제품 추천은 2008년 Amazon이 소매점에 도입한 이후 점점 더 인기를 얻었으며 소매업체와 고객 모두에게 큰 가치를 제공할 수 있습니다. 과대광고로 인해 제품 추천과 관련된 때로는 위험한 신화가 많이 등장하게 되었습니다(주로 공급업체의 영업 및 마케팅 팀에서 만들어낸 것임). 즉, 제품 추천 솔루션이 완전히 자율적인 마법의 총알로 제시되어 웹사이트에 설치되자마자 수익을 증가시키는 것을 여전히 볼 수 있습니다.  실제로는 상황이 훨씬 더 복잡합니다. 제품 추천은 판매를 늘리고 전환을 망치는 두 가지 모두를 수행할 수 있습니다. 그리고 대부분의 무료 분석 도구가 오해를 불러일으켜 손실이 증가할 수 있기 때문에 그것의 부가가치를 측정하는 것은 어렵습니다.  이 기사에서는 소매업체가 제품 추천을 처리하는 동안 고려해야 할 가장 중요한 주제를 다루고 제품 추천을 최대한 활용하는 방법에 대한 몇 가지 구체적인 팁과 요령을 제공하려고 합니다.   도구가 아닌 워크플로우와 캠페인으로 시작하세요  상품추천은 고객에게 구매를 제안하는 상품의 모음입니다. 제품 추천은 영업 관리자의 태블릿이나 제품 카드 등 제품 제안이 표시되는 위치와 평균 주문 금액 증가, 전환율이나 수익 증가 등 기업의 목표에 따라 달라질 수 있습니다.  제품 권장 사항을 구현하기 전에 해당 권장 사항이 고객에게 어떤 워크플로에 유용할지 이해하는 것이 중요합니다. 전통적인 전자상거래 비즈니스에서 추천은 웹사이트의 다양한 부분에 표시되는 제품 카드처럼 보입니다. 예를 들어, 브랜드 웹사이트에서 티셔츠를 선택하면 다른 유사한 티셔츠도 추천되어 고객에게 보여지게 됩니다.  오프라인 추천은 POS를 통해 매장 직원, 영업 관리자에게 태블릿으로 표시될 수 있습니다. 제품 추천은 콜센터에도 유용할 수 있습니다. 고객이 전화하면 교환원은 고객의 구매 내역과 조회수를 바탕으로 상품을 추천할 수 있다.  동시에 제품 제안은 특정 비즈니스 목표나 고객 세그먼트 요구 사항에 더 잘 맞도록 항상 세부적으로 조정될 수 있습니다. 예를 들어 추천에는 할인이 있는 제품(UPT, 거래당 단위를 높이기 위해)만 표시하거나, 특정 브랜드(예: 가장 많은 이익을 창출하는 브랜드)에서 생산한 상품만 표시하거나, 할인된 제품만 표시할 수 있습니다. 재고가 많아요.  온라인 및 오프라인 추천의 모습은 다음과 같습니다.   온라인 채널  홈페이지 — 인기 제품  카탈로그에는 해당 카테고리의 인기 제품이 포함되어 있습니다.  제품 카드 - 관련 또는 유사 제품  장바구니 - 관련 제품 또는 고객이 가장 자주 구매하는 제품입니다.   오프라인 채널  콜센터 - 관련 제품 또는 자주 구매하는 제품  영업 관리자의 태블릿에서 베스트셀러 및 제품 컬렉션을 볼 수 있습니다.  POS에서 — 관련 또는 판촉 행사.   이러한 모든 사용 사례에서 중요한 것은 이상적으로 다양한 접점과 통신 채널에서 권장 사항이 일관되어야 한다는 것입니다. 고객이 프로모션 이메일, 전자 상거래 카탈로그를 통해 결과적으로 다른(또는 모순되는) 추천 제품 세트를 받고 주문 확인 중에 콜센터 담당자와 대화할 때 얻을 수 있는 경험을 상상해 보십시오. 그렇다면 고객 데이터 플랫폼(CDP) 또는 이와 유사한 접점 전반에 걸쳐 제품 추천 논리를 중앙에서 조정할 수 있는 솔루션을 고려해 볼 수 있습니다.  