Ürün Öneri Sistemi Ne Zaman ve Nasıl Uygulanır?

Ürün önerileri, 2008 yılında Amazon'un perakende sektörüne girmesinden sonra giderek daha popüler hale geldi ve hem perakendeciler hem de müşterileri için büyük bir değer sağlayabilir. Bu abartılı reklam, ürün önerileriyle ilgili (çoğunlukla satıcının satış ve pazarlama ekipleri tarafından yaratılan) bazen tehlikeli olabilecek birçok efsanenin ortaya çıkmasına yol açtı. Yani, ürün tavsiye çözümünün, web sitesine yüklendikten hemen sonra kişinin karını artıracak tamamen özerk bir sihirli değnek olarak sunulduğunu hala görebilirsiniz.

Gerçekte ise işler çok daha karmaşıktır. Ürün önerileri hem satışlarınızı artırabilir hem de dönüşümü bozabilir. Ve bunun katma değerini ölçmek zordur çünkü çoğu ücretsiz analitik araç sizi burada yanıltabilir ve kayıpların artmasına neden olabilir.

Bu makalede, bir perakendecinin ürün önerilerini değerlendirirken dikkate alması gereken en önemli konuları ele almaya çalışacağım ve ürün incelemenizden en iyi şekilde nasıl yararlanabileceğiniz konusunda bazı özel ipuçları ve püf noktaları sunacağım.

Araçlarla değil, iş akışları ve kampanyalarla başlayın

Ürün önerileri, müşterilere satın alınmaları önerilen öğelerin koleksiyonudur. Ürün önerileri, ürün önerisinin görüntülendiği yere (örneğin satış yöneticisinin tableti veya ürün kartı) ve işletmelerin hedeflerine (örneğin ortalama sipariş değerindeki artış veya dönüşüm veya gelirdeki artış) bağlı olarak farklılık gösterebilir.

Ürün önerilerini uygulamaya koymadan önce bunların müşteri için hangi iş akışlarında faydalı olacağını anlamak çok önemlidir. Klasik e-ticaret işinde öneriler, web sitesinin çeşitli yerlerinde görüntülenen ürün kartlarına benzer. Örneğin, bir markanın web sitesinde bir tişört seçmek, müşteriye diğer benzer tişörtlerin önerilmesini ve gösterilmesini gerektirecektir.

Çevrimdışı öneriler POS'ta bir mağaza çalışanına, bir satış müdürüne tabletlerinde gösterilebilir. Ürün önerileri aynı zamanda çağrı merkezi için de yararlı olabilir. Bir müşteri aradığında operatör, müşterinin satın alma geçmişine ve görüşlerine göre ürünler önerebilir.

Aynı zamanda ürün önerileri, belirli iş hedeflerine veya hedef kitle segmentinin ihtiyaçlarına daha iyi uyacak şekilde her zaman ince ayar yapılabilir. Örneğin, öneriler yalnızca indirimli ürünleri (UPT'yi (işlem başına birim) artırmak için), yalnızca belirli bir markanın ürettiği ürünleri (örneğin, en çok kâr getiren marka) veya yalnızca indirimli ürünleri görüntüleyebilir. stokta çok var.
Çevrimiçi ve çevrimdışı önerilerin nasıl görünebileceğine dair bazı örnekler:

Çevrimiçi kanallar

• Ana sayfada — popüler ürünler;

• Katalogda — kategorideki popüler ürünler;

• Ürün kartında ilgili veya benzer ürünler;

• Sepetteki ilgili ürünler veya müşteriler tarafından en sık satın alınan ürünler.

  
  

Çevrimdışı kanallar

• Çağrı merkezinde ilgili veya sık satın alınan ürünler;

• Satış yöneticisinin tabletinde — en çok satanlar ve ürün koleksiyonları;

• POS'ta ilgili veya promosyon teklifleri.

