Blog Personalisasi E-niaga
Diterbitkan: 2021-03-02Rekomendasi yang efektif menghasilkan penjualan.
Sayangnya, banyak toko eCommerce yang menampar rekomendasi produk tingkat dasar atau produk terlaris di situs mereka dan tidak pernah memikirkannya lagi.
Kita bisa melakukan yang lebih baik.
Saat ini, mesin rekomendasi produk mampu mempelajari pelanggan secara real-time, mengubah penawaran berdasarkan perilaku pelanggan.
Panduan ini menguraikan cara kerja mesin rekomendasi produk eCommerce, praktik merchandising terbaik, dan hasil yang bisa Anda dapatkan melalui peningkatan rekomendasi eCommerce Anda.
Taktik Rekomendasi Produk Tingkat Lanjut untuk Menggandakan Pendapatan
Berikut adalah beberapa taktik favorit saya untuk meningkatkan konversi dan melipatgandakan pendapatan.
1. Buat bundel untuk produk terlaris
Bundel adalah cara yang fantastis untuk meningkatkan nilai pesanan rata-rata.
Kampanye Kickstarter adalah sumber inspirasi yang sangat baik. Seringkali, pembuat konten hanya memiliki satu produk inti. Untuk meningkatkan kemungkinan keberhasilan, mereka menciptakan berbagai tingkatan partisipasi.
Seringkali, pengaya ini adalah produk pelengkap yang membuat pengalaman inti menjadi lebih baik.
Berikut ini salah satu contohnya. Di bawah, permainan dasar yang lebih murah dengan satu ekspansi ditawarkan dengan harga $22. Ini memiliki 247 pendukung.
Sebaliknya, bundel "All-in" dengan beberapa paket peta, ekspansi, dan barang lainnya ditawarkan dengan harga $90. Ini memiliki 1.197 pendukung.
Contoh lainnya adalah Fashion Nova.
Di sini, mereka membuat bundel dinamis berdasarkan produk mana yang sedang dilihat, menyajikannya dalam widget rekomendasi sederhana.
2. Secara dinamis menyajikan rekomendasi setelah menambahkan tindakan ke troli
Ketika pelanggan menambahkan item ke keranjang, itu adalah sinyal yang sangat kuat tentang afinitas produk.
Anda bisa memanfaatkan momen ini dengan berbagai cara. Salah satu taktiknya adalah menampilkan pop-up dengan opsi untuk melanjutkan checkout atau melanjutkan belanja.
Dalam pop-up ini, Anda juga dapat menawarkan produk gratis. Target melakukan ini dengan indah dengan urutan tindakan setelah menambahkan ke keranjang. Di sini mereka menyajikan barang-barang yang sering dibeli bersama.
Di atas, Target menyajikan pop-up yang dipersonalisasi berdasarkan item yang baru saja saya tambahkan ke troli. Dalam hal ini, pakaian Halloween seorang gadis.
3. Manfaatkan tren musiman dan pembelian
Di atas, Amazon menawarkan rekomendasi produk Hari Ibu di paro atas.
Tren pembelian menawarkan peluang bagus untuk menyajikan penawaran yang lebih relevan bahkan tanpa mengetahui apa pun tentang pengunjung.
Amazon memberikan contoh yang bagus.
Saat saya menulis pembaruan ini, kami dua minggu lagi dari Hari Ibu. Mensimulasikan pengunjung pertama kali, Amazon menawarkan banyak penawaran Hari Ibu.
Paro atas mereka menampilkan portal ke "Toko Hadiah Hari Ibu" mereka, dengan ajakan bertindak terpisah yang ditempatkan di sudut kanan atas ke "Belanja Perhiasan Hari Ibu".
Di atas, Amazon menampilkan rekomendasi Hari Ibu sebaris.
Saat Anda menggulir ke bawah, widget rekomendasi berikutnya menyoroti serangkaian kategori terlaris di Toko Hadiah Hari Ibu.
Meskipun Amazon tidak tahu untuk apa pengunjung pertama kali ini sebenarnya datang ke situs mereka, mereka menyadari ada kemungkinan besar mereka ingin membeli hadiah untuk Hari Ibu.
4. Manfaatkan Teknologi Personalisasi dalam Rekomendasi Produk Anda
Personalisasi adalah taktik paling efektif dalam daftar ini.
Pelanggan Anda beragam.
Beberapa sensitif terhadap harga. Beberapa peduli tentang merek ini, sementara yang lain peduli tentang itu. Akan ada pengunjung pertama kali dan pengunjung kembali.
Memahami bahwa pelanggan Anda adalah individu adalah langkah pertama menuju rekomendasi produk yang efektif.
Di bawah ini, kami membandingkan pengalaman satu toko dalam menerapkan personalisasi rekomendasi produk.
Personalisasi sering kali menggandakan seberapa efektif rekomendasi.
Rekomendasi Produk Dinamis: Jangan gunakan rekomendasi produk statis. Klik disini untuk melihat bagaimana Barilliance mempersonalisasi rekomendasi di halaman beranda, kategori, dan produk Anda.
5. Gunakan data demografis jika berlaku
Nordstrom menampilkan taktik rekomendasi produk lanjutan lainnya.
Alih-alih menggunakan widget rekomendasi "Produk Trending" yang lebih umum, mereka menggunakan "Tren di Dekat Anda".
Ini mengambil keuntungan dari perbedaan geografis, seperti musim dan selera. Sekali lagi, tujuannya adalah untuk membuat penawaran yang relevan tanpa memiliki akses ke perilaku sebelumnya.
Memasukkan data demografis membantu menyingkirkan penawaran yang tidak relevan. Misalnya, diragukan pelanggan mereka di San Diego berbelanja mantel musim dingin, bahkan di bulan Desember.
Memasukkan data demografis membantu menyingkirkan penawaran yang tidak relevan. Misalnya, diragukan pelanggan mereka di San Diego berbelanja mantel musim dingin, bahkan di bulan Desember.
6. Buat strategi rekomendasi produk khusus untuk pengunjung pertama kali.
Pengunjung baru memiliki tingkat konversi terendah.
Faktanya, mempelajari jutaan sesi eCommerce, kami menemukan pengunjung yang kembali mengonversi 73,72% lebih banyak daripada yang pertama kali.
Alasannya sederhana. Anda tidak tahu apa yang disukai pengunjung pertama kali, sehingga sulit untuk membuat penawaran yang relevan.
Strategi "dasar" adalah menyajikan daftar barang terlaris di seluruh toko, dengan harapan Anda akan memunculkan apa yang penting bagi mereka.
Namun, ada sejumlah taktik proaktif yang dapat Anda terapkan untuk meningkatkan kesuksesan Anda.
7. Perluas Mesin Rekomendasi Produk di Seluruh Saluran
Strategi multisaluran meningkatkan pendapatan.
Rekomendasi produk adalah alat utama untuk membuat omnichannel menjadi efektif. Mereka memungkinkan Anda membuat penawaran yang sangat bertarget, menggunakan data pelanggan yang diketahui dan mencocokkan afinitas dengan produk.
Mesin rekomendasi produk canggih seperti Barilliance dapat (dan harus) diterapkan di seluruh saluran.
Ini dapat dilakukan di media sosial, aplikasi obrolan, atau email saluran yang paling banyak konversinya.
Rekomendasi Produk Email Berfokus pada Konversi:
Perkuat email Anda dengan mesin rekomendasi omnichannel yang sama dengan yang Anda gunakan untuk interaksi web, seluler, dan bata+mortir.
Satukan data Anda dan ciptakan pengalaman yang paling relevan. Pelajari lebih lanjut di sini.
8. Tingkatkan Kepercayaan dengan Elemen Bukti Sosial Tertanam
Konversi tergantung pada kepercayaan.
Meskipun konsep bukti sosial bukanlah hal baru, atau "maju", saya terkejut betapa sedikit perusahaan yang menggunakan elemen bukti sosial dalam produk yang mereka rekomendasikan.
Amazon mengintegrasikan elemen bukti sosial di seluruh widget rekomendasi mereka.
9. Membantu pengambilan keputusan dengan widget perbandingan
Rekomendasi produk juga dapat digunakan untuk membantu pelanggan membuat keputusan terbaik. Sekali lagi, Amazon memberikan contoh instruktif tentang cara menggabungkan rekomendasi produk dan data atribut produk dalam format yang mudah dicerna.
Ketika dikombinasikan dengan strategi merchandising, merek dapat mengontrol konteks apa yang mereka bandingkan dengan produk saat ini, dan membantu mempengaruhi keputusan pembelian akhir.
Jenis Mesin Rekomendasi Produk
Bagaimana Mesin Rekomendasi Produk Bekerja?
Tujuan dari rekomendasi produk ada dua: pertama, untuk meningkatkan pengalaman berbelanja, dan kedua untuk meningkatkan pendapatan.
Sistem rekomendasi produk melakukan ini dengan menghadirkan penawaran pembeli yang kemungkinan besar mereka inginkan.
Mesin menyaring puluhan, ratusan, atau ribuan barang yang dibawa toko, dan memutuskan mana yang paling cocok untuk pengguna tertentu.