고객 여정의 다양한 단계에서 제품 추천 알고리즘 변형에도 동일한 논리가 적용됩니다. 즉, 제품 카트나 결제에서 더 저렴한 대안을 홍보하는 것은 그다지 의미가 없을 수 있습니다(아래에서 자세히 설명합니다).   제품 추천의 효율성을 평가하는 방법  제품 추천 상태와 구성의 다양한 조합은 다양한 방식으로 측정항목에 영향을 미칩니다. 이는 평균 주문 금액이나 수익과 같은 비즈니스 지표를 보든, 페이지 깊이, 클릭률, 제품이 즐겨찾기에 추가된 횟수와 같은 프록시(또는 중개) 지표를 보든 마찬가지입니다. 고객의 장바구니로 이동합니다.  홈페이지에 할인이 적용되는 인기 상품은 평균 주문 금액을 낮추는 대신 전환율을 높일 수 있습니다. 상품카드에서 유사하고 더 비싼 상품을 추천하면 전환율은 낮아지지만, 평균 주문금액과 전체 수익은 증가할 수 있습니다.  프록시 측정항목(예: 조회수)에 대한 정보는 더 빨리 수집되지만 이것이 항상 비즈니스 성공을 의미하는 것은 아닙니다. 예를 들어, 한 약국 소매업체는 웹사이트에서 시작한 실험의 일환으로 구매할 때마다 제품 수를 늘리기 위해 장바구니 페이지에 제품 추천을 추가했습니다. 이틀 간의 테스트 동안 회사는 대조군에 비해 30,000달러의 손실을 입었습니다. 고객은 추천의 제품 카드 페이지를 방문하기 위해 장바구니를 포기하기 시작했고 주문을 완료하는 것을 잊어버린 것으로 나타났습니다. 페이지 깊이가 증가하는 것을 확인했지만 결국 전체 수익은 감소했습니다.   제품 추천의 영향을 가장 많이 받는 지표는 다음과 같습니다.   비즈니스 지표  수익  이익  주문으로의 전환  평균 주문 금액  주문한 제품 수   프록시 측정항목  방문 깊이  세션 기간  이탈률  제품 카드 조회수  장바구니, 위시리스트 또는 비교 목록에 추가된 항목  제품 추천 캠페인 목록을 작성하는 작업을 단순화하려면 다음을 복제하는 것이 좋습니다.  귀하의 비즈니스에 도움이 될 솔루션을 브레인스토밍합니다. 예시로 몇 가지 옵션을 추가했습니다.    미로보드   제품 추천을 개인화하는 방법  상품 추천 목록을 결정하고 목표 지표를 설정한 후에는 상품 추천의 품질을 최적화하는 방법에 대해 생각해야 합니다. 제품 추천은 고객에게 가장 유용한 항목을 제안하는 데 도움이 되어야 합니다. 이를 위해서는 제품 제안이 다음 요소를 기반으로 해야 합니다.  비즈니스 목표 — 매출 성장, 수익성, 평균 주문 금액, UPT 및 판매량  고객 행동 - 검색 기록, 장바구니에 추가된 항목 및 즐겨찾기, 온라인 및 오프라인 구매 내역  다른 유사한 고객의 고객 행동.  이러한 방식으로 비즈니스와 고객의 이익을 고려하여 제품 제안이 구성됩니다. 더 많은 데이터를 고려할수록 제안이 더 정확해집니다. 고객이 오프라인에서 셔츠를 구매한 경우 같은 셔츠를 구매한 다른 고객이 이 바지를 좋아했기 때문에 모바일 앱에서 어울리는 바지를 추천해 줍니다.  흔히 발생하는 일이지만 고객과 브랜드 및 제품 범위의 상호 작용 내역은 ERP 소프트웨어의 오프라인 판매, Shopify와 같은 온라인 판매, 다른 시스템의 고객 작업(예: 위시리스트에 항목 추가) 등 여러 시스템에 저장됩니다. 플랫폼. 이 경우, 방금 웹사이트를 방문한 고객이 이미 한 시간 전에 오프라인 구매를 했다는 사실을 우리는 알 수 없습니다.  