Персонализация интернет-магазина: практические кейсы и взгляд в будущее

Рынок электронной торговли сильно перегрет. Найти нишу, где можно стать прибыльным только за счет настройки performance-инструментов практически невозможно. Чтобы двигаться дальше, надо решить две задачи: снова научиться видеть человека по ту сторону экрана и удовлетворять его потребности.

Мы не заметили, как наши покупатели превратились в когорты и куки, и не осознаем, как агрессивно ведем себя: врываемся в персональное пространство и заваливаем не всегда нужной информацией.

В Quelle мы давно поняли, что выйти на следующий уровень эффективности можно только по-новому взаимодействуя с покупателем – становясь полезными, работая на доверие и говоря на одном языке. Так трендовое слово «персонализация» закрепилось в ежедневных рабочих диалогах.

В основе персонализации лежит глубокое понимание потребителя. Мы ищем возможности прийти к нему в самый подходящий момент с лучшим, решающим его проблемы предложением. Персонализация перестала быть роскошью. Она необходима и доступна.

Данные как основа персонализации

Фундамент для персонализации – данные о пользователе. В последние годы появилось так много маркетинговых каналов, что и получаемых от них данных стало в разы больше.

У нас появилась задача – найти инструмент, который позволил бы не просто собирать все данные о пользователе в один профиль, но выстроить на их основе полноценную омниканальную персонализацию. И желательно работающую в режиме реального времени.

Мы перебрали разные комбинации известных решений, но складывалось впечатление, что каждое из них имеет существенные ограничения. Например, CRM-система хранит данные только об идентифицированных покупателях. В ней нет информации по анонимным пользователям и нет интеграции с внешней средой. Тег-менеджмент системы позволяют отслеживать поведение людей на сайте и отправлять данные в сторонние системы, но не хранят их. К тому же, ручная настройка каждого сервиса через теги требует много времени. Не говорю уже о сторонних DMP и костыльных хранилищах на серверах.

В итоге мы построили всю систему работы с данными на базе Customer Data Platform (CDP). Такая платформа подключается к сайту через единый API и позволяет собирать данные в едином формате из абсолютно всех источников в Google BigQuery. Главное – мы можем в реальном времени отправлять нужные для персонализации данные в рекламные каналы и сервисы.

Когда мы разобрались со сбором данных и платформой, появились ответы на вопросы: кто наш пользователь, что он искал на сайте, что его смутило, почему не купил.

Люди не одинаковые. Один купил бы и без скидки, но запутался в формах чекаута и психанул. Другой не понял, есть ли доставка в Мытищи или нет. Кто-то вообще заходит на сайт пятый раз за месяц, смотрит один и тот же товар и явно ждёт акций.

Благодаря CDP мы с каждым из них можем построить персонализированную коммуникацию на сайте и в рекламе.

Персонализация на сайте: помочь купить тем, кто уже пришел в магазин

Почти все научились делать удобные сайты и понятные интерфейсы. Однако в среднем по рынку конверсия не превышает 1%. То есть из сотни человек, пришедших на сайт, покупает в лучшем случае один.

Наша задача – повышать конверсию и приводить к покупке тех, кто по разным причинам оказался в середине воронки. Заинтересованы, но еще не купили. Таких пользователей порядка 50%.

В Quelle этим занималась CRM-команда. Кроме регулярного анализа поведенческих данных, ребята также работали с обратной связью от кол-центра. Так появлялись инсайты, под каждый из которых разрабатывалась предполагаемое решение – гипотеза. Мы тестировали гипотезы и в случае успеха запускали кампанию на всех пользователей, которые ведут себя идентично.

Рассмотрим, как это работает.

1. Мы проанализировали данные и увидели, что каждый месяц у нас набирается порядка 30 000 человек, которые постоянно заходят на сайт (более трех раз в месяц), но так и не покупают. По нашим предположениям, слишком высок барьер первой покупки.

Из опыта мы знаем, что преодолевать подобные барьеры помогает финансовая мотивация. Именно поэтому в нашу бизнес-модель зашита продвинутая скидочная система. Проблема в том, что пользователь, которому скидка нужна для принятия решения, не всегда вовремя ее видит. Мы решили это исправить.

Предложение скидки на первую покупку для сегмента, которому скидка необходима для принятия решения

Для быстрой проверки гипотезы запустили соответствующий A/B-тест на платформе персонализации. Половине сегмента мы показывали наше предложение, другой половине – нет.

Эксперимент длился 22 дня, и за это время через него прошли более 21 000 человек. Прирост конверсии составил 12%.

2. Другой инсайт обнаружили благодаря обратной связи. Оказывается, многие покупатели высказывают недовольство или досаду, потому что интересовались товаром и не успели купить его: закончился на складе. Только представьте девушку, которая в течение недели каждый день смотрит на сайте одну и ту же курточку, изучила все фото и размеры, наконец, решилась на покупку, но товара больше нет в наличии. Конечно, она позвонит и скажет нам, что думает по этому поводу.

Мы решили посмотреть, сколько людей ведут себя на сайте похожим образом. Выяснили, что их порядка 65 000 в месяц.

Чтобы снизить негатив и ускорить принятие решения по товарам, количество которых на складе ограничено, мы решили прямо на карточке сообщать пользователю, что товар скоро закончится. В отличие от многочисленных магазинов, которые показывают подобное сообщение всем подряд, мы действительно используем в подобных кампаниях информацию о складских остатках.

Сообщение об ограниченном количестве товара на складе

A/B-тест набрал статистическую значимость за 13 дней. Конверсия увеличилась на 8%.

3. Всю воронку проходят люди, которые действительно хотят купить. Они пришли на сайт, изучили каталог и карточку товара, ознакомились с условиями оплаты и доставки, заполнили все формы. Однако мы видим, что 22 000 человек в месяц уходят с последнего этапа – подтверждение заказа – с чеком более 3000 рублей. Срабатывает классическое сомнение в последний момент: может, я делаю ошибку и не стоит покупать.

Эти люди максимально мотивированы купить прямо сейчас, и надо лишь аккуратно подтолкнуть их к последнему шагу. Для этого мы снова делаем акцент на персональной скидке и показываем ее нужным пользователям в нужный момент.

   

Предложение скидки для сегмента, который покидает сайт на чекауте

На чекауте такая кампания увеличила конверсию еще на 4%.

Персонализация в рекламных каналах

Поведенческие данные могут значительно повысить эффективность не только на сайте, но и в других рекламных каналах.

Представим, что человек все-таки уходит с чекаута, оставляя корзину с высоким чеком. Намерение покупки было столь высоким, что имеет смысл вернуть пользователя. Обычно это делают с помощью рассылки. CDP же позволяет в реальном времени отправить соответствующий сегмент во все рекламные каналы.

Стратегии коммуникации могут быть разными. Еще один пример. Мы проанализировали данные о покупках и выделили два сегмента пользователей. Первые покупают много товаров со скидками, а вторые почти всегда игнорируют скидки и покупают новинки.

Когда пользователь оказывается на сайте, система в реальном времени определяет его принадлежность к одному из сегментов по заданным параметрам. Мы отправляем данные об этом пользователе в рекламные каналы. Например, в социальные сети, ретаргетинг или контекст. Любителям скидок показываем сообщения о скидках. Тем, кто предпочитает новинки, рассказываем о новых коллекциях.

Подобные стратегии позволяют построить персонализированную коммуникацию с пользователем за пределами сайта и работают эффективнее стандартных таргетингов рекламных систем.

Машина vs Человек: кто будет отвечать за персонализацию в будущем

Продвинутый уровень персонализации связан с машинным обучением. Система обучается на больших данных и сама определяет, кто с высокой вероятностью станет покупателем и на ком бюджет лучше сэкономить.

Человек не в состоянии конкурировать с машиной в скорости и объемах обработки данных. И в ближайшем будущем мы придем к глубокой автоматизации. Однако есть вещи, которые, на мой взгляд, машина не может знать.

Я всегда был убежден, что в рассылках работает только ценовое преимущество. Казалось бы: красивое платье, низкая цена – покупай прямо в письме. Эксперимент показал, что пользователь на этом шаге моментально отваливается. Если же цена не указана, он переходит из письма на сайт и там покупает. Независимо друг от друга такой тест запустили мы и наши партнеры по email-рассылкам. Результат получили идентичный.

В другой раз мы поставили в триггеры фото сотрудников интернет-магазина. Представьте: женские трусики, а рядом моя фотография, должность и реплика «Ваш выбор мне нравится больше!». Получилось смешно, а конверсия у этого креатива оказалась в два раза выше обычной.

Как машина придумает такие гипотезы? Может ли она решать сложные поведенческие задачи? Например, заранее рассчитать сумасшедший спрос на спиннеры. Или предугадать, что все побегут в магазины за платьем с дыркой на попе как у Ким Кардашьян.

С этой ролью справится только человек. Он будет отвечать за стратегию, объяснять поведение людей – своих покупателей – и выстраивать с ними человеческие взаимоотношения. Машины помогут делать это быстро и с максимальной точностью.