Как выбрать платформу для персонализации посетителей интернет-магазина | Цифровой журнал | about digital

Директор по продукту Crossss Николай Михайловский рассказал о том, как необходимо выбирать платформу персонализации посетителей для интернет-магазина на примере сравнения Crossss и Retail Rocket для книжного магазина Read.ru .

Что такое персонализация

Если у меня будет 3 млн покупателей в интернете, мне нужно иметь 3 миллиона магазинов в интернете. 

— Джеф Безос, руководитель Amazon.com

Лента, которую вы видите на Facebook или во «ВКонтакте» – только ваша. Другой такой нет ни у кого. Почему же все остальные сайты одинаково выглядят для меня и для вас? Ответ в том, что соцсети естественным образом персонализованы, а остальные сайты, как правило, нет.
Таким образом, персонализация интернет-сайта — это его автоматическая подстройка под текущие нужды конкретного посетителя. 

История Crossss 

Так давай создадим систему, которая позволит подстраивать под конкретного посетителя любой сайт.

Примерно так рассуждали мы с Даниилом Ханиным, сидя в кафе «Правда» в Томске два года назад и размышляя, как отмасштабировать бизнес Даниила, который создал лучшее в Томске диджитал-агентство. 

Начать построение такой системы персонализации решили с рекомендательного сервиса для e-commerce. Необходимая для этого математика могла быть быстро перенесена из то ли исследовательской, то ли стартапной работы по рекомендациям мобильных приложений, которую в течении года до этого делал один из наших студентов в ТГУ. Решили быстро собрать на ней прототип, и, если Даниилу за месяц удастся подключить десять магазинов, решили мы, то продукт будет продаваться. 

В октябре, за месяц, как и планировали, сделали прототип, Даниил съездил на пару конференций, легко подключил десять магазинов, и мы решили, что игра стоит свеч, сели делать боевую рекомендательную систему. 

На лендинге написали, что запустимся в марте.
В самом начале марта 2013 года для нас как гром средь ясного неба прозвучал довольно громкий запуск коллег из RetailRocket, которые прочитали наш лендинг и постарались запуститься раньше. И сделали это вполне эффективно в плане маркетинга. 

На месяц это нас деморализовало. Потом мы собрались и стали двигаться дальше. Успешно отработали в мае на выставке «Оборот-2013» и впервые там массово подключили московские магазины. Летом Даниил переехал с семьей из Томска в Москву, чтобы полностью сконцентрироваться на Crossss. 

Что делает Crossss

На текущий момент Crossss — система, способная предложить полноценную персонализацию как сайта интернет-магазина, так и его почтовых рассылок. Он позволяет повысить конверсию и средний чек интернет-магазина, а также сократить расходы на обновление списков связанных товаров.
Одно перечисление продуктов занимает почти полстраницы: 

Персональные рекомендации

• Товарные рекомендации (Crossss.rec).
• Визуальные рекомендации (Crossss.visual).

Персонализированный email-маркетинг 

• Персонализированный сбор email (Crossss.lidgen).
• Триггеризация email интернет-магазинов (Crossss.trigg).
• Персонализация регулярных рассылок (Crossss.email).
• Почтовый ретаргетинг (Crossss.retarget).

Мерчандайзинг 

• Адаптивные витрины (Crossss.adaptiv).
• Адаптивный контент (Crossss.content).

Персональные рекомендации

Товарные рекомендации – это блок из заголовка и списка товаров, который обеспечивает дополнительную возможность навигации пользователя между товарами в соответствии с логикой его выбора посетителем. 

Может как встраиваться в дизайн сайта:



Так и быть выплывающим элементом:



Товарные рекомендации могут размещаться на главной странице магазина:



На странице категории:



На карточке товара:



В корзине:



Большинство рекомендательных сервисов подбирают рекомендации  на основе анализа поведения посетителей интернет-магазина. В большинстве случаев так поступает и Crossss. 