예를 들어, 매주 전체 청중에게 이메일 폭발을 보내는 데 사용되었습니다. 온라인 구매 내역, 오프라인 구매 내역, 이메일, SMS, 웹 푸시 알림 등이 모두 서로 다른 시스템에 저장되었습니다.   악어 동유럽  결과적으로 마케팅 담당자는 구매 내역을 고려한 캠페인을 보낼 수 있는 단일 데이터 소스에 액세스할 수 없었습니다. 예를 들어 고객은 전날 구매한 Crocs를 추천하는 이메일을 받을 수 있습니다. 분석의 황금률 중 하나는 "Garbade in - Garbade out"과 같습니다. 이는 일관되지 않거나 불완전한 데이터를 알고리즘에 제공하면 만족스럽지 못한 결과를 얻을 가능성이 높다는 것을 의미합니다. 여기에는 (아직) 마법이 없습니다.  이 문제를 해결하려면 데이터를 단일 시스템에 중앙 집중화해야 합니다. 축적된 데이터를 마케팅 활동에 활용할 수 있는 저장소를 개발하는 것은 가능하지만 비용이 많이 듭니다. 이러한 병목 현상을 해결하는 가장 최근의 방법은 고객 데이터 플랫폼이라는 기술 클래스입니다. 다양한 산업 분야에 바로 사용할 수 있는 광범위한 솔루션을 제공합니다.  이 기술을 통해 기업은 무제한의 소스에서 고객 행동에 대한 데이터를 자동으로 업로드하고, 데이터를 정리 및 통합하고, 브랜드와의 고객 상호 작용에 대한 전체 기록을 얻을 수 있으며, 이를 기반으로 제품 추천을 포함한 마케팅 캠페인을 시작할 수 있습니다.  축적된 데이터는 머신러닝 알고리즘을 훈련하는데도 사용될 수 있습니다. 수만 명의 고객을 보유한 기업이라도 기계 학습의 이점을 누릴 수 있을 만큼 3~4개월 안에 충분한 데이터를 축적합니다(이 기간 동안 생성된 고객 활동 기록은 약 백만 건). 알고리즘은 고객의 관심사에 대한 프로필을 생성하고, 유사한 사용자를 찾고, 그들이 구매한 제품을 기반으로 고객이 구매하고 싶어할 만한 다른 제품을 추천합니다. 이것이 바로 방법이다  .   개인 추천은 Tom Tailor 패션 브랜드에서 작동합니다.  중앙화의 또 다른 이점은 응집력 있는 옴니채널 마케팅입니다. 이는 온라인 채널이 오프라인 품목의 인기도를 고려하고, 웹사이트와 캠페인의 제품 추천이 동기화되는 것입니다. 따라서 데이터 중앙화는 제품 추천의 품질을 크게 향상시킵니다.  제품 추천을 제공하는 서비스가 많이 있습니다. 이들 기능은 알고리즘 수, 제품 권장 사항을 사용자 정의할 수 있는지 여부, 권장 사항의 효율성을 측정하기 위해 제공하는 도구, 권장 사항 매트릭스를 구축하기 위해 데이터를 업로드하는 데 사용할 수 있는 소스에 따라 다릅니다.  ,  , 그리고  ML 솔루션을 통해 제품 추천을 세부적으로 조정하고 온라인, 오프라인, 모바일 앱의 데이터를 고려할 수 있는 기술을 기업에 제공합니다.   블룸리치   소식통   마인드박스   제품 추천의 효율성을 평가하는 방법  성능 측정 도구는 권장 사항이 사용되는 채널에 따라 다릅니다. 동시에 채널에 관계없이 원리는 동일합니다. 고객은 두 그룹으로 나뉩니다. 한 그룹은 추천을 받고 두 번째 그룹은 추천을 받지 않습니다. 추천을 받은 그룹의 매출이 더 높으면 고객은 추천이 유용하다고 생각한 것입니다.   온라인 채널  온라인으로 테스트할 때는 Google의  도구. 