As recomendações de produtos tornaram-se cada vez mais populares após sua introdução no varejo pela Amazon em 2008 e podem fornecer um grande valor tanto para os varejistas quanto para seus clientes. O hype levou ao surgimento de muitos mitos às vezes perigosos associados a recomendações de produtos (criados principalmente pelas equipes de vendas e marketing do fornecedor). Ou seja, você ainda pode ver a solução de recomendação de produto sendo apresentada como uma bala mágica totalmente autônoma, que aumentaria seus lucros logo após ser instalada no site.  Na realidade, as coisas são bem mais complicadas. As recomendações de produtos podem fazer as duas coisas - aumentar suas vendas e arruinar a conversão. E é um desafio medir o valor agregado disso, porque a maioria das ferramentas analíticas gratuitas pode enganá-lo aqui, resultando em aumento de perdas.  Neste artigo, tentarei cobrir os tópicos mais essenciais que precisam ser considerados por um varejista ao lidar com recomendações de produtos e fornecer algumas dicas e truques específicos sobre como aproveitar ao máximo a recuperação de seu produto.   Comece com fluxos de trabalho e campanhas, não com as ferramentas  As recomendações de produtos são coleções de itens propostos aos clientes para compra. As recomendações de produtos podem diferir dependendo de onde a sugestão de produto é exibida, por exemplo, um tablet do gerente de vendas ou um cartão de produto, e os objetivos do negócio, por exemplo, um aumento no valor médio do pedido ou um aumento na conversão ou receita.  Antes de implementar recomendações de produtos, é crucial entender em quais fluxos de trabalho elas serão úteis para o cliente. No comércio eletrônico clássico, as recomendações se parecem com cartões de produtos exibidos em várias partes do site. Por exemplo, a escolha de uma camiseta no site de uma marca implicará na recomendação e apresentação de outras camisetas semelhantes ao cliente.  Recomendações offline podem ser mostradas no PDV para um funcionário da loja, um gerente de vendas em seu tablet. As recomendações de produtos também podem ser úteis para um call center. Quando um cliente liga, a operadora pode sugerir produtos com base no histórico de compras e nas visualizações do cliente.  Ao mesmo tempo, as sugestões de produtos sempre podem ser ajustadas para melhor atender às metas de negócios específicas ou às necessidades de um segmento de público. Por exemplo, as recomendações podem exibir apenas produtos com desconto (para aumentar o UPT, unidade por transação), apenas produtos produzidos por uma marca específica (por exemplo, a que gera mais lucro) ou apenas produtos que você tem muito em estoque.  Aqui estão alguns exemplos de como podem ser as recomendações online e offline:   Canais online  Na página inicial — produtos populares;  No catálogo — produtos populares da categoria;  No cartão do produto — produtos relacionados ou similares;  No carrinho — produtos relacionados ou comprados com mais frequência pelos clientes.   Canais off-line  No call center — produtos relacionados ou comprados com frequência;  No tablet do gerente de vendas — best-sellers e coleções de produtos;  No PDV — ofertas relacionadas ou promocionais.   O que é crucial em todos esses casos de uso - idealmente, suas recomendações devem ser consistentes nos diferentes pontos de contato e canais de comunicação. Imagine a experiência que seus clientes podem ter ao receber diferentes (ou mesmo contraditórios) conjuntos de produtos recomendados consequentemente em seu e-mail promocional, catálogo de comércio eletrônico e ao conversar com um representante de call center durante a confirmação do pedido. Se for o caso, você pode considerar uma solução, permitindo que você orquestre centralmente sua lógica de recomendação de produto nos pontos de contato - ou seja, uma plataforma de dados do cliente (CDP) ou similar.  A mesma lógica se aplica a variantes de algoritmos de recomendação de produtos em diferentes estágios da jornada do cliente - ou seja, pode não fazer muito sentido promover alternativas mais baratas no carrinho de produtos ou na finalização da compra (abordaremos isso com mais detalhes abaixo).   