Однако специально для магазинов, торгующих одеждой, обувью и другими товарами, внешний вид которых важнее характеристик, мы разработали алгоритмы визуальных рекомендаций. Это означает, что рекомендуемые одежда и обувь подбираются по принципу визуального подобия текущему предмету. Это позволяет автоматически подобрать в рекомендацию товары из этой же коллекции, и они могут как заменять (другая куртка), так и дополнять (джемпер того же цвета):



А во многих случаях визуальные рекомендации позволяют подобрать и заменяющие товары из других категорий:



Персонализированный email-маркетинг 

На основании анализа поведения пользователя Crossss определяет вероятность покупки в текущей сессии. Если вероятность незначительна, то Crossss попытается собрать контактную информацию.



Если Crossss выявит событие «брошенный просмотр» (пользователь ушел с сайта) или «брошенная корзина» (посетитель положил товары в корзину, но, не оформив покупку, ушел с сайта), будет запущена отправка серии писем с содержанием, персонализованным для этого посетителя. 

Серии состоят из цепочек от одного до пяти писем (в зависимости от произошедшего события, магазина и категории посетителя). Период отправки писем от нескольких дней до нескольких недель.
Пример письма:



Помимо запуска (триггеризации) почтовых серий Crossss позволяет персонализовать любые рассылки. Для этого мы связываем онлайновое поведение пользователя с его email, а в тех случаях, когда мы не видели посетителя на сайте — используем статистические данные, и на основе этого создаем персонализованные рекомендационные блоки для вставки в email. 

Таким образом можно персонализовать как регулярные рассылки (которые магазин делает, например, раз в месяц), так и транзакционные (например, «Спасибо за покупку»). Естественно, для этого нужна интеграция Crossss с используемым магазином почтовым рассыльщиком. 

Почтовый ретаргетинг

Большинство интернет-магазинов, которые мы подключаем, не имеет развитого email-маркетинга, а значит, и собственной почтовой базы, которая нужна для почтового ретаргетинга. Поэтому мы наладили неявный обмен почтовыми базами между интернет-магазинами. 

В соответствии с нашим стандартным договором, собранные магазином адреса электронной почты принадлежат Crossss, а магазину передаются бесплатно. Одновременно, если мы видим в интернет-магазине посетителя, которого узнали на сайте другого магазине, мы предложим ему получать письма и в пользу текущего магазина. 

В результате Crossss является обладателем, видимо, самой большой в Рунете базы почтового ретаргетинга (увязок куки-email). 

Алгоритмы

Все продукты работают на одной базе алгоритмов. Алгоритмическая машина состоит из трех уровней:

• Анализатор цикла покупки.
• Подбор рекомендаций.
• Ранжирование и бизнес-логика рекомендаций.

Анализатор цикла покупки нужен для того, чтобы определить, купит или не купит пользователь в текущий момент времени. Механизм нужен для того, чтобы выбрать алгоритм отбора рекомендаций для текущей страницы и состояния пользователя. Например, пользователь находится на этапе «поиска решения» и еще не определился с тем, какой телевизор ему купить — соответственно в этот момент мы показываем ему расширяющий выбор ассортимент — другие телевизоры. Если же пользователь уже выбрал модель, то мы рекомендуем ему докупить сопутствующие товары, кабели и тому подобное. 

Подбор рекомендаций — на этом уровне мы выбираем, какой алгоритм применить. Фактически, это такая машинка A/B-тестирования, которая для каждого магазина или страницы и посетителя, отнесенного к определенной группе (в том числе, по положению в цикле принятия решения о покупке), выбирает, какие из алгоритмов будут более эффективны. 

Ранжирование и бизнес-логика рекомендаций — уровень «Подбор рекомендаций», выбрав лучший алгоритм, выдает десятки, а то и сотни рекомендаций, при этом отрисовано будет, как правило, от трех до десяти. Ранжирование отбирает из этого набора те, которые с наибольшей вероятностью купит текущий пользователь и которые соответствуют определенным бизнес-правилам.