무료이며, 실험을 설정하는 데 몇 가지 단계만 거치고, 테스트를 만드는 데 프로그래밍 기술이 필요하지 않습니다.   최적화  이미 Google Analytics를 사용하고 있다면 Optimize에서는 전자상거래 데이터를 사용하여 실험 효율성을 평가할 수 있습니다. 웹사이트의 한 변형은 변경 사항이 없는 원래 버전인 반면, 다른 변형은 고객을 위한 제품 권장 사항을 표시합니다. 각 개별 위젯에 대해 데이터가 섞이지 않도록 실험을 설정해야 합니다. 그렇지 않으면 어떤 특정 추천 위젯이 도움이 되고 어떤 위젯이 도움이 되지 않는지 알 수 없게 됩니다.  , 제품 추천을 구현한 후 수익이 5.5% 증가했습니다.    란제리, 수영복 매장 인칸토(Incanto)  이메일 캠페인의 실험도 비슷한 방식으로 구성됩니다. 수신자 중 한 부분은 권장 사항이 포함된 이메일을 받고 다른 부분은 권장 사항이 없는 이메일을 받습니다. A/B 테스트는 거의 모든 이메일 마케팅 플랫폼에서 사용할 수 있습니다.   오프라인 채널  통제 그룹을 대상으로 한 오프라인 A/B 테스트는 온라인 테스트와 동일한 원리에 따라 작동합니다. 이는 콜센터 내에서 제품 추천을 테스트할 때 수행할 수 있습니다. 전화가 걸려오면 교환원의 소프트웨어는 CDP에 요청을 보냅니다. CDP의 청중은 이미 두 그룹으로 나뉘어져 있습니다. 절반의 경우 플랫폼은 운영자 화면에 제품 추천을 표시합니다. 다른 경우에는 권장 사항이 제공되지 않습니다. 그런 다음 CDP에 내장된 보고서를 기반으로 두 그룹의 행동을 비교하여 고객이 더 많이 구매한 곳을 결정합니다. 계산원이 고객에게 절반만 메시지를 표시하는 권장 사항을 볼 때 POS 소프트웨어에도 동일한 접근 방식을 적용할 수 있습니다.   제품 추천이 유용하지 않은 경우  도구로서의 제품 추천은 고객에게 제품 범위를 소개하기 위해 Amazon Corporation에서 개발했습니다. 자동 제품 추천은 제품 범위가 100개 미만인 브랜드에는 유용하지 않습니다. 이 경우 알고리즘에는 선택할 수 있는 제품이 충분하지 않습니다. 따라서 권장 사항은 CMS에서 수동으로 한 번 구성할 수 있습니다. 이는 타사 기술을 구입할 필요가 없기 때문에 더 저렴할 뿐만 아니라 일단 권장 사항이 구성되면 이를 지원할 필요가 없기 때문에 더 쉽습니다.  그러나 통제 그룹에서 테스트되지 않은 권장 사항의 경우 상황이 다릅니다. 위에서 언급한 약국(권장 사항을 구현하고 이틀 만에 30,000달러 손실)의 예를 사용하면 권장 사항을 테스트하지 않으면 회사가 손실을 입을 수 있다고 말하는 것이 타당할 것입니다. 10세 미만 어린이를 위한 의류 매장을 예로 들면, 통제 그룹에 비해 +25%의 수익 성장을 달성하기 위해 두 달 동안 세 번의 실험 반복이 필요했습니다.   제품 추천을 시작하는 방법  귀하의 비즈니스에서 제품 추천을 시도하기로 결정했다면 다음 단계를 따르시기 바랍니다.    자신의 웹사이트를 열고 어떤 상황에서 추천이 고객에게 유용할 수 있는지 이해하려고 노력하세요. 이 단계에서는 홈페이지의 인기 제품과 같은 간단한 솔루션부터 고객이 웹사이트를 떠나고 싶어할 때 개인적인 권장 사항이 포함된 팝업까지, 효과가 있을 수 있다고 생각하는 모든 것에 대한 일종의 "위시 리스트"를 만드는 것이 좋습니다. 도달 범위에 따라 결과 가설 세트를 정렬합니다. 