Quand et comment mettre en œuvre le système de recommandation de produits

Les recommandations de produits sont devenues de plus en plus populaires après leur introduction dans le commerce de détail par Amazon en 2008 et pourraient offrir une grande valeur à la fois aux détaillants et à leurs clients. Le battage médiatique a conduit à l'apparition de nombreux mythes parfois dangereux associés aux recommandations de produits (principalement créés par les équipes de vente et de marketing du fournisseur). C'est-à-dire que vous pourriez toujours voir la solution de recommandation de produits être présentée comme une solution miracle entièrement autonome, qui augmenterait ses bénéfices juste après son installation sur le site Web.

En réalité, les choses sont bien plus compliquées. Les recommandations de produits pourraient faire les deux - augmenter vos ventes et ruiner la conversion. Et il est difficile d'en mesurer la valeur ajoutée, car la plupart des outils d'analyse gratuits peuvent vous induire en erreur, ce qui entraîne une augmentation des pertes.

Dans cet article, j'essaierais de couvrir les sujets les plus essentiels qui doivent être pris en compte par un détaillant lorsqu'il s'agit de recommandations de produits et je fournirais quelques conseils et astuces spécifiques sur la façon de tirer le meilleur parti de la reconnaissance de votre produit.

Commencez par les workflows et les campagnes, pas les outils

Les recommandations de produits sont des collections d'articles proposés aux clients à l'achat. Les recommandations de produits peuvent différer selon l'endroit où la suggestion de produit est affichée, par exemple, la tablette d'un directeur des ventes ou une fiche produit, et les objectifs des entreprises, par exemple, une augmentation de la valeur moyenne des commandes ou une augmentation de la conversion ou des revenus.

Avant de mettre en œuvre des recommandations de produits, il est crucial de comprendre dans quels flux de travail elles seront utiles pour le client. Dans le commerce électronique classique, les recommandations ressemblent à des cartes de produits affichées sur différentes parties du site Web. Par exemple, choisir un t-shirt sur le site Web d'une marque entraînera la recommandation et la présentation d'autres t-shirts similaires au client.

Les recommandations hors ligne peuvent être présentées au point de vente à un employé du magasin, un directeur des ventes sur leur tablette. Les recommandations de produits peuvent également être utiles à un centre d'appels. Lorsqu'un client appelle, l'opérateur peut suggérer des produits en fonction de l'historique d'achat et des vues du client.

Dans le même temps, les suggestions de produits peuvent toujours être affinées pour mieux répondre à des objectifs commerciaux spécifiques ou aux besoins d'un segment d'audience. Par exemple, les recommandations peuvent afficher uniquement les produits avec une remise (afin d'augmenter l'UPT, unité par transaction), uniquement les biens fabriqués par une marque spécifique (par exemple, celle qui génère le plus de profit), ou uniquement les produits qui vous en avez beaucoup en stock.
Voici quelques exemples de ce à quoi peuvent ressembler les recommandations en ligne et hors ligne :

Canaux en ligne

• Sur la page d'accueil — produits populaires ;

• Dans le catalogue — produits populaires de la catégorie ;

• Dans la fiche produit — produits apparentés ou similaires ;

• Dans le panier — produits connexes ou ceux les plus fréquemment achetés par les clients.

  
  

Chaînes hors ligne

• Dans le centre d'appels - produits connexes ou fréquemment achetés ;

• Sur la tablette du directeur commercial — best-sellers et collections de produits ;

• Au point de vente — offres connexes ou promotionnelles.

  
  

Ce qui est crucial dans tous ces cas d'utilisation - vos recommandations doivent idéalement être cohérentes à travers les différents points de contact et canaux de communication. Imaginez simplement l'expérience que vos clients peuvent vivre en recevant des ensembles différents (ou même contradictoires) de produits recommandés par conséquent dans votre e-mail promotionnel, votre catalogue de commerce électronique et en discutant avec un représentant du centre d'appels lors de la confirmation de commande. Si tel est le cas, vous pouvez envisager une solution vous permettant d'orchestrer de manière centralisée votre logique de recommandation de produits à travers les points de contact - c'est-à-dire une plateforme de données client (CDP) ou similaire.

La même logique s'applique aux variantes des algorithmes de recommandation de produits à différentes étapes du parcours client - c'est-à-dire qu'il n'est peut-être pas très logique de promouvoir des alternatives moins chères dans le panier de produits ou à la caisse (nous l'aborderons plus en détail ci-dessous).

Comment évaluer l'efficacité des recommandations de produits

Différentes combinaisons de l'état et de la composition des recommandations de produits affectent les mesures de différentes manières. Cela est vrai que vous examiniez des métriques commerciales, telles que la valeur moyenne des commandes ou les revenus, ou des métriques proxy (ou intermédiaires), telles que la profondeur de page, le taux de clics et le nombre de fois que des produits ont été ajoutés aux favoris ou au panier du client.

Les produits populaires avec une remise sur la page d'accueil peuvent réduire la valeur moyenne de la commande, mais augmenter le taux de conversion à la place. La recommandation de produits similaires et plus chers dans la fiche produit peut réduire le taux de conversion, mais augmenter la valeur moyenne de la commande et le bénéfice global.

Les informations sur les métriques proxy (telles que les vues) sont collectées plus rapidement, mais cela ne signifie pas toujours le succès de l'entreprise. Par exemple, un détaillant en pharmacie, dans le cadre de l'expérience que nous avons lancée sur son site Web, a ajouté des recommandations de produits à la page du panier afin d'augmenter le nombre de produits à chaque achat. Pendant deux jours de test, l'entreprise a perdu 30 000 $ par rapport au groupe témoin. Il s'est avéré que les clients ont commencé à abandonner le panier pour visiter les pages de la fiche produit à partir des recommandations et ont oublié de terminer leurs commandes. Nous avons vu la profondeur de la page augmenter, mais au final, les revenus globaux ont diminué.

Voici les mesures les plus affectées par les recommandations de produits :

Métriques commerciales

• Revenu
• Profit
• Conversion en commande
• Valeur moyenne des commandes
• Nombre de produits dans la commande

Métriques proxy

• Profondeur de visite
• Durée de la session
• Taux de rebond
• Vues de la fiche produit
• Article ajouté au panier, à la liste de souhaits ou à la liste de comparaison

Pour simplifier la tâche de compilation d'une liste de campagnes de recommandation de produits, je suggérerais de cloner ce Tableau Miro et des solutions de remue-méninges qui seront utiles pour votre entreprise. J'y ai ajouté quelques options à titre d'exemple.

Comment personnaliser les recommandations de produits

Après avoir déterminé la liste des recommandations de produits et défini les métriques cibles, vous devez réfléchir à la manière d'optimiser la qualité de vos recommandations de produits. Les recommandations de produits doivent aider à suggérer les articles les plus utiles aux clients. Pour ce faire, les suggestions de produits doivent être basées sur les facteurs suivants :

• Objectifs commerciaux - croissance des revenus, rentabilité, valeur moyenne des commandes, UPT et volumes de ventes ;

• Comportement du client — historique de navigation, articles ajoutés au panier et aux favoris, historique des achats en ligne et hors ligne ;

• Comportement des clients d'autres clients similaires.

  
  

De cette façon, les suggestions de produits seront formées en tenant compte des intérêts de l'entreprise et du client. Plus les données sont prises en compte, plus les suggestions seront précises. Si le client a acheté une chemise hors ligne, l'application mobile lui recommandera un pantalon assorti, car d'autres clients qui ont acheté la même chemise ont adoré ce pantalon.

Comme cela arrive souvent, l'historique de l'interaction du client avec la marque et la gamme de produits est stocké dans plusieurs systèmes : les ventes hors ligne dans un logiciel ERP, les ventes en ligne dans quelque chose comme Shopify, et les actions des clients (par exemple, l'ajout d'articles à des listes de souhaits) sur un autre. plateforme. Dans ce cas, nous ne savons peut-être pas que le client qui vient de revenir sur le site Web a déjà effectué un achat hors ligne il y a une heure. Crocs Europe de l'Est , par exemple, envoyaient chaque semaine des e-mails à l'ensemble de leur audience. L'historique des achats en ligne, les achats hors ligne, les e-mails, les SMS et les notifications push Web étaient tous stockés dans des systèmes différents.

Par conséquent, leurs spécialistes du marketing n'avaient pas accès à une seule source de données leur permettant d'envoyer des campagnes tenant compte de l'historique des achats. Les clients pouvaient recevoir des e-mails qui, par exemple, recommandaient des Crocs qu'ils avaient achetés la veille. L'une des règles d'or de l'analyse ressemble à "Garbade in - Garbade out", ce qui signifie que si vous alimentez votre algorithme avec des données incohérentes ou incomplètes, vous obtiendrez très probablement également des résultats insatisfaisants. Il n'y a pas de magie ici (encore).

Pour résoudre ce problème, les données doivent être centralisées dans un système unique. Il est possible de développer un référentiel qui permettra d'utiliser les données accumulées dans des activités de marketing, mais cela coûte cher. Le moyen le plus récent de résoudre ce goulot d'étranglement est la classe de technologies nommée Customer Data Platforms. Ils fournissent une gamme complète de solutions prêtes à l'emploi pour différentes industries.

La technologie permet aux entreprises de télécharger automatiquement des données sur le comportement des clients à partir d'un nombre illimité de sources, de nettoyer et d'unifier les données et d'obtenir un historique complet des interactions des clients avec la marque, sur la base duquel vous pouvez lancer des campagnes marketing, y compris des recommandations de produits.

Les données accumulées peuvent également être utilisées pour former des algorithmes d'apprentissage automatique. Même les entreprises comptant des dizaines de milliers de clients accumulent suffisamment de données en 3 à 4 mois (avec environ un million d'enregistrements d'action client générés au cours de cette période) pour bénéficier de l'apprentissage automatique. Les algorithmes créent un profil des intérêts du client, trouvent des utilisateurs similaires et, en fonction de ce qu'ils ont acheté, recommandent au client d'autres produits qu'il pourrait vouloir acheter. C'est exactement comme ça recommandations personnelles travaillent dans la marque de mode Tom Tailor .

Un autre avantage de la centralisation est le marketing omnicanal cohérent. C'est à ce moment que les canaux en ligne prennent en compte la popularité des articles hors ligne et que les recommandations de produits sur le site Web et dans les campagnes sont synchronisées. Ainsi, la centralisation des données augmente significativement la qualité des recommandations produits.

Il existe de nombreux services proposant des recommandations de produits. Leurs capacités diffèrent par le nombre d'algorithmes, qu'ils permettent ou non de personnaliser les recommandations de produits, les outils qu'ils proposent pour mesurer l'efficacité des recommandations et les sources disponibles pour télécharger les données afin de construire une matrice de recommandations. Bloomreach , Initié , et Boîte d'esprit fournir aux entreprises des technologies leur permettant d'affiner les recommandations de produits avec des solutions ML et de prendre en compte les données des applications en ligne, hors ligne et mobiles.

Comment évaluer l'efficacité des recommandations de produits

Les outils de mesure de la performance diffèrent selon le canal dans lequel les recommandations sont utilisées. En même temps, quel que soit le canal, le principe est le même. Les clients sont divisés en deux groupes. Un groupe reçoit des recommandations, tandis que le second n'en reçoit pas. Si les ventes sont plus élevées dans le groupe qui reçoit des recommandations, les clients ont trouvé les recommandations utiles.

Canaux en ligne

Lorsque vous testez en ligne, je vous recommande d'utiliser Google Optimiser outil. C'est gratuit, la configuration de l'expérience ne prend que quelques étapes et ne nécessite aucune compétence en programmation pour créer le test.

Si vous travaillez déjà avec Google Analytics, Optimize peut utiliser les données d'e-commerce pour évaluer l'efficacité des tests. Une variante du site Web sera la version originale sans aucune modification, tandis que l'autre variante affichera des recommandations de produits pour les clients. Pour chaque widget individuel, vous devez configurer votre expérience, en vous assurant que les données ne se mélangent pas, sinon vous ne saurez pas quel widget de recommandation spécifique aide et lequel ne l'est pas. Incanto, une boutique de lingerie et maillots de bain , a enregistré une augmentation de 5,5 % de son chiffre d'affaires après la mise en œuvre des recommandations de produits.

Les expériences dans les campagnes par e-mail sont configurées de la même manière. Une partie des destinataires reçoit des e-mails avec des recommandations, et l'autre sans elles. Les tests A/B sont disponibles sur pratiquement toutes les plateformes de marketing par e-mail.

Canaux hors ligne

Un test A/B hors ligne avec un groupe de contrôle fonctionne sur le même principe qu'un test en ligne. Cela peut être fait lors du test des recommandations de produits dans un centre d'appels. Lorsqu'un appel est passé, le logiciel de l'opérateur envoie une requête au CDP, où le public est déjà divisé en deux groupes. Dans la moitié des cas, la plateforme affiche des recommandations de produits sur l'écran de l'opérateur. Dans d'autres cas, aucune recommandation n'est fournie. Ensuite, sur la base du rapport intégré du CDP, le comportement des deux groupes est comparé pour déterminer où les clients ont effectué le plus d'achats. La même approche peut être appliquée avec un logiciel de point de vente lorsque le caissier voit des recommandations pour inviter le client seulement la moitié du temps.

Lorsque les recommandations de produits ne sont pas utiles

Les recommandations de produits en tant qu'outil ont été inventées par Amazon Corporation pour présenter aux clients une gamme de produits. Les recommandations de produits automatisées ne sont pas utiles pour les marques dont la gamme de produits comprend moins de 100 produits. Dans ce cas, les algorithmes n'auront tout simplement pas assez de produits parmi lesquels choisir. Par conséquent, les recommandations peuvent être configurées une fois manuellement dans le CMS. Ce sera non seulement moins cher car il n'est pas nécessaire d'acheter une technologie tierce, mais aussi plus facile car une fois les recommandations configurées, il n'y aura plus besoin de les prendre en charge.

Cependant, la situation est différente lorsqu'il s'agit de recommandations qui n'ont pas été testées sur un groupe témoin. En utilisant l'exemple de la pharmacie mentionnée ci-dessus (qui a mis en œuvre les recommandations et perdu 30 000 $ en deux jours), il serait juste de dire que si les recommandations ne sont pas testées, cela pourrait entraîner une perte d'argent pour l'entreprise. Si l'on prend l'exemple d'un magasin de vêtements pour enfants de moins de 10 ans, il m'a fallu trois itérations de l'expérience sur une période de deux mois pour atteindre une croissance de chiffre d'affaires de +25% par rapport au groupe témoin.

Comment lancer les recommandations de produits

Si vous décidez d'essayer les recommandations de produits dans votre entreprise, je vous suggère de suivre ces étapes :

Créez une liste de campagne. Ouvrez votre propre site Web et essayez de comprendre dans quelles situations les recommandations pourraient être utiles à vos clients. À ce stade, je recommande de faire une sorte de « liste de souhaits » de tout ce que vous pensez pouvoir fonctionner, en commençant par des solutions simples, telles que des produits populaires sur la page d'accueil, jusqu'aux fenêtres contextuelles avec des recommandations personnelles lorsqu'un client souhaite quitter le site Web. Organisez l'ensemble d'hypothèses résultant en fonction de la portée. Plus il y a de personnes qui voient les recommandations, plus vite vous obtiendrez un résultat statistiquement significatif dans les tests. Pour créer une liste de campagnes, utilisez le Modèle de carte mentale Miro J'ai fourni ci-dessus.

Définir les métriques. Les métriques vous aideront à comprendre quels produits vous souhaitez recommander et à déterminer les critères de réussite. Mon conseil est de ne pas trop compliquer cette tâche au début. Regardez les revenus et la profondeur de la page (également connue sous le nom de « métrique proxy rapide »). Pour les recommandations hors ligne, il peut s'agir de revenus et d'une valeur de commande moyenne.

Montrez cette « liste de souhaits » aux développeurs ou aux représentants du service de recommandation de produits. Les développeurs pourront vous dire combien de temps prendra la mise en œuvre et les représentants du service vous indiqueront comment mettre en place rapidement les campagnes souhaitées. Dans des services comme Bloomreach, Klaviyo ou Mindbox, les campagnes les plus populaires sont fournies prêtes à l'emploi. Les retours de vos collègues vous permettront également d'ajuster le plan de lancement, certaines étapes pouvant être mises en place plus rapidement.

Assurez la gérabilité et la personnalisation. Vérifiez que vous serez en mesure de coordonner votre logique de recommandations sur différents points de contact et de la personnaliser pour mieux l'adapter à un segment de clientèle spécifique - c'est-à-dire les amateurs de marque, les achats importants, etc.

Téléchargez l'historique de l'interaction du client avec la marque et la gamme de produits vers le service de recommandation de produits. Les données des canaux en ligne et hors ligne ainsi que des applications mobiles vous permettront de générer de meilleures suggestions et de garantir un marketing uniforme à tous les points de contact. Si vous utilisez un CDP, vous pouvez également utiliser les données accumulées pour d'autres campagnes marketing.

Mettre en place un outil de test. Par exemple, vous pouvez utiliser Google Optimize pour les canaux en ligne et un groupe de contrôle pour les canaux hors ligne. La répartition des groupes principaux et de contrôle peut être 50/50, tandis que l'efficacité peut être évaluée par les revenus.

Surveillez la progression de l'expérience et ajustez les recommandations de produits si elles ne fonctionnent pas comme prévu. Cela peut prendre jusqu'à 2-3 mois avant que vous ne receviez les premiers résultats positifs, et certains widgets peuvent entraîner une baisse des revenus. Cependant, une fois que tout sera opérationnel, vous constaterez une augmentation de 5,5 % des revenus, comme l'a fait la boutique en ligne Incanto.