Fashion Retail сегодня: тенденции развития и нерешенные проблемы
Игорь Бахарев
Онлайн-магазины одежды и обуви — одно из
Вдобавок это еще и одно из самых интересных направлений в плане его маркетингового продвижения. Тут работает принцип: чем эмоциональнее товар, тем изощреннее может быть коммуникация с потребителем. Поэтому модные онлайн-магазины то и дело вводят новшества, обрастают инновационными сервисами, экспериментируют с технологиями и персонализацией — лишь бы быть ближе к своему пользователю.
Специально для тех, кто связан с электронной коммерцией в сфере моды, мы подготовили исчерпывающий список последних веяний. А чтобы жизнь не казалась сахаром — список открытых вопросов и больных мест онлайн-ритейла в сегменте fashion.
Статья будет интересна вообще всем из сферы e-commerce, так как магазины одежды — трендсеттеры, вестники технического прогресса в электронной торговле. Жизнь заставляет их быть таковыми.
Сначала о хорошем.
Актуальные тренды в сегменте fashion retail
Мы проанализировали десятки зарубежных изданий, пишущих об электронной коммерции и добавили собственный опыт (наша команда работает над инструментом персонализации
Вот что сейчас модно в интернет-магазинах одежды и обуви:
1. Инновационная презентация продукта. Недавно
2. Вращение товара на 360 градусов. Пользователя пытаются максимально приблизить к реалиями офлайн-точки: ботинок всегда хочется покрутить в руках.
3. Эффект “лупы”. Уже классический прием, однако не теряющий актуальности. Предъявляет требования к фотоконтенту — фотографии должны быть качественными, профессиональными и в высоком разрешении.
4. Виртуальная примерочная. Явление существует как в виде меняющихся картинок поверх загруженной фотографии пользователя, так и в виде полноценного сервиса с привлечением веб-камеры. Пользователь может буквально “примерять” одежду на свою видео-проекцию (хотя существующие сервисы далеки от совершенства).
На скриншоте: виртуальная примерочная LookWish
5. Луки. Всегда хочется знать, как та или иная вещь будет смотреться в сочетании с другими. Кроме того, такой рекомендательный механизм помогает набить корзину пользователя другими товарами из лука. Работающий кросс-сейл в чистом виде.
6. Видеолуки. Еще способ продемонстрировать, как одежда сидит на фигуре.
7. Состав и способы ухода. Перед покупкой пользователь должен узнать об этом платье все: сколько в нем процентов натуральной шерсти, как его стирать и гладить. Добавление такой информации к товару повышает шансы на завершенную покупку.
8. Таблица размеров. Эпопея с размерами — это больная мозоль fashion-ритейла, но об этом позже. Простая таблица соответствий размеров помогает пользователю принять правильное решение.
9. Характеристики модели на фото. Это пальто хорошо сидит на девушке с сайта, вопросов нет. Укажите ее рост и размеры, дабы не вводить пользователей в заблуждение.
10. Ориентация на миллениалов. Так называемое “поколение Y”, родившееся в 80-х и 90-х имеет характерную черту: они технически подкованы и склонны долго не расставаться с детством. Эту черту можно смело эксплуатировать, тем более, что нынешние миллениалы уже давно стали платежеспособным сегментом.
11. Расширение функций мобильных приложений. Удобная покупка из приложения — хороший бонус для бизнеса. Особенно учитывая предыдущий пункт.
12. Использование BigData. Последние лет пять маркетологи настойчиво повторяют эту мантру, однако приносить реальные плоды бизнесу BigData начала относительно недавно. Анализ пользователей по сотням параметров, построение моделей, выводы на основе связей с другими пользователями — сложные математические формулы, которые в итоге дает вполне конкретный результат: магазин может рекомендовать пользователю именно то, что понравится ему. Быть этаким предсказателем с очень малой погрешностью.
13. Персонализация контента. Подразумевает вывод уникального контента везде: в товарных рекомендациях, баннерной рекламе, рекомендуемых статьях, даже почтовых и SMS-рассылках. Так, согласно
Источник инфографики: invesp.com
14. Сегментация контента по погоде. Уникальная особенность интернет-магазинов одежды и обуви. На улице дождливо и холодно уже неделю — невольно задумаешься о покупке шарфа или перчаток.
15. Использование последних технологий. Хотя подобные внедрения часто напоминают смелые эксперименты, их факт нельзя отрицать. Технологии — это
Например, Chico’s, магазин одежды для женщин за 30,
16. Переход онлайн-магазинов в офлайн. Яркий пример — магазин косметики BirchBox. Это очень закономерный шаг, онлайн-бизнес старается следовать философии омниканальных продаж — когда пользователь получает возможность взаимодействовать с магазином удобным ему способом: через сайт, колл-центр, “физический” филиал и т.д., при этом информация синхронизируется и не теряется.
