

Эти рекомендации приводят к увеличению средней стоимости заказа (AOV) на 10%. Итак, давайте просто согласимся, рекомендации не только облегчают жизнь покупателя, но и являются основным инструментом для маркетолога электронной коммерции для увеличения продаж и достижения целей!

Коэффициенты конверсии электронной коммерции: расчет и интерпретация

Цель большинства рекомендаций — побудить к покупке. Однако эта цель может варьироваться в зависимости от характера веб-сайта и включать такие действия, как обращение в службу поддержки, подписка на информационный бюллетень или заполнение формы для привлечения потенциальных клиентов.

В итоге конверсия — это отношение посещений сайта к выполнению этой конечной цели (транзакций, форм, результатов и т. д.). Он помогает измерить процент посетителей, которые выполнили предполагаемое действие на сайте. Допустим, целью была покупка товара, тогда конверсия рассчитывается путем деления «общего числа посетителей, которые совершили покупку, на общее количество посетителей веб-сайта». Умножьте это на 100, и это ваш коэффициент конверсии!

Например, если на вашем сайте было 80 000 посетителей, из которых 6 000 купили продукт, коэффициент конверсии составляет 7,5%.

Формула выглядит следующим образом: коэффициент конверсии электронной коммерции (7,5%) = общее количество посетителей, которые приобрели (80 000) / общее количество посетителей веб-сайта (6 000) x 100.

В то время как успех рекомендаций продукта лучше всего измеряется коэффициентами конверсии, средняя стоимость заказа (AOV) и рейтинг кликов (CTR) также отражают преимущества помощи клиенту с продуктами, которые наилучшим образом соответствуют его потребностям.

Средняя стоимость заказа — это средняя сумма в долларах (рупиях), потраченная клиентом веб-сайта. Он рассчитывается путем деления выручки на общее количество заказов, доказывая, насколько успешными были рекомендации в допродаже/кросс-продаже.

Формула выглядит следующим образом: Средняя стоимость заказа (AOV) = Доход / Порядок номеров.

Точно так же рейтинг кликов представляет собой количество кликов по конкретной ссылке на веб-сайте. Он рассчитывается путем деления кликов на показы (т. е. количество раз, когда ссылка была видна).

Формула работает: CTR = клики (количество людей, которые нажали на объявление) / показы (количество людей, просмотревших объявление) x 100.

CTR указывает на процент покупателей с высокими намерениями, поскольку те, кто нажимает на рекомендацию, почти в 2 раза чаще возвращаются! Короче говоря, если на рекомендацию нажали, это очень продуктивно для повышения коэффициента конверсии и дохода.

Что такое рекомендация продукта?

К настоящему времени мы понимаем, что рекомендации по продуктам творят закулисную магию, анализируя прошлые транзакции тысяч покупателей и предсказывая их будущие потребности. Затем этот анализ отображается в виде рекомендаций посетителю веб-сайта, побуждая его покупать больше и быстрее.

Давайте быстро взглянем на изображение ниже с веб-сайта FirstCry. Оба заголовка «вам также может понравиться» и «часто покупаемые вместе» являются рекомендациями бренда, подталкивающими своих пользователей к покупке или выбору.

В то время как большинство сайтов электронной коммерции борются с коэффициентом конверсии от 2,5 до 3%, рекомендации по продуктам могут подтолкнуть более 49% посетителей к покупке продуктов, которые они изначально не собирались покупать.

Если вы еще не убеждены, ознакомьтесь с этими четырьмя важными причинами, по которым вы должны размещать рекомендации по продуктам на своих сайтах электронной коммерции:

1. Улучшенный пользовательский интерфейс —

В нашей офлайн-жизни мы часто полагались на предложение продавца в местном супермаркете. Почему? Потому что это удобно и быстро. Онлайн-рекомендации продуктов служат той же цели, облегчая покупателю путь по вашему сайту от просмотра до оформления заказа.

Они стали настолько важными, что 56% покупателей возвращаются на те сайты, которые рекомендуют, а 71% разочаровываются, если покупательский опыт не персонализирован.

2. Лучшее взаимодействие с клиентами –

Клиенты расцветают на доверии и ощущении, что их понимают. Маркетологи могут сделать это, предоставляя им персонализированные рекомендации по продуктам, которые дополняют их модели покупок. Это помогает повысить количество кликов на сайте, увеличить количество посещений и активировать другие каналы связи, такие как электронная почта.

Например, именно так ALTBalaji, индийский потоковый сервис, отправил по электронной почте персонализированную рекомендацию, чтобы увеличить количество подписок. Это не рекомендация сайта, но электронная почта, смс и push-уведомления могут использоваться в качестве средства для возрождения или увеличения повторных покупок.



3. Увеличение дохода –

Очевидно, что рекомендации по продуктам предоставляют прекрасную возможность дополнить предпочтения покупателя аналогичными или улучшенными продуктами. Маркетологи должны использовать эту возможность для перекрестных продаж и дополнительных продаж, используя такие разделы, как «Часто покупаемые вместе» и «Клиенты, которые покупали это, также покупали». Ниже приведена еще одна рекомендация Amazon для книг в подобном жанре.