  
  

Tüm bu kullanım durumlarında önemli olan, ideal olarak önerilerinizin farklı temas noktaları ve iletişim kanalları genelinde tutarlı olmasıdır. Müşterilerinizin, promosyon e-postanızda, e-ticaret kataloğunuzda farklı (veya hatta çelişkili) önerilen ürün setleri alırken ve sipariş onayı sırasında bir çağrı merkezi temsilcisiyle konuşurken yaşayabilecekleri deneyimi hayal edin. Böyle bir durumda, ürün öneri mantığınızı temas noktaları arasında merkezi olarak düzenlemenizi sağlayacak bir çözümü (örneğin, Müşteri Veri Platformu (CDP) veya benzeri) düşünebilirsiniz.

Aynı mantık, müşteri yolculuğunun farklı aşamalarındaki ürün öneri algoritması çeşitleri için de geçerlidir; yani ürün sepetinde veya ödeme sayfasında daha ucuz alternatifleri tanıtmak pek mantıklı olmayabilir (bu konuyu aşağıda daha ayrıntılı olarak ele alacağız).

Ürün Önerilerinin Verimliliği Nasıl Değerlendirilir?

Ürün önerilerinin durum ve bileşiminin farklı kombinasyonları, metrikleri çeşitli şekillerde etkiler. İster ortalama sipariş değeri veya gelir gibi iş metriklerine, ister sayfa derinliği, tıklama oranı ve ürünlerin favorilere eklenme sayısı veya müşterinin sepetine.

Ana sayfada indirim bulunan popüler ürünler ortalama sipariş değerini azaltabilir ancak bunun yerine dönüşüm oranını artırabilir. Ürün kartında benzer, daha pahalı ürünlerin önerilmesi dönüşüm oranını azaltabilir ancak ortalama sipariş değerini ve genel kârı artırabilir.

Proxy metriklerine ilişkin bilgiler (görüntülemeler gibi) daha hızlı toplanır, ancak bu her zaman iş başarısı anlamına gelmez. Örneğin bir eczane perakendecisi, web sitesinde başlattığımız denemenin bir parçası olarak, her satın alma işleminde ürün sayısını artırmak amacıyla sepet sayfasına ürün önerileri ekledi. İki günlük test sırasında şirket, kontrol grubuna göre 30.000 dolar kaybetti. Müşterilerin, tavsiyelerden ürün kartı sayfalarına gitmek için sepeti terk etmeye başladığı ve siparişlerini tamamlamayı unuttuğu ortaya çıktı. Sayfa derinliğinin arttığını gördük ama sonuçta genel gelir azaldı.

Ürün önerilerinden en çok etkilenen metrikler şunlardır:

İş metrikleri

• Hasılat
• Kâr
• Siparişe dönüştürme
• Ortalama sipariş değeri
• Siparişteki ürün sayısı

Proxy metrikleri

• Ziyaret derinliği
• Oturum süresi
• Çıkma Oranı
• Ürün kartı görünümleri
• Ürün sepete, istek listesine veya karşılaştırma listesine eklendi

Ürün öneri kampanyalarının bir listesini derleme görevini basitleştirmek için bunu klonlamanızı öneririm Miro kurulu ve işletmeniz için yararlı olacak çözümler üzerine beyin fırtınası yapın. Örnek olarak oraya birkaç seçenek ekledim.

Ürün Önerileri Nasıl Kişiselleştirilir?

Ürün önerileri listesini belirledikten ve hedef metrikleri belirledikten sonra ürün önerilerinizin kalitesini nasıl optimize edeceğinizi düşünmeniz gerekir. Ürün önerileri, müşteriler için en yararlı öğelerin önerilmesine yardımcı olmalıdır. Bunun için ürün önerilerinin aşağıdaki faktörlere dayanması gerekir:

• İş hedefleri — gelir artışı, karlılık, ortalama sipariş değeri, UPT ve satış hacimleri;

• Müşteri davranışı — göz atma geçmişi, sepete eklenen ürünler ve favoriler, çevrimiçi ve çevrimdışı satın alma geçmişi;

• Diğer benzer müşterilerin müşteri davranışları.

  
  

Bu sayede işletmenin ve müşterinin çıkarları dikkate alınarak ürün önerileri oluşturulacaktır. Ne kadar çok veri dikkate alınırsa öneriler o kadar doğru olacaktır. Müşteri çevrimdışı bir gömlek satın aldıysa mobil uygulama ona eşleşen pantolonları önerecektir çünkü aynı gömleği satın alan diğer müşteriler bu pantolonları beğenmiştir.

Çoğu zaman olduğu gibi, müşterinin marka ve ürün yelpazesiyle etkileşiminin geçmişi çeşitli sistemlerde depolanır: ERP yazılımındaki çevrimdışı satışlar, Shopify gibi bir şeydeki çevrimiçi satışlar ve başka bir sistemdeki müşteri eylemleri (örneğin, istek listelerine öğe ekleme). platformu. Bu durumda siteye yeni dönen müşterinin bir saat önce çevrimdışı bir satın alma işlemi gerçekleştirdiğini bilemeyebiliriz. Crocs Doğu Avrupa örneğin, haftalık olarak tüm hedef kitlelerine e-posta patlamaları göndermek için kullanılır. Çevrimiçi satın alma geçmişi, çevrimdışı satın almalar, e-postalar, SMS ve web push bildirimlerinin tümü farklı sistemlerde saklanıyordu.

Sonuç olarak pazarlamacıları, satın alma geçmişini hesaba katan kampanyalar göndermelerini sağlayacak tek bir veri kaynağına erişime sahip değildi. Müşteriler, örneğin bir gün önce satın aldıkları Crocs'u tavsiye eden e-postalar alabiliyordu. Analitiklerin altın kurallarından biri "Garbade in - Garbade out" şeklindedir; bu, algoritmanızı tutarsız veya eksik verilerle beslerseniz büyük olasılıkla tatmin edici olmayan sonuçlar alacağınız anlamına gelir. Burada (henüz) sihir yok.

Bu sorunun çözümü için verilerin tek bir sistemde merkezileştirilmesi gerekmektedir. Biriken verilerin pazarlama faaliyetlerinde kullanılmasına olanak sağlayacak bir veri havuzu geliştirmek mümkündür ancak bu pahalıdır. Bu darboğazı çözmenin en yeni yolu Müşteri Veri Platformları adı verilen teknolojiler sınıfıdır. Farklı endüstriler için geniş kapsamlı kullanıma hazır çözümler sunarlar.

Teknoloji, şirketlerin müşteri davranışlarına ilişkin verileri sınırsız sayıda kaynaktan otomatik olarak yüklemesine, verileri temizlemesine ve birleştirmesine ve ürün önerileri de dahil olmak üzere pazarlama kampanyaları başlatabileceğiniz temel alınarak markayla müşteri etkileşimlerinin tam bir geçmişini elde etmesine olanak tanır.

Toplanan veriler aynı zamanda makine öğrenimi algoritmalarını eğitmek için de kullanılabilir. On binlerce müşterisi olan işletmeler bile makine öğreniminden faydalanmak için 3-4 ayda (bu süre içinde yaklaşık bir milyon müşteri eylemi kaydı oluşturuldu) yeterli veri biriktiriyor. Algoritmalar müşterinin ilgi alanlarının bir profilini oluşturur, benzer kullanıcıları bulur ve satın aldıklarına göre müşteriye satın almak isteyebilecekleri diğer ürünleri önerir. Tam olarak bu şekilde Tom Tailor moda markasında kişisel öneriler işe yarıyor .

Merkezileşmenin bir başka avantajı da uyumlu çok kanallı pazarlamadır. Bu, çevrimiçi kanalların çevrimdışı öğelerin popülerliğini dikkate aldığı ve web sitesindeki ve kampanyalardaki ürün önerilerinin senkronize edildiği zamandır. Böylece veri merkezileştirme, ürün önerilerinin kalitesini önemli ölçüde artırır.

Ürün önerileri sunan birçok hizmet vardır. Yetenekleri, ürün önerilerini özelleştirmenize izin verip vermemeleri, önerilerin verimliliğini ölçmek için sundukları araçlar ve bir öneri matrisi oluşturmak amacıyla verileri yüklemek için mevcut kaynaklar gibi algoritmaların sayısına göre farklılık gösterir. Bloomreach , İçeriden bilgi , Ve Akıl Kutusu şirketlere makine öğrenimi çözümleriyle ürün önerilerinde ince ayar yapmalarına ve çevrimiçi, çevrimdışı ve mobil uygulamalardan gelen verileri hesaba katmalarına olanak tanıyan teknolojiler sağlamak.