Como avaliar a eficiência das recomendações de produtos  Diferentes combinações de estado e composição de recomendações de produtos afetam as métricas de várias maneiras. Isso é verdade quer você esteja analisando as métricas de negócios, como o valor médio do pedido ou a receita, ou as métricas proxy (ou intermediárias), como a profundidade da página, a taxa de cliques e o número de vezes que os produtos foram adicionados aos favoritos ou ao carrinho do cliente.  Produtos populares com desconto na página inicial podem reduzir o valor médio do pedido, mas aumentam a taxa de conversão. A recomendação de produtos similares e mais caros no cartão de produtos pode reduzir a taxa de conversão, mas aumentar o valor médio do pedido e o lucro geral.  Informações sobre métricas de proxy (como visualizações) são coletadas mais rapidamente, no entanto, nem sempre significam o sucesso do negócio. Por exemplo, um varejista de farmácia, como parte do experimento que lançamos em seu site, adicionou recomendações de produtos à página do carrinho para aumentar o número de produtos em cada compra. Durante dois dias de testes, a empresa perdeu US$ 30.000 em relação ao grupo de controle. Descobriu-se que os clientes começaram a abandonar o carrinho para visitar as páginas do cartão de produto das recomendações e se esqueceram de concluir seus pedidos. Vimos o aumento da profundidade da página, mas, no final, a receita geral diminuiu.   Estas são as métricas mais afetadas pelas recomendações de produtos:   Métricas de negócios  Receita  Lucro  Conversão para um pedido  Valor médio do pedido  Quantidade de produtos no pedido   Métricas proxy  Profundidade da visita  Duração da sessão  taxa de rejeição  Visualizações de cartão de produto  Item adicionado ao carrinho, lista de desejos ou lista de comparação  Para simplificar a tarefa de compilar uma lista de campanhas de recomendação de produtos, sugiro clonar este  e soluções de brainstorming que serão úteis para o seu negócio. Eu adicionei algumas opções lá como um exemplo.    placa de miro   Como personalizar recomendações de produtos  Depois de determinar a lista de recomendações de produtos e definir as métricas de destino, você precisa pensar em como otimizar a qualidade de suas recomendações de produtos. As recomendações de produtos devem ajudar a sugerir os itens mais úteis para os clientes. Para isso, as sugestões de produtos devem se basear nos seguintes fatores:  Metas de negócios — crescimento de receita, lucratividade, valor médio do pedido, UPT e volumes de vendas;  Comportamento do cliente — histórico de navegação, itens adicionados ao carrinho e favoritos, histórico de compras online e offline;  Comportamento do cliente de outros clientes semelhantes.  Desta forma, as sugestões de produtos serão formuladas tendo em conta os interesses do negócio e do cliente. Quanto mais dados forem levados em consideração, mais precisas serão as sugestões. Se o cliente comprou uma camisa off-line, o aplicativo móvel recomendará calças combinando, porque outros clientes que compraram a mesma camisa adoraram essas calças.  Como costuma acontecer, o histórico da interação do cliente com a marca e a linha de produtos são armazenados em vários sistemas: vendas off-line em software ERP, vendas on-line em algo como Shopify e ações do cliente (por exemplo, adicionar itens a listas de desejos) em outro plataforma. Nesse caso, podemos não saber que o cliente que acabou de retornar ao site já fez uma compra offline há uma hora.  , por exemplo, costumava enviar e-mails para todo o público semanalmente. Histórico de compras online, compras offline, e-mails, SMS e notificações push da web foram todos armazenados em sistemas diferentes.   Crocs Leste Europeu  Como resultado, seus profissionais de marketing não tinham acesso a uma única fonte de dados que lhes permitisse enviar campanhas que levassem em consideração o histórico de compras. Os clientes podem receber e-mails que, por exemplo, recomendam Crocs que eles compraram no dia anterior. Uma das regras de ouro da análise soa como “Garbade in - Garbade out”, o que significa que, se você alimentar seu algoritmo com dados inconsistentes ou incompletos, provavelmente também receberá resultados insatisfatórios. Não há mágica aqui (ainda).  Para resolver esse problema, os dados devem ser centralizados em um único sistema. É possível desenvolver um repositório que permita que os dados acumulados sejam utilizados em atividades de marketing, mas isso é caro. A maneira mais recente de resolver esse gargalo é a classe de tecnologias denominada Customer Data Platforms. Eles fornecem um escopo completo de soluções prontas para uso para diferentes setores.  