Кейсы 

Ювелирный магазин
Jenavi внедрил решение «Почтовый ретаргетинг в коробке». Уже за первые две недели с 13 по 25 августа были получены очень позитивные результаты: 

• Конверсия посетителей в подписчиков рассылки составила 6%.
• 52% подписавшихся хотя бы раз вернулись на сайт после получения автоматизированных email.
• 4,2% пользователей, вернувшихся по рассылке совершили заказы.
• 8,1% пользователей, бросивших корзину, вернулись и завершили заказ. 
• Общая конверсия в интернет-магазине выросла на 7,4%.
• Дополнительная выгода – быстрый рост базы подписчиков, с которыми можно будет продолжить работу.

В интернет-магазине одежды BeMad.ru были внедрены только блоки персональных товарных рекомендаций (в каталоге и на карточке товара). Результаты за первый месяц:

Увеличение глубины просмотра страниц на 24,6% и средней продолжительности посещения на 34%. Ценность посещения выросла на 178,4% (с 41 до 115 рублей). Средний чек увеличился на 62,7% (более чем на 1500 рублей).

Конкуренция с Retail Rocket

Результатом года более чем активной работы для нас стало то, что мы этим летом сравнялись с RetailRocket по числу подключенных магазинов. К сожалению, в среднем магазины, подключенные к RetailRocket, крупнее, и хотя среди наших клиентов тоже есть очень крупные и известные, нам до сих пор трудно доказывать, что наш продукт лучше. 

Поэтому мы решили, что доказывать свое превосходство надо объективными данными – например, A/B-тестом. Предыдущий A/B-тест мы

выиграли, но коллеги из RR сослались на то, что тест был настроен неправильно и перетащили таки клиента к себе. 

И вот новый A/B-тест.
Read.ru уже почти год работали с сервисом товарных рекомендаций RetailRocket, когда они решили сравнить эффективность его товарных рекомендаций с сервисом персонализации Сrossss. 

Условия теста

Поначалу мы даже немного опасались этого теста, поскольку сравнение должно было происходить после всего двух недель обучения Сrossss на данных read.ru, a RetailRocket там стоял уже год. 

Это значит, что у них к моменту теста было в 25 раз больше данных для рекомендаций — а при гигантском ассортименте read.ru (почти миллион наименований) это могло оказаться важным. К счастью, наш рекомендательный движок учитывает не только данные о поведении пользователей, но и данные продуктов, включая изображения, и поэтому начинает эффективно работать довольно быстро. 

Сравнение эффективности работы сервисов проводилось с помощью А/B-тестирования и настраивалось специалистами интернет-магазина. Вся аудитория сайта случайным образом в реальном времени делилась на три сегмента средствами интернет-магазина. 

20% являлись референсными и использовали рекомендации Retail Rocket. Двум равным сегментам по 40% показывались рекомендации Crossss и Retail Rocket. Идентификатор каждого сегмента посетителей передавался в систему Google Analytics, где производился анализ ключевых показателей эффективности работы магазина по каждому из сегментов. 

За базовый показатель А/B-теста по договоренности всех сторон был принят средний доход сегмента на сеанс. 

Результаты. Результаты в GA 

После четырех недель эксперимента Retail Rocket достиг безоговорочного превосходства над самим собой:

В результатах можно заметить две особенности:

• RetailRocket был на 6% лучше самого себя, и GA определило, что его вероятность превосходства — 95%. Это — A/A-тест данного эксперимента. Он говорит, что погрешность данных теста составляет порядка 6%. 
• Crossss был на 8% лучше, чем RetailRocket, но вероятность превосходства — меньше, поэтому GA определил выигравшим RR. 

Результаты. Данные Retail Rocket

Наши коллеги из RetailRocket предположили, что проблема может быть в семплинге данных, и предложили использовать сырые данные. Они получили следующую таблицу с помощью API Google Analytics. Немного настораживает сильное отличие выручки на посетителя и конверсии от результатов в интерфейсе, но в целом резонов не доверять таблице нет, и доступа к GA read.ru на момент написания этой статьи у нас уже нет:



В данных результатах RetailRocket (правда, без учета своей базовой части) тоже проиграл Crossss, но разница все равно меньше, чем точность эксперимента. 