Ürün Önerilerinin Verimliliği Nasıl Değerlendirilir?

Performans ölçüm araçları, önerilerin kullanıldığı kanala göre farklılık göstermektedir. Aynı zamanda kanal ne olursa olsun prensip aynıdır. Müşteriler iki gruba ayrılıyor. Bir grup tavsiye alırken, ikinci grup almıyor. Tavsiye alan grupta satışlar daha yüksekse, müşteriler tavsiyeleri faydalı bulmuş demektir.

Çevrimiçi Kanallar

Çevrimiçi test yaparken Google'ın Optimize et alet. Ücretsizdir, deneyi oluşturmak yalnızca birkaç adım sürer ve testi oluşturmak için programlama becerileri gerektirmez.

Zaten Google Analytics ile çalışıyorsanız Optimize, deneme verimliliğini değerlendirmek için e-ticaret verilerini kullanabilir. Web sitesinin bir varyantı hiçbir değişiklik yapılmadan orijinal versiyon olacak, diğer varyant ise müşterilere ürün önerileri gösterecek. Her bir widget için, verilerin karışmadığından emin olarak denemenizi ayarlamanız gerekir, aksi takdirde hangi öneri widget'ının yardımcı olup hangisinin işe yaramadığını bilemezsiniz. Incanto, bir iç çamaşırı ve mayo mağazası , ürün önerilerinin uygulanmasının ardından gelirinde %5,5 artış elde etti.

E-posta kampanyalarındaki denemeler de benzer şekilde yapılandırılır. Alıcıların bir kısmı öneriler içeren, diğeri ise öneriler içermeyen e-postalar alır. A/B testleri hemen hemen her e-posta pazarlama platformunda mevcuttur.

Çevrimdışı Kanallar

Kontrol grubuyla yapılan çevrimdışı A/B testi, çevrimiçi testle aynı prensibe dayalı olarak çalışır. Bu, bir çağrı merkezinde ürün önerilerini test ederken yapılabilir. Bir çağrı yapıldığında operatörün yazılımı, dinleyicilerin halihazırda iki gruba ayrılmış olduğu CDP'ye bir talep gönderir. Vakaların yarısında platform, ürün önerilerini operatörün ekranında gösteriyor. Diğer durumlarda herhangi bir öneri sunulmamaktadır. Daha sonra, CDP'nin yerleşik raporuna dayanarak, müşterilerin daha fazla satın alma işlemini nerede yaptığını belirlemek için her iki grubun davranışları karşılaştırılır. Aynı yaklaşım, kasiyerin müşteriye yalnızca yarı süre boyunca bilgi verme yönünde öneriler görmesi durumunda POS yazılımı için de uygulanabilir.

Ürün Önerileri Yararlı Olmadığında

Bir araç olarak ürün önerileri, Amazon Corporation tarafından müşterilere bir ürün yelpazesini tanıtmak için icat edildi. Otomatik ürün önerileri, ürün yelpazesi 100'den az üründen oluşan markalar için kullanışlı değildir. Bu durumda algoritmaların seçebilecekleri yeterli ürün olmayacaktır. Bu nedenle öneriler CMS'de bir kez manuel olarak yapılandırılabilir. Üçüncü taraf teknoloji satın almaya gerek olmadığı için bu yalnızca daha ucuz olmakla kalmayacak, aynı zamanda öneriler yapılandırıldıktan sonra onları desteklemeye gerek kalmayacağı için daha da kolay olacaktır.