4. Повышает лояльность —

Поскольку рекомендации персонализируют пути клиентов в каждой точке взаимодействия, их общая удовлетворенность возрастает. Удовлетворенный клиент с большей вероятностью вернется, а также будет продвигать сайт из уст в уста.

Как создаются рекомендательные механизмы?

Мы кратко обсудили, как алгоритмы используются для предоставления персонализированных рекомендаций посетителям сайта электронной коммерции. Давайте углубимся в это.

Механизм рекомендаций по продуктам анализирует и моделирует тонны пользовательских данных с помощью машинного обучения (ML). Во-первых, получают данные (входные данные) о прошлых транзакциях пользователей, истории браузера, кликах по ссылкам и других взаимодействиях. После очистки этих данных и сегментации пользователей с похожим поведением по разным параметрам создается система рекомендаций.

Большинство рекомендательных систем реализуются с использованием одного из этих трех подходов:

1. Совместная фильтрация . Эта модель работает на основе предположения, что пользователи, которые покупали аналогичные продукты в прошлом, скорее всего, повторят этот шаблон в будущем. Итак, если Жасмин купила пиццу и салат, а Алия купила их плюс диетическую колу, Жасмин тоже сделает то же самое.
2. Модель на основе контента : эта модель использует данные из файлов cookie всех посещенных сайтов, чтобы понять, что нравится и не нравится каждому пользователю. Затем рекомендуемые продукты фильтруются, исходя из предположения, что вам понравятся товары, похожие на ваши прошлые взаимодействия.

Например, если Ник купил желтые туфли, рубашку и брюки чинос, в будущем он, скорее всего, будет искать желтые брюки.


3. Гибридная фильтрация : этот метод сочетает фильтрацию контента и совместную фильтрацию для учета общих предпочтений среди пользователей, но отображает результаты после фильтрации на основе предпочтений отдельных пользователей. Возьмем, к примеру, Netflix. Он фильтрует фильмы на основе привычек похожих пользователей, но показывает только те, которые соответствуют прошлым взаимодействиям этого пользователя.

10 стратегий рекомендаций по продуктам для повышения конверсии электронной коммерции

COVID-19 изменил то, как мы делаем покупки. Только в развивающихся странах доля онлайн-покупателей выросла с 33% до 60%. В результате несколько предприятий были переведены в онлайн. Тем не менее, многие из них все еще борются с персонализацией рекомендаций, тем самым уступая трафик конкурентам.

С другой стороны, успешные компании, предлагающие персонализированные рекомендации, на 91 % чаще совершают покупку. Главное знать, кому что показывать. Итак, вот несколько типов рекомендаций по продуктам, которые могут помочь в ответе на этот вопрос:

• Персонализация. Вы смотрели боевик или купили синее платье? Вы неоднократно заказывали еду в одном и том же ресторане? Все эти данные анализируются, чтобы понять, что нравится и не нравится клиенту, и дать соответствующие рекомендации.

Чем ближе эти рекомендации вкусам клиента, тем выше их конверсия. Персонализированные рекомендации также убедили 54% покупателей увеличить среднюю стоимость заказа.



• Сопутствующие товары: с тысячами доступных для покупок, покупатель может легко расстроиться из-за необходимости переходить с одной страницы на другую. Но здесь нам на помощь приходит категория рекомендаций «Похожие товары».

Клиенты могут не только проверить больше продуктов, но также легко сравнить их варианты и беспрепятственно совершать транзакции.



• Перекрестные продажи и дополнительные продажи: почти интуитивно понятно, что покупателю, недавно купившему телефон, вскоре понадобится чехол. Точно так же тому, кто изучает куртку, может понадобиться больше зимней одежды.

Рекомендации по продуктам максимально используют эту возможность, продавая или перекрестно продавая товары, используя такие категории, как «Что покупают такие же люди, как вы» и «Часто покупают вместе».

• Социальное доказательство: покупатели ценят отзывы, потому что они дают им чувство безопасности и помогают укрепить доверие. Согласно исследованиям, более 47% покупателей ищут (визуальные) социальные доказательства на сайтах электронной коммерции.

Таким образом, рекомендации продуктов, которые были высоко оценены предыдущими клиентами, помогают быстрее завершить транзакцию. Общие категории включают «продукты с самым высоким рейтингом» или «выбор влиятельных лиц».



• Сезонность. Вполне естественно, что клиент должен развиваться в зависимости от сезона. Эта категория рекомендаций хорошо работает в случае продуктов питания и модных товаров.

Например, лето манит манго, а цветочные наряды в весенний сезон в моде.

• Новинки: в эпоху быстрой моды и стремительно развивающихся технологий рекомендации, основанные на «новинках», являются эффективной стратегией продвижения товаров.



Такие рекомендации вызывают у клиентов страх упустить выгоду (FOMO). В конце концов, кто не любит выставлять напоказ новый телефон/платье?

• Объединение: тенденции покупок, которые имеют тенденцию повторяться в широкой клиентской базе, можно использовать для отображения рекомендаций в таких категориях, как «Клиенты, которые просматривали это, также просматривали» или «Часто покупают вместе». Поэтому продукты объединяются, как правило, вокруг оформления заказа, что увеличивает продажи и среднюю стоимость заказа (AOV).



• Основано на истории посещений. Это человеческая тенденция просматривать веб-сайты электронной коммерции без серьезного намерения совершить покупку. Поэтому алгоритмы используют свои прошлые данные о просмотрах, чтобы определить их потребности/желания и соответствующим образом отображать рекомендации.
• Товары снова в наличии: распространенный на сайтах электронной коммерции мебели, этот тип рекомендаций использует продукты, которые распродаются быстрее, чтобы стимулировать продажи.

Это не только создает ощущение срочности у клиентов, которые беспокоятся о запасах, но также помогает повысить лояльность к бренду среди постоянных клиентов.

Какой бы тип рекомендации вы ни выбрали, убедитесь, что правильно расположили ее. В противном случае все они просто упустят возможности для продаж.

Примеры товарных рекомендаций от ведущих брендов

Поиск продукта приводит к гарантированному улучшению взаимодействия с пользователем на сайтах электронной коммерции. Неудивительно, что лидеры рынка, такие как Amazon, Myntra или Netflix, побеждают в гонке «рекомендаций продуктов», чтобы оставаться на вершине. Давайте подробно изучим 3 бренда, чтобы понять, какую пользу им принесли рекомендации.

Пример 1: Амазонка

Amazon использует широкий спектр стилей рекомендаций, стратегически размещенных на пути пользователя, чтобы добиться более высоких кликов и конверсий.

Вот несколько примеров рекомендаций Amazon India «Клиенты, которые купили это, также купили». По данным Mckinsey, этот тип персонализированных рекомендаций принес более 35% общего дохода и вызвал рост продаж на 29%.

Пример 2: Никаа

Nykaa, один из крупнейших в Индии ритейлеров товаров для красоты и здоровья, использовала тип рекомендации «Вам также может понравиться» для перекрестных продаж продуктов на основе общих интересов среди групп пользователей. В результате к 2020 году 50% клиентов Nykaa стали обычными посетителями, а их рекомендации в стиле руководства по покупкам принесли 3% валовой стоимости товара (GMV) в том году.

Ошибки, которых следует избегать

Недостаточно показывать рекомендации по продуктам. Все остальное, от времени до размещения, играет решающую роль в их успехе. Вот 5 ошибок, которых следует избегать –

• Неправильное размещение. Отображение рекомендаций по шортам на странице продукта ноутбука не поможет. Вместо этого показ сопутствующих товаров, таких как сумки для ноутбуков, приведет к более высокой конверсии.
• Непреодолимые рекомендации. Слишком много информации — это шум. И слишком много рекомендаций превращаются в отсутствие вообще. Так что не перегружайте экран покупателя рекомендациями.
• Рекомендации, не зависящие от контекста. Каждая рекомендация должна быть совместима с контекстом покупателя — местоположением, демографическими данными или историей покупок. Только тогда покупатель будет чувствовать себя понятым и не заспамленным.

Вот пример нечувствительной рекомендации продукта от Amazon.


• Отсутствие A/B-тестирования: A/B-тестирование является необходимым условием для оптимизации таких параметров, как количество, внешний вид и позиционирование рекомендаций. Это поможет определить и сохранить рекомендации с более высоким коэффициентом конверсии.
• Плохая навигация: рекомендация хороша настолько, насколько хороша конверсия, которую она вызывает. Следовательно, любые трения в путешествии пользователя по ссылке должны быть устранены. Все важные страницы, такие как контакты, каталог продукции и корзина, всегда должны быть легко доступны.

Заключение

Понимание истинного потенциала рекомендаций по продуктам в стимулировании продаж, увеличении стоимости заказов и лучшем привлечении клиентов может открыть вам глаза. Но даже опытные маркетологи не могут использовать рекомендации в полной мере.
Если вы думаете, что выполнение рекомендаций слишком дорого или слишком сложно, это ваш момент истины — это не так! Инструменты рекомендации продуктов WebEngage удивительно просты и помогли многим клиентам получить дополнительный доход.

Почти 81% покупателей согласились совершить покупку после получения электронного письма с персонализированными рекомендациями по продукту, что помогает клиентам WebEngage преуспеть. Используя наши предварительно заполненные шаблоны в маркетинговых каналах, пользователи WebEngage могут разрабатывать увлекательные и творческие способы взаимодействия со своими клиентами.

WebEngage имеет комплексный пакет для удовлетворения системных требований вашего сайта электронной коммерции. Если вы ищете варианты увеличения дохода, воспользуйтесь демонстрацией сегодня и наблюдайте, как трансформируется ваш бизнес!