A tecnologia permite que as empresas carreguem automaticamente dados sobre o comportamento do cliente de um número ilimitado de fontes, limpem e unifiquem dados e obtenham um histórico completo das interações do cliente com a marca, com base no qual você pode lançar campanhas de marketing, incluindo recomendações de produtos.  Os dados acumulados também podem ser usados para treinar algoritmos de aprendizado de máquina. Mesmo as empresas com dezenas de milhares de clientes acumulam dados suficientes em 3 a 4 meses (com aproximadamente um milhão de registros de ação do cliente gerados durante esse período) para se beneficiar do aprendizado de máquina. Os algoritmos criam um perfil dos interesses do cliente, encontram usuários semelhantes e, com base no que compraram, recomendam ao cliente outros produtos que ele possa querer comprar. É exatamente assim  .   trabalho de recomendações pessoais na marca de moda Tom Tailor  Outro bônus da centralização é o marketing omnichannel coeso. É quando os canais online levam em consideração a popularidade dos itens offline e as recomendações de produtos no site e nas campanhas são sincronizadas. Assim, a centralização de dados aumenta significativamente a qualidade das recomendações de produtos.  Existem muitos serviços que oferecem recomendações de produtos. Seus recursos diferem no número de algoritmos, se permitem personalizar recomendações de produtos ou não, nas ferramentas que oferecem para medir a eficiência das recomendações e nas fontes disponíveis para carregar os dados para construir uma matriz de recomendação.  ,  , e  fornecer às empresas tecnologias que lhes permitam ajustar recomendações de produtos com soluções de ML e levar em consideração dados de aplicativos móveis, offline e online.   Bloomreach   Insider   Mindbox   Como avaliar a eficiência das recomendações de produtos  As ferramentas de medição de desempenho diferem dependendo do canal em que as recomendações são usadas. Ao mesmo tempo, independentemente do canal, o princípio é o mesmo. Os clientes são divididos em dois grupos. Um grupo recebe recomendações, enquanto o segundo não. Se as vendas forem maiores no grupo que recebe recomendações, os clientes consideraram as recomendações úteis.   Canais Online  Ao testar on-line, recomendo usar o Google  ferramenta. É gratuito, são necessários apenas alguns passos para configurar o experimento e não requer habilidades de programação para criar o teste.   otimizar  Se você já trabalha com o Google Analytics, o Optimize pode usar dados de comércio eletrônico para avaliar a eficiência do experimento. Uma variante do site será a versão original sem nenhuma alteração, enquanto a outra variante exibirá recomendações de produtos para os clientes. Para cada widget individual, você precisa configurar seu experimento, certificando-se de que os dados não se misturem, caso contrário, você não saberá qual widget de recomendação específico ajuda e qual não.  , obteve um aumento de 5,5% na receita após a implementação das recomendações de produtos.    Incanto, loja de lingerie e moda praia  As experiências em campanhas de e-mail são configuradas de maneira semelhante. Uma parte dos destinatários recebe e-mails com recomendações e outra sem. Os testes A/B estão disponíveis em praticamente todas as plataformas de email marketing.   Canais off-line  Um teste A/B offline com um grupo de controle funciona com base no mesmo princípio de um teste online. Isso pode ser feito ao testar recomendações de produtos em uma central de atendimento. Quando uma chamada é realizada, o software da operadora envia uma solicitação ao CDP, onde a audiência já está dividida em dois grupos. Em metade dos casos, a plataforma exibe recomendações de produtos na tela do operador. Em outros casos, nenhuma recomendação é fornecida. Em seguida, com base no relatório integrado do CDP, o comportamento de ambos os grupos é comparado para determinar onde os clientes fizeram mais compras. A mesma abordagem pode ser aplicada com o software POS quando o caixa vê recomendações para avisar o cliente apenas na metade do tempo.   