Secara umum, ada tiga teknik umum yang digunakan mesin untuk memfilter melalui SKU.
1. Teknik Penyaringan Kolaboratif
Kredit Gambar
Pemfilteran kolaboratif menggunakan tindakan pengguna lain untuk memprediksi apa yang akan disukai pengguna lain.
Misalnya, jika satu pengguna membeli gaun, tetapi akhirnya membeli dompet, perangkat lunak akan mulai menarik korelasi antara dua kategori ini. Karena semakin banyak pengguna mengonfirmasi asosiasi ini, itu akan mulai memengaruhi produk mana yang direkomendasikan.
2. Teknik Penyaringan Berbasis Konten
Pemfilteran berbasis konten berfokus pada pembelanja tertentu. Perangkat lunak rekomendasi produk melacak tindakan pengguna, seperti halaman web yang dilihat, produk yang diklik, waktu yang dihabiskan untuk berbagai kategori, dan item yang ditambahkan ke keranjang.
Berdasarkan informasi ini, profil pelanggan dibuat. Profil ini kemudian dibandingkan dengan katalog produk untuk mengidentifikasi item mana yang akan ditampilkan.
3. Rekomendasi Hibrida
Kredit Gambar
Perangkat lunak rekomendasi terbaik sebenarnya menggabungkan kedua teknik untuk memberikan prediksi yang paling akurat. Beginilah cara Barilliance bekerja.
Dengan menggabungkan kedua teknik tersebut, mesin rekomendasi produk dapat menerapkan "kebijaksanaan orang banyak" kepada prospek sebelum mereka mengumpulkan banyak data. Karena semakin banyak informasi yang dipelajari tentang pengguna tertentu, rekomendasi menjadi semakin dipersonalisasi berdasarkan sesi dan riwayat penggunaan mereka.
Rekomendasi Produk Dinamis: Jangan gunakan rekomendasi produk statis. Klik disini untuk melihat bagaimana Barilliance mempersonalisasi rekomendasi di halaman beranda, kategori, dan produk Anda.
Aturan Merchandising
Dalam bata & mortir, toko dipaksa untuk memilih strategi merchandising tunggal.
Toko ECommerce tidak memiliki batasan ini.
Pengecer dapat menggunakan teknologi personalisasi untuk membuat strategi merchandising khusus untuk setiap segmen pelanggan. Salah satu alat utama yang digunakan pengecer untuk mencapai ini adalah rekomendasi produk.
Bagaimana Merchandising dan Rekomendasi Produk Berinteraksi
Secara default, mesin rekomendasi produk bekerja secara algoritmik.
Namun, mesin terbaik memungkinkan pengecer untuk "mengabaikan" rekomendasi perangkat lunak karena aturan merchandising eksplisit yang Anda buat.
Contohnya meliputi:
Pengecer menentukan aturan apa yang ada, dan kapan aturan ini dipicu.
Sekali lagi, dengan menggunakan Barilliance sebagai contoh, Anda dapat menentukan segmen pelanggan yang penting bagi bisnis Anda. Anda kemudian dapat secara selektif menggunakan aturan merchandising pada berbagai segmen ini.
Seperti yang Anda lihat, pengecer memiliki kemampuan untuk menentukan dengan tepat audiens mana yang mereka inginkan untuk menampilkan widget rekomendasi produk tertentu.
Salah satu cara paling menguntungkan untuk mengelompokkan audiens Anda adalah melalui analisis RFM yang solid . Ada enam segmen utama yang dapat (dan harus) Anda buat untuk aturan merchandising, termasuk:
Dengan menggabungkan aturan merchandising dan rekomendasi produk, Anda dapat membuat penawaran yang sangat bertarget.
Anda dapat mempromosikan item terlaris kepada pengunjung situs baru, item yang baru dilihat kepada pengunjung yang kembali, dan produk terkait berdasarkan pembelian sebelumnya kepada pelanggan yang kembali.
Hasil & Statistik Rekomendasi Produk
Kami melakukan studi mendalam terhadap pelanggan Barilliance yang menerapkan solusi rekomendasi produk kami.
Hasilnya luar biasa.
Langkah selanjutnya
Meningkatkan rekomendasi produk Anda adalah "buah menggantung rendah" dari personalisasi eCommerce.
Kami menyelenggarakan demo gratis untuk solusi rekomendasi produk kami. Jika Anda ingin mengetahui apakah kami dapat meningkatkan rekomendasi Anda saat ini dengan pendekatan pembelajaran mesin hibrida, klik di sini.