Результаты. Анализ фактических заказов

Коллеги из магазина Read.ru, заказчика теста, пошли еще дальше. Они очистили данные от аннулированных и невыполненных заказов, после чего проанализировали данные заказов в разрезе статусов их состояния и выполняемости. 

Важно отметить, что данные по статусам заказов были получены через неделю после теста. Таким образом, с течением времени соотношения заказов с разными статусами еще могли немного измениться.

Были взяты все заказы из CRM Read.ru в разбивке по А/B-группам теста и вычтены из них: 

• все заказы, прошедшие через колл-центр; 
• все аннулированные заказы.

Получились следующие относительные цифры (100% — лучший результат из трёх А/B-групп):

Crossss

RR

Исходная (тоже RR)

Средний чек (-) заказы КЦ и (-) аннуляций

-4,7%

100,0%

-4,5%

Средний доход на визит по выполненным

-11,1%

100,0%

-11,1%

Доля выполненных заказов в штуках

-1,4%

-1,9%

100,0%

Как видим, по средним цифрам теперь впереди оказался RetailRocket. Однако данные исходной группы (тот же RetailRocket) практически совпадают с данными Crossss. При этом, в соотношении выполненных заказов Crossss оказался не хуже RetailRocket, а исходная группа (тот же RR) опередила тестовый RR почти на 2%.

Таким образом, и по очищенным средним данным разница показателей Сrossss и RR опять оказалась в рамках погрешности теста. 

Результаты. Эффективность определения интересов посетителей

Как же выяснить, какой рекомендательный сервис отработал лучше? Для этого надо отбросить элемент случайности, вносимый распределением сессий. Например, наши коллеги обратили внимание, что в сегмент Crossss случайно попал большой заказ более чем на 400 тысяч рублей (впрочем, реально оформленный и оплаченный). 

Вспомним, что одно из главных качеств сервиса персонализации — его способность предсказывать потребности посетителя — как в терминах того, что привлечет его внимание, так и в терминах конечных покупок. 

Внимание к рекомендациям корректно отражается CTR рекомендательного блока (при условии, что сравниваемые рекомендательные блоки одинаково оформлены). Способность сервиса рекомендаций предсказывать покупку посетителя отражается конверсией взаимодействовавшего с рекомендацией посетителя. На самом деле, мы в Crossss в своей схеме биллинга рекомендаций по CPO учитываем только те товары, которые  посетитель впервые увидел в рекомендации, кликнул и потом купил. 

Посмотрим на соответствующий отчет GA:



Как видно из этого отчета, доля сессий Crossss, в которых была кликнута по крайней мере одна рекомендация, 32755/822698/0,4 = 9,85%, в то время как у RR этот показатель — 12138/822698/0,6=2,46%. Значит, Crossss почти в четыре раза лучше угадывает интересы посетителя. 

К счастью, этот результат существенно превышает погрешность теста.
Конверсия посетителей в нашем канале также на 4,3% лучше чем у RR (впрочем, это опять в пределах погрешности, определенной A/A-тестом),  и в несколько раз лучше, чем средняя по сайту. По результатам теста Read.ru предложил заключение контракта сервису Crossss.

Комментарий генерального директора интернет-магазина Read.ru Михаила Гриценко: 

Для нашего магазина это был важный тест. Read.ru относительно многокатегорийный магазин, хотя ядро товаров составляют книги, а продвижение продаж других категорий является важной бизнес-задачей. То, что рекомендации дают однозначный прирост конверсии — ни для кого не секрет, но нам было важно понять факторы, которые могут привести те или иные алгоритмы к успеху. 

На настоящий момент мы только подтвердили основную гипотезу: с рекомендациями лучше, чем без них. Мы очень благодарны Crossss и RetailRocket за плодотворное сотрудничество и открытость, которые сделали возможным этот тест. Мы планируем повторить его на витрине Read.ru в начале следующего года, дав возможность обеим системам подготовиться и оказаться в равных условиях, конечно, если такое предложение будет ими принято.



About the author