Яшенкова Наталья

Более 15 лет работает в ИТ-отрасли. С 2004 по 2006 год в интеграторе «Вимком-Оптик» отвечала за продвижение инновационных решений в области цифрового телевидения. В 2006 году возглавила отдел маркетинга в компании «Нетрис», российском разработчике ПО в области OTT/IPTV и видеонаблюдения.

К StarForce присоединилась в 2013 году. Занимается разработкой требований к существующим и новым продуктам компании, а также продвижением решений StarForce по всему миру.

Образование: кандидат экономических наук, Финансовый университет при Правительстве РФ.

Рекомендации призваны заменить высококвалифицированного консультанта, который прекрасно знает имеющийся ассортимент интернет-магазина, может предложить комплект совместимых между тобой товаров, а также понимает, какой товар идеально подойдет именно вам. Справиться с такой сложной задачей помогает информация, полученная от пользователя, и различные эвристические алгоритмы. Эта статья помогает разобраться с тем, что относится к товарным и персональным рекомендациям, как они генерируются, а также познакомит с лучшими российскими и зарубежными практиками.

«Выбор с гуру» или интерактивный гид по продуктам

Долгое время на сайте «Яндекс.Маркет» была возможность «Выбора товара с гуру», воспользоваться которой можно было, когда потенциальный покупатель еще не определился с конкретной моделью и нуждается в квалифицированной помощи продавца-консультанта. Пользователь отвечал на несколько вопросов и в результате перечень моделей, отвечающих его требованиям. В настоящий момент Яндекс отказался от «выбора с гуру», так как компания запустила новый рекомендательный сервис «Диско». Но такой способ помощи пользователям может быть актуален для сайтов, где трудно быстро ориентироваться, например, предлагающих технически сложные программные решения. Компания StarForce использует такой прием на своем корпоративном сайте.

Клиенты положительно оценили нововведение. Статистика использования сайта (Яндекс.Метрика) подтверждает, что такой альтернативный способ навигации пользуется популярностью и помогает посетителям разобраться в линейке продуктов компании StarForce.

«Выбор с гуру» довольно просто реализовать на любом сайте – нужно написать перечень вопросов и возможные варианты ответов, в зависимости от выбора посетителя. Конечно, все это требует тщательной проработки, но с реализацией сможет справиться любой веб-программист. Совсем иначе обстоят дела с товарными и персональными рекомендациями, которые строятся на сложных алгоритмах и самообучающихся системах.

Товарные рекомендации

Рекомендации на сайтах стали появляться довольно давно. В начале это были группы «Хит продаж» и «Товары по акции». Со временем алгоритмы совершенствовались и появились группы «С этим товаром также покупают...», «Купившие это также интересовались...», «Вам также может понравиться...» и т. д.

REES46 дает такое определение товарным рекомендациям: «Товарные рекомендации — это дополнительные блоки на сайте интернет-магазина, в которых демонстрируются товары, рекомендованные посетителю магазином по определенному алгоритму. Например, на карточке товара могут быть рекомендации сопутствующих или похожих товаров, а на странице категории могут быть рекомендации наиболее популярных товаров в данной категории» [1].

Исходя из названия, рекомендации в этом случае генерируется на основе характеристик товаров, их совместимости и похожести, а также в расчет принимается их востребованность посетителями сайта. Товарные рекомендации позволяют решать следующие задачи:

• Повышение конверсии: предоставляется альтернативный способ навигации по магазину, позволяющий большему количеству людей найти нужный им товар, даже если они не думали о покупке в данный момент.
• Увеличение трафика: добавление блока с рекомендациями увеличивает среднюю продолжительность визита и глубину просмотра, что положительно влияет на поведенческие факторы и, как следствие, трафик из поисковых систем..
• Увеличение среднего чека: механики кросс-продаж и up-sell позволяют включать в рекомендации более дорогие или сопутствующие товары, что приводит к увеличению суммы чека и среднего количество товаров в заказе.

Рекомендательный сервис «Евросети» сделал ставку на подбор аксессуаров и дополнительных услуг, что позволило существенно увеличить средний чек интернет-магазина и долю продаж аксессуаров в онлайн-канале. Также такой сервис сокращает трудозатраты сотрудников интернет-магазинов и консультантов колл-центра, расширив возможности для той категории покупателей, которая предпочитает самостоятельный подбор товара на странице интернет-магазина [2].

Блоки с рекомендациями могут располагаться в следующих разделах сайта:

• Главная страница.
• Страница товарной категории (листинг).
• Разделы «Новинки», «Акции» / «Распродажа».
• Карточка товара.
• Карточка товара, которого нет в наличии.
• Страница корзины покупателя.
• Страница результатов внутреннего поиска по сайту.
• Личный кабинет пользователя.
• Страница «404».

Для эффективной работы товарных рекомендаций необходимо обладать подробными описаниями товара, чтобы система имела возможность устанавливать связи между товарами. Товарные рекомендации отлично себя показывают в случаях, когда заказ состоит из нескольких товаров. Уже сейчас можно говорить о том, что отработана механика кросс-продаж [4]. Это может значительно увеличить доход интернет-магазина или, например, помочь избавиться от товарных остатков.

В отличие от «выбора с гуру» сервис рекомендаций довольно сложно разработать самостоятельно, поэтому, используют готовые системы, которые взымают плату по принципу комиссии от продаж или по подписке за период времени.

Сайт хоккейной экипировки принял решение попробовать внешний сервис товарных рекомендаций. Для подтверждения целесообразности нововведения было проведено A/B–тестирование. Вся аудитория сайта делилась на две части: одному сегменту показывались товарные рекомендации, а другому – нет. В результате владельцы сайта наблюдали рост выручки именно в группе пользователей, где демонстрировались рекомендации.

У интернет-магазина Enter своя история развития рекомендаций. На стартовом этапе они использовали собственный ручной сервис рекомендаций, затем перешли на рекомендательные системы разнообразных внешних партнеров. Ручные рекомендации гарантируют практически идеальное качество, но очень дороги и трудоемки. Внешние сервисы предлагают широкий, практически 100%-ный охват, но не могут сравниться по качеству с ручными. В результате Enter использует комбинацию внешнего сервиса и собственные механизмы. Слияние мощной аналитической «машины» внешнего сервиса и возможности точечной корректировки выдачи на стороне интернет-магазина генерируют до 15% прироста к среднему чеку [2].

Полный текст статьи представлен в журнале «Интернет-маркетинг»

Источники:

1. 7 алгоритмов товарных рекомендаций, которые увеличивают отдачу рекламы // Аналитический портал рынка веб-разработок CMS magazine.

2. Авшалумова Римма. Магазин советует клиенту // Ведомости.

3. Жернакова Ольга. Системы рекомендаций и поиска видеоконтента // Телемультимедиа.

4. Зыков Роман. Retail Rocket: Ни одна система рекомендаций не исправит некачественный сайт // To wave.