Рекомендации — это мощный инструмент для увеличения продаж, который используют все топовые компании в рассылках и на сайте. В этой статье рассмотрим, как рекомендации влияют на покупательское поведение подписчиков, и как внедрить их в рассылки.
Как рекомендации товаров влияют на рост продаж
Рекомендации хорошо работают, потому что помогают клиентам:
- найти лучшие предложения
- узнавать о других товарах
- вспомнить о товарах, которые они уже просматривали
- узнавать о скидках на интересные им предложения
- докупать сопутствующие товары и услуги
Это доказывают и исследования. Так, согласно опросам Barilliance, рекомендации товаров могут увеличить выручку до 31 %, в среднем компании отмечали рост на 12 %. Аналогичное исследование SalesForce показало, что люди, которые кликают по рекомендациям, в 4,5 раза чаще совершают покупки или добавляют товары в корзину.
Другие исследования также подтверждают эти тезисы:
- 59 % опрошенных покупателей верят, что могу найти больше интересных товаров благодаря персонализированным рекомендациям
- 45 % опрошенных покупателей говорят, что с большой вероятностью будут покупать в магазине, у которого есть рекомендательная система
- 59 % опрошенных компаний сообщили, что показатели ROI улучшились после внедрения рекомендательной системы
Если говорить о рассылках, то письма с рекомендуемыми товарами также могут повлиять на рост продаж, потому что:
- привлекают внимание к продуктам — люди просматривают актуальные для них предложения и чаще переходят на сайт за покупкой
- знакомят с каталогом — пользователи могут узнать, что в магазине есть товары из потенциально интересных им категорий
- стимулируют спрос — подписчики могут увидеть интересные аналоги, сопутствующие товары или трендовые новинки
- напоминают о покупке — если пользователь забыл оформить заказ или товара не было в наличии, в рекомендациях он увидит просмотренные или добавленные в корзину товары
Всё это влияет на рост конверсии, повышение среднего чека и увеличение частоты покупок.
Стратегии систем рекомендации товаров
Рекомендации бывают разные:
- Персонализированные — предложения подбираются на основе поведения пользователя на сайте или в приложении. Например, если человек часто покупает бытовую химию, рекомендательная система будет подбирать ему похожие товары из этой категории.
- Обезличенные — маркетолог вручную указывает, какие товары должны попасть в подборку или из какой категории. Например, топ-5 бестселлеров или топ-3 товара с самыми большими скидками. Такой формат нужен, если нет информации о поведении пользователя и система не может подобрать для него предложения.
Чаще всего используют следующие схемы подбора товаров:
- популярные — учитывая поведение клиента, подбираются топовые товары из категории или из всего каталога
- просмотренные — подбираются товары, которые человек смотрел ранее
- похожие — подбираются товары, похожие на те, что просматривал или покупал клиент (чаще всего чуть более дорогие, чтобы повысить средний чек)
- допродажные — товары, сопутствующие тем, которые пользователь покупал ранее
- пакетные — товары, которые дешевле купить вместе с просмотренными (подходит для компаний, делающих скидки при покупке комплектов)
Чтобы правильно подобрать предложения, нужно проанализировать поведение и покупки всех клиентов и найти товары и услуги, которые чаще покупаются вместе или друг за другом. Полученные результаты ложатся в основу системы рекомендации товаров. Например: клиент купил умный телевизор, нужно предложить ему адаптеры, умные колонки или игровые приставки.
Также можно опираться на бизнесовые задачи. Например, если магазин получает маленькую комиссию за продажу iPhone, в блоке рекомендаций можно предлагать конкурентоспособные андроид-смартфоны, за которые магазин получит большую комиссию. Или же показывать высокомаржинальные чехлы, зарядки, наушники и прочее.
Обычно рекомендуемые товары подбираются по одному из трёх признаков:
- подходящие последнему заказу
- подходящие конкретному товару или услуге
- подходящие к некому списку — покупки, просмотренные, добавленные в корзину или избранное и так далее
Если рекомендации неперсонализированные, то маркетолог сам определяет, какие товары будут показываться. Например, при покупке акриловых красок, рекомендовать только холсты и кисти. Или при покупке курса по SMM добавлять в блок флагманский курс по профессии интернет-маркетолога, а также мини-курсы по работе с графическими программами.
Помню, как пользовалась Aliexpress на старте его популярности примерно в 2010 году, и восхищалась их рекомендательной системой. 90 % моих покупок были именно по рекомендациям внутри товарных карточек или благодаря ленте, где собирались предложения на основе моих интересов.
Я хорошо помню тот вау-эффект. Поэтому когда настраиваю правила рекомендаций, стараюсь добиться такого эффекта. Например, предлагать не только похожие товары, но и популярные в нише, особенно трендовые новинки. Так, пользователь может найти для себя что-то новое и интересное, как когда-то я находила классные штуки на Aliexpress.
Как настроить блок рекомендуемых товаров в рассылке
Рекомендательные системы работают следующим образом: платформа рассылки собирает и анализирует данные о поведении пользователя на сайте или в предыдущих письмах. Опираясь на эти данные, система подбирает товары, подходящие под указанные маркетологом параметры.
Чтобы подбирать персональные рекомендации товаров, платформа рассылки должна:
- Иметь доступ к каталогу. Это можно сделать через интеграцию с сайтом или товарным фидом. Главное — все товары должны быть качественно размечены по разным параметрам. Тогда рекомендации будут подбираться лучше всего.
- Предоставлять возможность использовать условия показа или скрытия данных, персональные переменные. Это нужно, чтобы платформа могла самостоятельно наполнять письма контентом, подбирая для каждого человека индивидуальные предложения.
- Обладать данными о поведении пользователя на сайте, в приложении или в рассылке. Для этого платформа должна относиться к категории Customer Data Platform — то есть самостоятельно собирать и систематизировать данные о пользователях. Если этого нет, нужна интеграция со сторонней CDP или CRM-системой.
Например, у омниканальной CDP-платформы Sendsay есть несколько готовых шаблонов с разными типами рекомендаций:
- самые продаваемые товары
- самые продаваемые товары по общей сумме продаж
- самые продаваемые товары в категории
- самые продаваемые товары в категории по сумме продаж
- самые просматриваемые товары
- самые просматриваемые товары в категории
Также можно настроить рекомендации по любым другим условиям: указывать категории, из которых будут формироваться подборки, ставить ограничения по максимальной или минимальной стоимости товара и так далее. Подробнее о том, как это настраивается в Sendsay, мы рассказывали в базе знаний.
Но важно помнить, что автоматические системы не идеальны и не понимают пользователей так, как маркетологи. Поэтому нужно пробовать разные подходы к подбору рекомендуемых товаров, проводить A/B-тестирование писем, а затем анализировать результаты. Так, вы сможете понять, какие рекомендации работают лучше всего. Например, можно узнать, что блок «Похожие товары» работает хуже подборки товаров с максимальными скидками.
Также не стоит забывать про стандартные правила оформление писем. Например: добавлять призывы к действию и использовать качественные изображения, чтобы пользователю захотелось купить товар.
