Blog Personalisasi E-niaga

Rekomendasi produk bisa melipatgandakan keuntungan.

Sayangnya, tidak semua rekomendasi sama. Kami telah menemukan rekomendasi produk yang dipersonalisasi jauh mengungguli yang generik.

Panduan ini menjelaskan cara menerapkan rekomendasi yang dipersonalisasi di toko Anda. Klik di sini untuk melompat ke contoh, atau baca terus untuk panduan lengkapnya.

Catatan: halaman ini diperbarui pada 7 September 2020 untuk mencerminkan temuan terbaru tentang rekomendasi produk, personalisasi konten , dan pengaruhnya terhadap penjualan eCommerce.

Kami membahas secara rinci bagaimana mesin rekomendasi produk canggih bekerja di sini.

Namun, secara singkat, saya suka bagaimana Amazon merinci cara kerja mesin rekomendasi mereka.

Di atas, mesin rekomendasi Amazon menggabungkan berbagai input untuk membuat rekomendasi yang dipersonalisasi.

Barilliance membantu toko eCommerce membuat rekomendasi produk yang efektif dan prediktif dengan pembelajaran mesin dan kemampuan AI.

Berikut adalah cara kerjanya.

Personalisasi tergantung pada data pelanggan.

Barilliance menggabungkan tiga sumber data utama untuk membuat rekomendasi produk yang dipersonalisasi.

Mereka:

1.Data gabungan (tampilan kategori/produk, penambahan ke keranjang dan data pembelian, kueri penelusuran internal, dll.)

2.Data spesifik pengguna yang digunakan untuk mempersonalisasi rekomendasi. Mirip dengan data agregat, data pengguna adalah interaksi pengguna tertentu seperti kategori dan produk yang dilihat, dibeli, dll.

3.Data produk statis yang dipasok oleh klien di feed produk. Data feed produk biasanya mencakup harga, ketersediaan, merek, tag, dan atribut produk lainnya.

Untuk membuat efek rekomendasi produk pribadi, Barilliance menggunakan berbagai algoritme pembelajaran mesin yang dioptimalkan.

Teknologi AI kami memilih algoritme yang akan digunakan untuk mengisi widget rekomendasi produk berdasarkan siapa pengguna dan dalam konteks apa mereka melihat situs Anda.

Sebagai ilustrasi, ambil pengalaman beranda.

Pengunjung dapat berupa pengunjung baru atau pengunjung kembali.

Jika pengguna belum pernah mengunjungi situs tersebut sebelumnya, maka serangkaian produk terlaris akan ditampilkan.

Namun, jika pengunjung kembali, pengunjung akan melihat rekomendasi yang dipersonalisasi berdasarkan keterlibatan mereka sebelumnya dengan merek Anda seperti:

- Produk yang terkait dengan barang yang baru saja mereka beli
- Produk yang terkait dengan produk yang baru saja dilihat
- Penjual teratas dari kategori yang baru saja dilihat

Di atas, studi internal kami menunjukkan bahwa pengunjung yang kembali memiliki tingkat add-to-cart yang jauh lebih tinggi dibandingkan dengan pengunjung pertama kali. Hal ini sebagian didorong oleh personalisasi konten termasuk rekomendasi produk yang lebih efektif karena peningkatan informasi pengguna.

Terakhir, Anda memiliki kemampuan untuk menentukan aturan merchandising untuk sejumlah segmentasi demografis atau perilaku.

Kami membahas aturan merchandising dalam artikel kami [Panduan] Taktik Rekomendasi Produk Tingkat Lanjut untuk Pendapatan 3x.


Dari sana, kami membagikan caranya:

"mesin terbaik memungkinkan pengecer untuk "mengabaikan" rekomendasi perangkat lunak sebagai pengganti aturan merchandising eksplisit yang Anda buat.

Contohnya meliputi:

Di atas, Dearborn Denim menyoroti serangkaian ikat pinggang pelengkap untuk pencucian jeans yang saat ini dilihat. Menyoroti produk pelengkap memungkinkan pelanggan untuk lebih membayangkan bagaimana mereka akan mengakses item itu sendiri, di luar apa yang ditampilkan gambar produk.

Selanjutnya, merekomendasikan produk gratis adalah cara yang bagus untuk meningkatkan nilai pesanan rata-rata pelanggan dengan menambahkan pendapatan tambahan ke sesi belanja.

Beli Beli Bayi memberikan contoh rekomendasi produk yang dipersonalisasi lainnya.

Rangkaian pertama widget rekomendasi produk yang mereka tampilkan di halaman tampilan produk mengedepankan produk serupa. Di sini, alih-alih menemukan produk pelengkap berdasarkan atribut produk, ini memunculkan opsi serupa dari katalog produk. Anda dapat melihat bahwa widget rekomendasi produk pertama menunjukkan gaya dan warna celana yang serupa.

Widget rekomendasi produk kedua menampilkan pilihan alternatif yang lebih luas berdasarkan afinitas pengguna. Afinitas ditentukan secara real time berdasarkan perilaku belanja dalam sesi.

Sementara menarik produk pesaing tertentu membantu memperdalam pencarian pengguna untuk produk yang tepat, Beli Beli Bayi juga memperluas pencarian dengan merekomendasikan kategori terkait dan pencarian terkait.

Di atas adalah contoh yang bagus untuk merekomendasikan seluruh kategori produk dan pencarian umum. Menggunakan penelusuran adalah cara yang bagus untuk berfokus pada keinginan pelanggan dan membantu pelanggan menemukan apa yang mereka cari.

Amazon adalah pelopor dalam widget rekomendasi produk yang dipersonalisasi. Masih hari ini mereka memfasilitasi perbandingan belanja lebih baik daripada kebanyakan toko eCommerce.

Di atas mereka menempatkan data yang dibuat pengguna (peringkat), data situs (dalam bentuk label produk dinamis), dan data umpan produk untuk memungkinkan pelanggan membandingkan produk serupa dengan cepat.

Di atas, Mint Julep menampilkan item utama (baju yang dicetak) dengan aksesori. Mereka memudahkan pelanggan untuk membeli seluruh pakaian dengan widget rekomendasi produk yang dipersonalisasi berjudul "Shop the Look".

Halaman konfirmasi pesanan seringkali merupakan langkah yang kurang dioptimalkan dalam siklus hidup pelanggan. Namun, halaman-halaman ini mewakili peluang besar untuk berbicara dengan pelanggan pada tingkat keterlibatan tertinggi mereka.

Di atas, Amazon menghadirkan serangkaian widget rekomendasi setelah mereka mengkonfirmasi detail pesanan. Dalam hal ini, widget rekomendasi yang dipersonalisasi berjudul "Item dari merek kami yang terinspirasi oleh pandangan Anda"

Data demografis adalah sumber informasi pelanggan yang sangat baik untuk mempersonalisasi rekomendasi produk. Contoh sederhana termasuk menyajikan kategori yang tepat berdasarkan item mana yang paling sesuai untuk pelanggan.

Namun, contoh favorit pribadi saya menggunakan data demografis untuk mempersonalisasi rekomendasi berasal dari Target.

Di sini, mereka menggunakan demografi pelanggan dan pembelian masa lalu untuk tidak hanya mengidentifikasi kebutuhan saat ini, tetapi juga memprediksi kebutuhan masa depan.

Di bawah ini, Target memberikan tawaran yang jelas yang mereka tahu sebagian besar keluarga dengan bayi pada akhirnya membutuhkan - susu formula. Perhatikan bagaimana hadiahnya adalah kartu hadiah, yang tidak hanya mengunci pembelian berulang, tetapi juga membantu menetapkan Target sebagai tempat untuk mendapatkan bahan pokok ini.

Amazon memberikan contoh hebat lainnya dalam menggunakan data untuk mempersonalisasi penawaran. Kali ini, mereka menggunakan waktu tanggal. Mengenali kapan liburan dan acara pembelian ditujukan untuk berbagai grup pelanggan Anda adalah cara yang bagus untuk tidak hanya membuat kampanye penjangkauan, tetapi juga menerapkan strategi personalisasi konten di tempat.

Di bawah, Amazon menggunakan Liburan mendatang (Hari Ibu" untuk membuat serangkaian rekomendasi produk yang dipersonalisasi.

Untuk mendemonstrasikan seberapa efektif rekomendasi produk yang dipersonalisasi, kami telah mengumpulkan data tentang bagaimana widget rekomendasi memengaruhi toko eCommerce di seluruh perjalanan pelanggan.

Di bawah ini kami melihat statistik untuk: nilai pesanan rata-rata, pendapatan, rasio konversi, dan rasio pengabaian keranjang belanja.

Rekomendasi produk yang dipersonalisasi secara dramatis meningkatkan AOV (nilai pesanan rata-rata) .

Sesi yang tidak memiliki interaksi dengan rekomendasi memiliki AOV sebesar $44,41.

Jumlah ini dikalikan dengan 369% ketika prospek terlibat dengan satu rekomendasi. Efeknya terus menanjak hingga meruncing sekitar 5 klik.

Jelas bahwa semakin banyak rekomendasi yang dipersonalisasi dan menarik, semakin banyak toko yang diuntungkan dari pesanan pembelian yang lebih besar.

*Catatan: Studi ini dilakukan di beberapa industri. Signifikansi penelitian ini bukanlah jumlah nominalnya, melainkan peningkatan relatifnya.

Kami melakukan penelitian pada 300 pelanggan yang dipilih secara acak. Inilah yang kami temukan.

Rekomendasi produk menyumbang hingga 31% dari pendapatan situs eCommerce.

Rata-rata, pelanggan melihat 12% dari penjualan mereka dikaitkan dengan produk rekomendasi produk kami.

Kami juga menemukan bahwa rekomendasi produk meningkatkan tingkat konversi .

Di atas, kami melihat tingkat konversi sesi meningkat sejalan dengan keterlibatan mereka.

Sekali lagi, peningkatan terbesar terjadi pada klik pertama. Prospek yang tidak terlibat dengan rekomendasi mengonversi 1,02%. Jumlah itu meningkat 288% setelah satu interaksi.

Temuan kami sejalan dengan penelitian serupa yang dilakukan oleh SalesForce . Mereka menemukan pembeli yang mengklik rekomendasi 4,5x lebih mungkin untuk menambahkan item ke keranjang, dan 4,5x lebih mungkin untuk menyelesaikan pembelian mereka.

Terakhir, rekomendasi memiliki pengaruh yang signifikan terhadap pengabaian keranjang belanja.

Di sini, kami mendefinisikan pengabaian keranjang sebagai sesi yang menyelesaikan pembelian dibagi dengan total sesi saat prospek menambahkan item ke keranjang mereka. Kami kemudian mengelompokkan angka-angka ini berdasarkan bagaimana mereka terlibat dengan rekomendasi dalam sesi itu.

Kami menemukan bahwa sesi yang tidak terlibat sama sekali dengan rekomendasi, tetapi hanya menambahkan item ke keranjang mereka jauh lebih mungkin untuk meninggalkan pembelian mereka.

Faktanya, menerapkan rekomendasi produk yang dipersonalisasi dapat meningkatkan pengabaian keranjang hingga 4,35%.

Terakhir, menarik untuk dicatat bahwa efek pada pengabaian keranjang berbalik setelah tingkat keterlibatan tertentu. Ini masuk akal ketika Anda mempertimbangkan perilaku pembeli - terutama yang ada dalam frasa penelitian yang menggunakan rekomendasi untuk menemukan produk.

Posisi rekomendasi produk mempengaruhi seberapa efektif mereka. Kami menemukan widget yang ditempatkan di paro atas hampir dua kali lebih efektif (1,7x) daripada widget di paro bawah.

Dari 20+ jenis rekomendasi produk yang diulas dalam penelitian ini, jenis rekomendasi yang paling menarik adalah 'apa yang akhirnya dibeli pelanggan'.

Ketika pengunjung baru datang ke toko Anda, Anda tidak tahu produk apa yang direkomendasikan.

Praktik terbaik adalah memasok penjual terbaik toko Anda ke atas. Anda juga dapat mempertimbangkan untuk memiliki beberapa widget, satu untuk setiap kategori teratas Anda.

Saat pelanggan terlibat dengan situs Anda, mesin rekomendasi produk Anda akan mulai memahami jenis produk apa yang diminati pelanggan ini, dan memberikan saran yang lebih dipersonalisasi.

Posisi rekomendasi produk mempengaruhi seberapa efektif mereka. Kami menemukan widget yang ditempatkan di paro atas hampir dua kali lebih efektif (1,7x) daripada widget di paro bawah.

Ini sejalan dengan temuan kami tentang konten dinamis yang meningkatkan tingkat konversi.

Cara hebat lainnya untuk mempersonalisasi email adalah melalui injeksi produk. Perangkat lunak seperti Barilliance dapat menyuntikkan rekomendasi produk langsung ke email.

Widget disesuaikan untuk mencerminkan produk yang paling diminati setiap pelanggan. Di bawah ini adalah contoh yang bagus untuk menyesuaikan saran berdasarkan jenis kelamin.

Di bawah ini adalah infografis yang kami buat dengan beberapa statistik rekomendasi produk utama yang kami temukan.

Rekomendasi produk berfungsi sebagai dasar untuk strategi personalisasi eCommerce Anda.

Langkah selanjutnya untuk meningkatkan konversi adalah membangun taktik personalisasi yang lebih canggih.

Terakhir, untuk melihat apakah Barilliance adalah mesin rekomendasi produk yang tepat untuk Anda, jadwalkan demo singkat bersama kami.