17. Социальные сети как платформа продаж. Еще пять лет назад попытки продавать в социальных сетях особым успехом не отличались. Сегодня мы видим массу любопытных примеров: стоит вспомнить недавний кейс IKEA с их
С тенденциями понятно, однако у индустрии есть ряд вполне ощутимых проблем, которые по сей день не решены (или решены частично).
Проблемы e-commerce сайтов сегмента одежды и обуви
Большая часть проблем связана именно с персонализацией витрины и механизмами рекомендаций. Дело в том, что модный сегмент в принципе очень специфичен: рекомендовать телевизоры и рекомендовать босоножки — это вообще небо и земля. В первом случае выбор чисто рациональный: система анализирует, что пользователю интересны плазменные панели не менее такой-то диагонали и рекомендует аналоги. Во втором случае вся собранная аналитика может вдруг оказаться бесполезной — сейчас попытаемся раскрыть причины сложностей.
Проблема меняющихся трендов. Ваша рекомендательная система долго собирала информацию и выводила закономерности, и только она решила порекомендовать девушке вот этот клатч — как вдруг случилась очередная неделя высокой моды и такие клатчи оказались аутсайдерами из “старой коллекции”. Грубый пример, но суть передает. Современная рекомендательная система должна уметь адаптироваться под динамично меняющиеся условия.
У рекомендательной системы есть два разных «уровня», на которых она должна работать: а) глобальные оценки, медленно меняющиеся особенности и предпочтения, интересные страницы, зависимость от user features (география, пол etc.) и т.д. и б) кратковременные тренды, hotness, быстрые изменения интереса во времени.
Сергей Николенко, основатель Surfingbird
Почти 100% смена ассортимента от сезона к сезону. Вряд ли какая-то другая отрасль может пожаловаться на полную смену товарных позиций и SKU в каталоге. Ну, разве что шинные магазины. Это снова создает определенные требования к механизму рекомендаций.
Потребность в уникальном отраслевом алгоритме. Без него в рекомендациях мужчинам могут появиться дамские трусики, и абсолютно всем магазин может начать советовать одежду неподходящего размера. Во вкусе пользователей, но на три размера больше, например. Тут нужна тонкая настройка на определенные SKU — и звучит это проще, чем обстоит на деле.
Очевидно, что рекомендовать одежду неподходящего размера бесполезно: это приведет к снижению эффективности рекомендательной системы и бизнеса в целом. Поэтому в сегменте онлайн-ритейла одежды работает особый отраслевой алгоритм. Он определяет пол и физиологические особенности покупателя и устраняет из рекомендаций товары, которые покупатель никогда не купит.
Проблема холодного старта. Когда система получает нового пользователя, она не может эффективно рекомендовать товары. Аналогично с новыми товарами — когда по ним нет никакой статистики, их сложно рекомендовать. Эти моменты система должна уметь “обходить”, например, рекомендуя новые товары в принудительном порядке, дабы измерить реакцию пользователей и накопить информацию к анализу.
В магазине
Меняющиеся предпочтения. Cегодня я ищу кроссовки для тренировок, завтра зимние классические ботинки, потом туфли в подарок маме - в итоге система может иметь довольно спутанные представления о моих вкусах. Например, станет рекомендовать женские вещи, как в примере ранее. Лечится анализом социального графа, однако, не всегда на сайтах предусмотрена авторизация через соцсети.
Согласно статистике,
Проблема непредсказуемости. Некоторые случаи пользовательского поведения вообще слабо поддаются анализу и построению каких-либо выводов на основе таких данных. Например, одному человеку может нравиться и Metallica, и фолковые The Dubliners — в этом случае рекомендательные алгоритмы музыкального сервиса, вероятно, будут анализировать контрастные предпочтения независимо друг от друга. Если уходить в терминологию, здесь будет работать коллаборативная фильтрация, а не схожесть характеристик. В случае с fashion-сегментом тоже возможны подобные случаи.
Проблема с неподходящим размером. Эта проблема не касается персонализации, но очень существенно бьет по ритейлеру. Дело в том, что в магазинах с услугой примерки вещей пользователи часто заказывают несколько размеров сразу (чтобы потом вернуть те, что не подошли). Для магазина это колоссальные упущенные выгоды, так как товары отсутствуют на складе все время примерки. Плюс затраты на транспортировку. Проблему
В заключение хотелось бы сказать, что персонализация — действительно мощный инструмент повышения продаж, а чем сложнее специфика бизнеса, тем интереснее находить под них программные решения.
Всех fashion-ритейлеров поздравляем с наступившим весенним сезоном. Продаж вам и правильных рекомендаций вашим пользователям!
Подписаться на новости
Прочитаете,
когда вам будет удобно
Свежий дайджест из мира
eCommerce у вас в почте