Quando as recomendações de produtos não são úteis  As recomendações de produtos como uma ferramenta foram inventadas pela Amazon Corporation para apresentar aos clientes uma gama de produtos. As recomendações automatizadas de produtos não são úteis para marcas com uma linha de produtos com menos de 100 produtos. Nesse caso, os algoritmos simplesmente não terão produtos suficientes para escolher. Portanto, as recomendações podem ser configuradas uma vez manualmente no CMS. Isso não apenas será mais barato, pois não há necessidade de comprar tecnologia de terceiros, mas também mais fácil, pois uma vez que as recomendações estejam configuradas, não haverá necessidade de suportá-las.  No entanto, a situação é diferente quando se trata de recomendações que não foram testadas em um grupo controle. Usando o exemplo da farmácia mencionada acima (que implementou as recomendações e perdeu $ 30.000 em dois dias), seria justo dizer que, se as recomendações não forem testadas, a empresa poderá perder dinheiro. Se tomarmos o exemplo de uma loja de roupas para crianças com menos de dez anos, levei três iterações do experimento em um período de dois meses para atingir um crescimento de receita de +25% em relação ao grupo de controle.   Como lançar recomendações de produtos  Se você decidir experimentar as recomendações de produtos em sua empresa, sugiro que siga estas etapas:    Abra seu próprio site e tente entender em quais situações as recomendações podem ser úteis para seus clientes. Nesta fase, recomendo fazer uma espécie de “lista de desejos” de tudo o que você acha que pode funcionar, desde soluções simples, como produtos populares na página inicial, até pop-ups com recomendações pessoais quando um cliente deseja sair do site. Organize o conjunto resultante de hipóteses de acordo com o alcance. Quanto mais pessoas virem as recomendações, mais rápido você obterá um resultado estatisticamente significativo nos testes. Para criar uma lista de campanhas, use o  Eu forneci acima. Crie uma lista de campanha.   Modelo de mapa mental do Miro    As métricas ajudarão você a entender quais produtos deseja recomendar e determinar os critérios de sucesso. Meu conselho é não complicar demais essa tarefa no começo. Observe a receita e a profundidade da página (também conhecida como “métrica de proxy rápido”). Para recomendações off-line, pode ser a receita e o valor médio do pedido. Defina métricas.    ou representantes do serviço de recomendação de produtos. Os desenvolvedores poderão informar quanto tempo levará a implementação e os representantes do serviço informarão como configurar rapidamente as campanhas desejadas. Em serviços como Bloomreach, Klaviyo ou Mindbox, as campanhas mais populares são fornecidas prontas para uso. O feedback de seus colegas também permitirá que você ajuste o plano de lançamento - certas etapas podem ser implementadas mais rapidamente. Mostre esta “lista de desejos” aos desenvolvedores    Verifique se você será capaz de coordenar sua lógica de recomendações em diferentes pontos de contato e personalizá-la para melhor atender a algum segmento de cliente específico - ou seja, amantes da marca, compras pesadas e assim por diante. Garanta capacidade de gerenciamento e personalização.    para o serviço de recomendação de produtos. Dados de canais online e offline, bem como aplicativos móveis, permitirão gerar melhores sugestões e garantir um marketing uniforme em todos os pontos de contato. Se você usar um CDP, também poderá usar os dados acumulados para outras campanhas de marketing. Carregue o histórico de interação do cliente com a marca e a gama de produtos    Por exemplo, você pode usar o Google Optimize para canais online e um grupo de controle para canais offline. A distribuição dos grupos principal e de controle pode ser 50/50, enquanto a eficiência pode ser avaliada pela receita. Configure uma ferramenta de teste.    e ajuste as recomendações do produto caso não funcionem conforme o esperado. Pode levar de 2 a 3 meses para você receber os primeiros resultados bem-sucedidos, e alguns widgets podem causar uma diminuição na receita. No entanto, quando tudo estiver funcionando, você verá um aumento de 5,5% na receita, como a loja on-line da Incanto. Monitore o progresso do experimento

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

Read My Stories

Este áudio é produzido no idioma original da história!

Muito longo; Para ler

Download free Tech Leaders Productivity Report!

Quando e como implementar o sistema de recomendação de produtos

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps