Personalizacja – przewodnik dla początkujących.

Spis treści artykułu

Zobacz inne wpisy:

Przewodnik dla początkujących po systemach rekomendacji produktów, strategiach, które się za nimi kryją i przykładach strategii stosowanych przez czołowe marki cyfrowe. Systemy rekomendacji produktów są najczęściej stosowane w sklepach internetowych, aplikacjach mobilnych, e-mailach i innych kanałach komunikacji z użytkownikami. Systemy rekomendacji wykorzystują podobieństwa, trendy, zainteresowania i zachowania użytkowników. Popularne rekomendacje prowadzą użytkowników wprost do produktów, którymi mogą być zainteresowani, pomagając im efektywniej i szybciej znaleźć́ to, czego szukają. Wynikiem jest większa ilość zamówień, wyższa wartość koszyka zakupowego i średnia wartość zamówienia.

W Amazonie, na przykład, poprzez analizę̨ dużej ilości danych ze swoich sklepów, system rekomendacji przekształcił sposób, w jaki klienci są dopasowywanie do produktów, które najprawdopodobniej chcą kupić.

Oto przykład, jak Amazon rekomenduje swoim użytkownikom.

Personalizacja sprzedaży

Czym jest system rekomendacji produktów?

Jest to wykorzystanie algorytmów uczenia maszynowego do wspierania podejmowania decyzji na podstawie analizy dużej ilości danych o użytkownikach, produktach i kontekście (zazwyczaj w czasie rzeczywistym) w celu zapewnienia spersonalizowanego doświadczenia – to znaczy, aby pomóc użytkownikom znaleźć to, czego szukają. Jeśli chodzi o rekomendacje produktów, nie ma jednej, uniwersalnej strategii dla marketerów. W zależności od ilości dostępnych informacji o kliencie, jego zachowaniach i kontekście produktu, dla różnych użytkowników należy stosować rożne strategie.

Strategie systemów rekomendujących

Dla każdej strategii rekomendacji istnieją trzy podstawowe poziomy.

  • Globalna strategia rekomendacji
  • Strategia rekomendacji kontekstowych
  • Spersonalizowana strategia rekomendacji

Wybór strategii rekomendacji

Przy wyborze strategii marketerzy muszą najpierw ocenić ilość dostępnych danych o użytkowniku i produkcie, jak również pozycję użytkownika na ścieżce zakupowej, a następnie na podstawie tych informacji zdecydować, jaką strategię zastosować.

Personalizacja - przewodnik po presonalizacji sprzedaży

Globalne strategie

Strategie te są prawdopodobnie najłatwiejsze do zrealizowania. Wystarczy każdemu użytkownikowi, zidentyfikowanemu i anonimowemu, przedstawić w ramce widgetu/rekomendacji najczęściej kupowane, popularne i coraz bardziej popularne produkty.

Strategie kontekstowe

Strategie te rekomendują̨ użytkownikom produkty na podstawie kontekstu produktu, oceniając atrybuty produktu, takie jak: kolor, styl, kategoria, do której należy i jak często jest kupowany z innymi produktami.

Spersonalizowane strategie rekomendacji

Najbardziej wyrafinowany poziom, spersonalizowane strategie uwzględniają nie tylko kontekst, ale również rzeczywiste zachowanie samych użytkowników. Uwzględniają one dostępne dane użytkownika i kontekst produktu, aby wyświetlić go w sposób odpowiedni dla danego użytkownika. Oznacza to, że do skutecznego zastosowania potrzebna jest historia zakupów, liczba polubień, kliknięć, dodań do koszyka i inne dane dotyczące zachowania użytkownika.

W niektórych przypadkach, historia interakcji użytkownika może być połączona z historią wszystkich innych użytkowników na stronie, aby stworzyć rekomendacje produktów. Na przykład, w strategii “collaborative filtering”, pozycje są polecane użytkownikom na podstawie ich preferencji i interakcji z odwiedzającymi stronę, którzy wykazują podobne zachowanie. Z drugiej strony, w rekomendacjach opartych na podobieństwie, system rekomendacji automatycznie buduje profil podobieństwa dla każdego użytkownika na podstawie dostępnych danych i sugeruje pozycje na podstawie preferencji użytkownika.

Globalna strategia może być zastosowana do wszystkich rodzajów użytkowników, w tym nowych, powracających i lojalnych klientów. Jeżeli użytkownicy mają dostęp do danych kontekstowych i behawioralnych, takich jak lokalizacja geograficzna (kontekst) i podobieństwo (personalizacja), można zastosować strategie kontekstowe i personalizację już w pierwszej sesji lub odsłonie strony. Jeżeli rekomendacje mogą być dopasowane do kontekstu i zachowania użytkownika, potencjał wzrostu przychodów znacznie wzrasta.

Przychody z personalizacji sprzedaży
Przychody z personalizacji sprzedaży

Tworzenie rekomendacji produktów

Strategie rekomendacji muszą być odpowiednio zdefiniowane i wdrożone (pod względem technologicznym i user experience), na przykład na podstawie zachowania użytkownika w sklepie internetowym.

  • Ostatnio oglądane
  • Najpopularniejsze
  • Pokaż produkty, które są̨ podobne do aktualnie oglądanego produktu
  • Pokaż elementy na podstawie historii przeglądania przez użytkownika
  • Pokaż elementy, które pojawiają̨ się̨ przy aktualnie oglądanym elemencie

Strategie te wzmacniają (lub ograniczają) wskazówki przekazywane każdemu użytkownikowi i pozwalają marketerom dopasować najlepszy przekaz do grupy odbiorców, do której chcą dotrzeć. Nowoczesne systemy rekomendacji pozwalają marketerom na wybór odpowiedniej strategii/filtru do prezentacji rekomendacji. Można również ustawić reguły takie jak “wykluczyć ostatnie zakupy” lub “targetować tylko produkty o ocenie do 25 PLN”, aby ograniczyć wyświetlane produkty.

Istnieją również strategie odpowiednie dla konkretnych stron. Na przykład, “Oglądane razem” jest świetne dla stron produktowych, ponieważ odnosi się do produktów już wyświetlonych. “Kupione razem” jest odpowiednie dla stron koszyka, szczególnie zaraz po tym, jak użytkownik dodał produkt do koszyka.

Łączenie kontekstu i intencji

Strategie rekomendacji i algorytmy zmieniają się w zależności od intencji zakupowych każdego użytkownika, a zachowania użytkownika określają prawdopodobieństwo konwersji.

  • Użytkownicy z niską intencją zakupu to zazwyczaj nowi użytkownicy, których nie można zidentyfikować, użytkownicy pochodzący z wyszukiwarek lub mediów społecznościowych oraz użytkownicy korzystający z urządzeń mobilnych.
  • Użytkownicy ze średnim zamiarem zakupu są zazwyczaj rozpoznawalnymi, powtarzającymi się użytkownikami, którzy wchodzą na stronę bezpośrednio lub poprzez kampanie e-mailowe i wchodzą na stronę z komputera stacjonarnego.
  • Użytkownicy z wysoką intencją zakupu dokonali w przeszłości zakupu, dodali produkty do koszyka lub szukali produktów bezpośrednio na stronie.

Te klasyfikacje poziomu intencji są odzwierciedlone w strategiach i regułach, które każdy marketer wybiera do testowania. Na przykład , dla użytkowników z niską intencją zakupu, strategia “szukane razem” może zachęcić ich do odkrywania i poznawania kolejnych produktów. Z drugiej strony dla użytkowników, którzy mają wysoką motywację do zakupu, jak np. ci, którzy już kiedyś dokonali zakupu, strategia “Kupione razem” jest bardziej odpowiednia.

Systemy danych i rekomendacji

Aby skutecznie wdrażać rekomendacje, potrzebne są dane, zarówno implicite jak i explicite, mogą być automatycznie przechwytywane przez system w celu identyfikacji produktów, które powinny być pokazane każdemu rekomendującemu użytkownikowi. Silniki rekomendacji mogą zbierać dane behawioralne online dla każdego użytkownika; strony internetowe zbierają własne dane, ale mogą również korzystać z danych z zewnętrznych źródeł, takich jak CRM i dane o zakupach offline. Im więcej danych posiada system rekomendacji, tym potężniejsza może być strategia targetowania.

Rodzaje danych użytkownika

Efektywnie działające rekomendacje wymagają dostępu do następujących rodzajów danych o użytkownikach:

  • Dane o lokalizacji: kraj, region, miasto itp., w którym znajdują użytkownicy
  • Dane techniczne: typ urządzenia, typ przeglądarki, system operacyjny i inne informacje
  • Dane demograficzne – płeć, wiek, stan cywilny, itp.
  • Dane behawioralne – zachowania użytkowników na stronie, takie jak kliknięcia, dodanie do koszyka, liczba odsłon
  • Dane oparte na zainteresowaniach – zainteresowania i preferencje, które użytkownicy wykazują̨ na stronie internetowej
  • Dane dotyczące zakupów online i offline
  • Dane o źródłach ruchu – wejścia bezpośrednie, ruch płatny, ruch z mediów społecznościowych oraz wejścia z afiliacji
  • Dane third parties – informacje pochodzące z zewnętrznych źródeł, które są wprowadzane za pośrednictwem DMP
Typ użytkownikaDane dostępne
Odwiedzający stronę po raz pierwszyTylko kontekst (adres IP / dane geograficzne, źródło ruchu)
2+ wizytyNiektóre dane dotyczące użytkowania, niektóre dane dotyczące przeglądanych produktów
Powracający użytkownicyHistoria zakupów, dokładniejsze dane o użytkowaniu, podobieństwa użytkowników

Rodzaje danych o produktach

Dane o produktach są również ważne dla zapewnienia, że system rekomendacji dostarcza właściwy produkt właściwemu użytkownikowi. Plik danych produktowych zawierający cały katalog produktów  sprzedawcy może zostać zsynchronizowany z silnikiem rekomendacji. Product feed zawiera (SKU):

  • Nazwa produktu
  • URL produktu
  • Cena produktu
  • Stan w magazynie
  • Obraz produktu
  • Słowa kluczowe

Sprzedawcy mogą dostosować product feed poprzez dodanie danych o produkcie. Dane te mogą być wykorzystane do prezentacji, filtrowania i nawigacji rekomendacji, takich jak kolory, rozmiary i style. Im więcej danych o produktach posiada system rekomendacji, tym skuteczniejsza będzie kontekstowa i spersonalizowana strategia rekomendacji.

Siła rekomendacji produktów

Rekomendacje produktów to świetny sposób , aby poprawić ogólne doświadczenie użytkownika, przeprowadzić użytkowników przez proces odkrywania i jednocześnie wygenerować przychody dla firmy. A dzięki temu, że uczenie maszynowe wykonuje większość pracy, marketerzy mogą eksperymentować z rożnymi strategiami w swoich praktykach segmentacji na dużą skalę, dostarczając użytkownikom więcej produktów niż kiedykolwiek wcześniej, generując ROI i poprawiając wyniki biznesowe.

Więcej o personalizacji przeczytasz w innym tekście: Personalizacja treści na podstawie źródeł ruchu.

Michał Szewczyk
Michał Szewczyk
15 lat doświadczenia w digital marketingu. Zrealizował setki projektów z zakresu marketing automation i personalizacji dla małych i globalnych marek. Ekspert w zakresie analizy biznesowej i customer journey mapping.