Ancak kontrol grubu üzerinde test edilmemiş öneriler söz konusu olduğunda durum farklılık göstermektedir. Yukarıda bahsedilen eczane örneğini kullanırsak (önerileri uygulayan ve iki gün içinde 30.000 dolar kaybeden), tavsiyelerin test edilmemesi halinde şirketin para kaybetmesine yol açabileceğini söylemek doğru olur. On yaşın altındaki çocuklara yönelik bir giyim mağazası örneğini ele alırsak, kontrol grubuna göre +%25'lik bir gelir artışı elde etmek iki aylık bir süre içinde deneyin üç tekrarını gerektirdi.

Ürün Önerileri Nasıl Başlatılır

İşletmenizde ürün önerilerini denemeye karar verirseniz aşağıdaki adımları uygulamanızı öneririm:

Bir kampanya listesi oluşturun. Kendi web sitenizi açın ve önerilerin hangi durumlarda müşterileriniz için yararlı olabileceğini anlamaya çalışın. Bu aşamada, ana sayfadaki popüler ürünler gibi basit çözümlerden başlayarak, bir müşteri web sitesinden ayrılmak istediğinde kişisel önerilerin yer aldığı pop-up'lara kadar işe yarayacağını düşündüğünüz her şeyin bir tür "istek listesi" yapmanızı öneririm. Ortaya çıkan hipotez setini erişime göre düzenleyin. Önerileri ne kadar çok kişi görürse, testlerde istatistiksel olarak anlamlı bir sonuca o kadar hızlı ulaşırsınız. Kampanyaların bir listesini oluşturmak için Miro Zihin Haritası şablonu Yukarıda verdim.

Metrikleri tanımlayın. Metrikler, hangi ürünleri önermek istediğinizi anlamanıza ve başarı kriterlerini belirlemenize yardımcı olacaktır. Benim tavsiyem başlangıçta bu görevi aşırı karmaşık hale getirmemenizdir. Gelire ve sayfa derinliğine bakın ("hızlı proxy metriği" olarak da bilinir). Çevrimdışı öneriler için gelir ve ortalama sipariş değeri olabilir.

Bu "istek listesini" ürün öneri hizmetinin geliştiricilerine veya temsilcilerine gösterin . Geliştiriciler, uygulamanın ne kadar süreceğini size söyleyebilecek ve hizmet temsilcileri, istediğiniz kampanyaları hızlı bir şekilde nasıl oluşturacağınızı size anlatacaktır. Bloomreach, Klaviyo veya Mindbox gibi hizmetlerde en popüler kampanyalar anında sunulur. Meslektaşlarınızdan alacağınız geri bildirimler aynı zamanda lansman planını ayarlamanıza da olanak tanıyacak; belirli aşamalar daha hızlı uygulanabilecek.

Yönetilebilirliği ve özelleştirilebilirliği sağlayın. Öneri mantığınızı farklı temas noktaları arasında koordine edip edemeyeceğinizi kontrol edin ve belirli müşteri segmentlerine (örneğin, marka severler, yoğun satın alımlar vb.) daha iyi uyacak şekilde özelleştirebildiğinizi kontrol edin.

Müşterinin markayla etkileşiminin geçmişini ve ürün yelpazesini ürün öneri hizmetine yükleyin . Çevrimiçi ve çevrimdışı kanallardan ve mobil uygulamalardan elde edilen veriler, daha iyi öneriler oluşturmanıza ve tüm temas noktalarında tek tip pazarlamayı garanti etmenize olanak tanır. CDP kullanıyorsanız, biriken verileri diğer pazarlama kampanyaları için de kullanabilirsiniz.

Bir test aracı ayarlayın. Örneğin, çevrimiçi kanallar için Google Optimize'ı, çevrimdışı kanallar için ise bir kontrol grubunu kullanabilirsiniz. Ana ve kontrol gruplarının dağılımı 50/50 olabilir, verimlilik ise gelire göre değerlendirilebilir.

Denemenin ilerleyişini izleyin ve beklendiği gibi çalışmıyorsa ürün önerilerini ayarlayın. İlk başarılı sonuçları almanız 2-3 ayı bulabilir ve bazı widget'lar gelirinizin düşmesine neden olabilir. Ancak her şey hazır ve çalışır durumda olduğunda, Incanto çevrimiçi mağazasının yaptığı gibi gelirinizde %5,5'lik bir artış göreceksiniz.