전자상거래 개인화 블로그

제품 추천은 수익을 배가할 수 있습니다.

불행히도 모든 권장 사항이 동일하지는 않습니다. 우리는 개인화된 제품 추천이 일반 제품을 훨씬 능가한다는 사실을 발견했습니다.

이 가이드는 매장에서 개인화된 추천을 구현하는 방법을 안내합니다. 여기를 클릭하여 예제로 건너뛰거나 전체 가이드를 읽으십시오.

참고: 이 페이지는 제품 권장 사항, 콘텐츠 개인화 및 전자 상거래 판매에 미치는 영향에 대한 최신 결과를 반영하기 위해 2020년 9월 7일에 업데이트되었습니다.

여기에서는 고급 제품 추천 엔진이 어떻게 작동하는지 자세히 다루었습니다.

그러나 간단히 말해서 Amazon이 추천 엔진의 작동 방식을 자세히 설명하는 방식이 마음에 듭니다.

위에서 Amazon의 추천 엔진은 다양한 입력을 통합하여 개인화된 추천을 생성합니다.

Barilliance는 전자 상거래 상점에서 기계 학습 및 AI 기능을 통해 예측 가능하고 효과적인 제품 권장 사항을 생성하는 데 도움이 됩니다.

작동 방식은 다음과 같습니다.

개인화는 고객 데이터에 따라 다릅니다.

Barilliance는 세 가지 주요 데이터 소스를 통합하여 개인화된 제품 추천을 생성합니다.

그들은:

1. 집계된 데이터 (카테고리/제품 보기, 장바구니에 담기 및 구매 데이터, 내부 검색어 등)

2. 추천을 개인화하는 데 사용되는 사용자별 데이터 . 집계 데이터와 마찬가지로 사용자 데이터는 사용자가 보고 구매한 카테고리 및 제품과 같은 특정 사용자 상호 작용입니다.

3. 제품 피드에서 클라이언트가 제공하는 정적 제품 데이터 . 제품 피드 데이터에는 일반적으로 가격, 재고, 브랜드, 태그 및 기타 제품 속성이 포함됩니다.

효과적인 개인 제품 추천을 생성하기 위해 Barilliance는 다양한 기계 학습 최적화 알고리즘을 사용합니다.

당사의 AI 기술은 사용자가 누구이고 어떤 맥락에서 귀하의 사이트를 보고 있는지에 따라 제품 추천 위젯을 채우는 데 사용할 알고리즘을 선택합니다.

예를 들어 홈 페이지 경험을 살펴보십시오.

방문자는 신규 방문자일 수도 있고 재방문자일 수도 있습니다.

사용자가 이전에 사이트를 방문하지 않은 경우 일련의 베스트 셀러 제품이 표시됩니다.

그러나 방문자가 재방문하는 경우 방문자는 다음과 같이 귀하의 브랜드에 대한 이전 참여를 기반으로 한 개인화된 추천을 보게 됩니다.

- 최근 구매한 상품과 관련된 상품
- 최근 본 상품과 관련된 상품
- 최근 본 카테고리의 최고 판매자

위의 내부 연구에 따르면 재방문자는 처음 방문자에 비해 장바구니에 담기 비율이 훨씬 더 높습니다. 이는 부분적으로 증가된 사용자 정보로 인해 더 효과적인 제품 추천을 포함한 콘텐츠 개인화에 의해 주도됩니다.

마지막으로 인구통계학적 또는 행동적 세분화에 대한 상품화 규칙을 정의할 수 있습니다.

우리 기사 [가이드] 3배 수익을 위한 고급 제품 추천 전술에서 상품화 규칙을 다루었습니다.


여기에서 우리는 다음과 같은 방법을 공유했습니다.

"최고의 엔진을 사용하면 소매업체가 사용자가 설정한 명시적인 상품화 규칙 대신 소프트웨어 권장 사항을 "무효화"할 수 있습니다.

예는 다음과 같습니다.

위의 Dearborn Denim은 현재 보고 있는 청바지 워시를 위한 보완 벨트 시리즈를 강조합니다. 보완 제품을 강조하면 고객은 제품 이미지가 표시하는 것 이상으로 항목 자체에 액세서리를 추가하는 방법을 더 잘 구상할 수 있습니다.

또한, 무료 제품을 추천하는 것은 쇼핑 세션에 증분 수익을 추가하여 고객의 평균 주문 가치를 높이는 좋은 방법입니다.

Buy Buy Baby는 또 다른 맞춤형 제품 추천 예시를 제공합니다.

제품 디스플레이 페이지에 표시되는 제품 추천 위젯의 첫 번째 시리즈는 유사한 제품을 제공합니다. 여기에서는 제품의 속성을 기반으로 무료 제품을 찾는 대신 제품 카탈로그에서 유사한 옵션을 표시합니다. 첫 번째 상품 추천 위젯은 비슷한 바지 스타일과 색상을 보여주고 있음을 알 수 있습니다.

두 번째 제품 추천 위젯은 사용자의 선호도에 따라 다양한 대안을 보여줍니다. 선호도는 세션 내 쇼핑 행동을 기반으로 실시간으로 결정됩니다.

특정 경쟁 제품을 끌어오는 것은 올바른 제품에 대한 사용자의 검색을 심화하는 데 도움이 되지만 Buy Buy Baby는 또한 관련 카테고리 및 관련 검색을 추천하여 검색을 확장합니다.

위는 전체 제품 카테고리와 일반적인 검색을 추천하는 좋은 예입니다. 검색을 사용하는 것은 고객이 원하는 것에 집중하고 고객이 원하는 것을 찾도록 돕는 좋은 방법입니다.

Amazon은 개인화된 제품 추천 위젯의 선구자입니다. 오늘날에도 대부분의 전자 상거래 상점보다 비교 쇼핑을 용이하게 합니다.

그 위에 사용자 생성 데이터(등급), 사이트 데이터(동적 제품 레이블 형식) 및 제품 피드 데이터를 배치하여 고객이 유사한 제품을 빠르게 비교할 수 있도록 합니다.

위의 민트 줄렙은 액세서리와 함께 메인 아이템(프린트 드레스)을 선보이고 있다. 그들은 "Shop Look"이라는 제목의 개인화된 제품 추천 위젯을 통해 고객이 전체 의상을 쉽게 구매할 수 있도록 합니다.

주문 확인 페이지는 종종 고객 라이프사이클에서 최적화 단계에 있지 않습니다. 그러나 이러한 페이지는 최고 수준의 참여로 고객과 대화할 수 있는 좋은 기회입니다.

위에서 Amazon은 주문 세부 정보를 확인한 후 일련의 추천 위젯을 제공합니다. 이 경우 개인화된 추천 위젯의 제목은 "귀하의 견해에서 영감을 받은 당사 브랜드의 항목"입니다.

인구 통계 데이터는 제품 추천을 개인화하기 위한 고객 정보의 훌륭한 소스입니다. 간단한 예에는 고객에게 가장 적합한 항목을 기반으로 올바른 범주를 제시하는 것이 포함됩니다.

그러나 인구 통계 데이터를 사용하여 추천을 개인화하는 개인적으로 가장 좋아하는 예는 Target에서 나온 것입니다.

여기에서 그들은 고객 인구 통계 및 과거 구매를 사용하여 현재 요구 사항을 식별할 뿐만 아니라 미래 요구 사항도 예측합니다.

아래에서 Target은 아기가 있는 대부분의 가족이 궁극적으로 필요로 하는 조제분유를 알고 있는 명확한 제안을 제공합니다. 보상이 기프트 카드라는 점에 유의하십시오. 이 카드는 반복 구매를 잠글 뿐만 아니라 Target을 이 필수품을 얻을 수 있는 장소로 만드는 데 도움이 됩니다.

Amazon은 데이터를 사용하여 제안을 개인화하는 또 다른 좋은 예를 제공합니다. 이번에는 날짜 시간을 사용합니다. 다양한 고객 그룹을 위한 휴일 및 구매 이벤트를 인식하는 것은 홍보 캠페인을 작성할 뿐만 아니라 현장 콘텐츠 개인화 전략을 구현하는 좋은 방법입니다.

아래에서 Amazon은 다가오는 Holiday(Mother's Day)를 사용하여 일련의 개인화된 제품 추천을 생성합니다.

개인화된 제품 추천이 얼마나 효과적인지 보여주기 위해 추천 위젯이 고객 여정 전반에 걸쳐 전자 상거래 매장에 미치는 영향에 대한 데이터를 수집했습니다.

아래에서 평균 주문 가치, 수익, 전환율 및 장바구니 포기율에 대한 통계를 살펴봅니다.

개인화된 제품 추천 은 AOV(평균 주문 가치)를 극적으로 증가시킵니다 .

권장 사항에 대한 참여가 없는 세션의 AOV는 $44.41입니다.

잠재 고객이 단일 추천에 참여할 때 이 수치는 369%가 됩니다. 효과는 약 5번의 클릭으로 줄어들 때까지 계속 증가합니다.

개인화되고 매력적인 추천이 많을수록 더 많은 매장에서 더 많은 구매 주문의 혜택을 받을 수 있습니다.

*참고: 이 연구는 여러 산업 분야에 걸쳐 이루어졌습니다. 본 연구의 의의는 명목금액이 아니라 상대적 증가액이다.

무작위로 선택된 300명의 고객을 대상으로 연구를 수행했습니다. 여기 우리가 찾은 것이 있습니다.

제품 추천은 전자 상거래 사이트 수익의 최대 31%를 차지합니다.

평균적으로 고객은 매출의 12%가 당사의 제품 추천 제품에 기인하는 것으로 나타났습니다.

또한 제품 추천 이 전환율을 높이는 것으로 나타났습니다.

위에서 세션의 전환율이 참여와 함께 단계적으로 증가하는 것을 볼 수 있습니다.

다시 말하지만 가장 큰 개선은 첫 번째 클릭에서 발생합니다. 추천에 참여하지 않는 잠재 고객은 1.02%로 전환됩니다. 이 수치는 단일 상호작용 후에 288% 증가합니다.

우리의 연구 결과는 SalesForce에서 수행한 유사한 연구 와 일치했습니다. 추천을 클릭한 쇼핑객은 장바구니에 상품을 추가할 가능성이 4.5배, 구매를 완료할 가능성이 4.5배 더 높습니다.

마지막으로 추천은 장바구니 이탈에 큰 영향을 미칩니다.

여기에서 장바구니 포기를 구매를 완료한 세션을 잠재 고객이 장바구니에 추가한 총 세션으로 나눈 것으로 정의했습니다. 그런 다음 해당 세션에서 권장 사항에 참여하는 방식에 따라 이 수치를 분류했습니다.

추천에 전혀 참여하지 않고 단순히 장바구니에 항목을 추가한 세션이 구매를 포기할 가능성이 훨씬 더 높다는 것을 발견했습니다.

실제로 개인화된 제품 추천을 구현하면 장바구니 이탈을 최대 4.35%까지 개선할 수 있습니다.

마지막으로, 장바구니 이탈에 대한 효과는 일정 수준의 참여 후에 역전된다는 점에 주목하는 것이 흥미롭습니다. 이는 구매자 행동, 특히 제품을 찾기 위해 권장 사항을 사용하는 연구 문구의 행동을 고려할 때 의미가 있습니다.

제품 추천의 위치는 추천의 효과에 영향을 미칩니다. 우리는 스크롤 없이 볼 수 있는 부분에 배치된 위젯이 스크롤 없이 볼 수 있는 부분에 비해 거의 두 배(1.7배)라는 것을 발견했습니다.

이 연구에서 검토한 20개 이상의 제품 추천 유형 중 가장 매력적인 추천 유형은 '고객이 궁극적으로 구매하는 것'이었습니다.

새로운 방문자가 상점에 오면 어떤 제품을 추천해야 할지 모릅니다.

베스트 프랙티스는 상점의 베스트 셀러를 위쪽으로 공급하는 것입니다. 상위 카테고리별로 하나씩 여러 위젯을 갖는 것도 고려할 수 있습니다.

고객이 사이트에 참여함에 따라 제품 추천 엔진은 이 고객이 관심을 갖는 제품 유형을 이해하고 보다 개인화된 제안을 제공하기 시작합니다.

제품 추천의 위치는 추천의 효과에 영향을 미칩니다. 우리는 스크롤 없이 볼 수 있는 부분에 배치된 위젯이 스크롤 없이 볼 수 있는 부분에 비해 거의 두 배(1.7배)라는 것을 발견했습니다.

이는 전환율을 높이는 동적 콘텐츠에 대한 우리의 연구 결과와 일치합니다.

이메일을 개인화하는 또 다른 좋은 방법은 제품 주입을 사용하는 것입니다. Barilliance와 같은 소프트웨어는 제품 권장 사항을 이메일에 직접 삽입할 수 있습니다.

위젯은 각 고객이 가장 관심 있는 제품을 반영하도록 맞춤화되었습니다. 다음은 성별에 따른 맞춤 제안의 좋은 예입니다.

아래는 우리가 찾은 주요 제품 추천 통계로 만든 인포그래픽입니다.

제품 추천은 전자상거래 개인화 전략 의 기반이 됩니다.

전환율을 높이는 다음 단계는 보다 발전된 개인화 전략을 구축하는 것입니다.

마지막으로 Barilliance가 귀하에게 적합한 제품 추천 엔진인지 확인하려면 당사와 간단한 데모 일정을 예약하십시오.