권장 사항을 보는 사람이 많을수록 테스트에서 통계적으로 유의미한 결과를 더 빨리 얻을 수 있습니다. 캠페인 목록을 만들려면 다음을 사용하세요.  위에서 제공했습니다. 캠페인 목록을 만듭니다.   미로 마인드맵 템플릿    측정항목은 어떤 제품을 추천하고 싶은지 이해하고 성공 기준을 결정하는 데 도움이 됩니다. 내 조언은 처음부터 이 작업을 지나치게 복잡하게 만들지 말라는 것입니다. 수익과 페이지 심도("빠른 프록시 측정항목"이라고도 함)를 살펴보세요. 오프라인 추천의 경우 수익과 평균 주문 금액이 될 수 있습니다. 측정항목을 정의합니다.    . 개발자는 구현에 소요되는 시간을 알려줄 수 있으며, 서비스 담당자는 원하는 캠페인을 신속하게 설정하는 방법을 알려줄 것입니다. Bloomreach, Klaviyo 또는 Mindbox와 같은 서비스에서는 가장 인기 있는 캠페인이 즉시 제공됩니다. 동료의 피드백을 통해 출시 계획을 조정할 수도 있습니다. 특정 단계를 더 빠르게 구현할 수 있습니다. 이 '위시리스트'를 상품 추천 서비스 개발자나 담당자에게 보여주세요    다양한 접점에서 추천 로직을 조정할 수 있는지 확인하고 특정 고객 부문(예: 브랜드 애호가, 대량 구매 등)에 더 적합하도록 맞춤화할 수 있는지 확인하세요. 관리 용이성과 사용자 정의 가능성을 보장합니다.    . 온라인 및 오프라인 채널과 모바일 앱의 데이터를 통해 모든 접점에서 더 나은 제안을 생성하고 통일된 마케팅을 보장할 수 있습니다. CDP를 이용하시면 축적된 데이터를 다른 마케팅 캠페인에도 활용하실 수 있습니다. 고객과 브랜드 및 제품군과의 상호작용 이력을 상품 추천 서비스에 업로드합니다    예를 들어 온라인 채널에는 Google 최적화 도구를 사용하고 오프라인 채널에는 통제 그룹을 사용할 수 있습니다. 주 그룹과 통제 그룹의 분포는 50/50일 수 있으며 효율성은 수익으로 평가할 수 있습니다. 테스트 도구를 설정합니다.    하고 제품 권장 사항이 예상대로 작동하지 않으면 조정하세요. 첫 번째 성공적인 결과를 받기까지 최대 2~3개월이 걸릴 수 있으며, 일부 위젯의 경우 수익 감소가 발생할 수 있습니다. 그러나 일단 모든 것이 정상화되면 Incanto 온라인 스토어와 마찬가지로 수익이 5.5% 증가하는 것을 볼 수 있습니다. 실험 진행 상황을 모니터링

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

이 오디오는 이야기의 원래 언어로 제작되었습니다!

상품추천제도 시행시기 및 방법

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

텔레그램: 크립토 아일랜드에서 본토로 연결되는 다리

보이지 않는 레이어: 사용자 인터뷰가 대체할 수 없는 자산인 이유

독특한 생태계를 강화하는 비트코인 UTXO 모델

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

텔레그램: 크립토 아일랜드에서 본토로 연결되는 다리

보이지 않는 레이어: 사용자 인터뷰가 대체할 수 없는 자산인 이유

독특한 생태계를 강화하는 비트코인 UTXO 모델

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps