Как обеспечить персонализированный подход в онлайне: Кейс МЮЗ

Ювелирные изделия, тем более премиум сегмента - это не тот товар, который с легкостью покупают в интернете. В этой сфере важно доверие и лояльность клиентов, поэтому особенное внимание нужно уделять построению коммуникации с покупателями во всех каналах и постоянно работать над улучшением сервиса. В оффлайн-магазине хороший консультант всегда подскажет, что выбрать, подберет комплект и поможет сориентироваться в ассортименте. В интернет-магазине эту роль берут на себя персональные товарные рекомендации.

Руководитель отдела онлайн-продаж Московского ювелирного завода Дарья Велигодская рассказывает о том, как тестирование рекомендаций на страницах сайта помогает увеличить конверсию в покупки.

Московский ювелирный завод - одно из старейших ювелирных предприятий России с богатой историей. Созданная более 90 лет назад компания сочетает в себе уважение к традициям и внимание к современным трендам.

За почти вековую историю сеть Московского ювелирного завода выросла до 300 магазинов более чем в 100 городах России. А в 2010 году был открыт интернет-магазин компании Miuz.ru, которой предлагает услугу резервирования и перемещения украшений в любой фирменный розничный магазин сети.

Мы уже 2 года успешно сотрудничаем с платформой Retail Rocket, которая позволяет нам переносить наши ценности из офлайна в онлайн и обеспечивать персонализированный подход.

На нашем сайте miuz.ru персональные рекомендации сопровождают покупателя на протяжении всех этапов выбора и покупки товара: от главной страницы до корзины. Они помогают найти то, им нравится, служат своего рода консультантами, предлагающими товары, которые будут интересны конкретному покупателю.

Одно из преимуществ Retail Rocket состоит в том, что команда платформы старается улучшить то, что и так работает. Через некоторое время после установки блоков персональных рекомендаций они запустили серию тестов, чтобы понять, какие виды рекомендаций, какое количество блоков и в каком порядке принесут магазину наибольшую конверсию и выручку.

Кейс тестирования рекомендаций в карточке товара

Мы многое знаем о поведении наших покупателей, но любое экспертное мнение нужно проверять. Какие рекомендации хотят видеть наши покупатели вместе с товаром? Похожие альтернативы или дополняющие товары для комплекта? А может быть и то и другое? Наша задача - мягко и ненавязчиво предложить покупателю увеличить количество покупок или их стоимость, как это это делает консультант в офлайне.

Именно поэтому мы рады, что все гипотезы можно проверить и подтвердить цифрами.

Команда Retail Rocket провела AB-тестирование, при котором все посетители сайта были случайным образом разделены на 5 сегментов:

1. Первый сегмент видел похожие товары. То есть альтернативы, похожие на товар, который пользователь смотрит в данный момент:

2. Второй сегмент видел сопутствующие товары - предложения, которыми можно дополнить заказ:

3. Третьему сегменту показывались сразу два блока: похожие товары (сверху) и сопутствующие товары (под блоком с похожими товарами)

4. Четвертому сегменту также показывались сразу два блока, но в обратном порядке: сопутствующие товары сверху и похожие товары под ним

5. Пятый сегмент был контрольной группой, т.е. этим пользователям рекомендации не показывались

В результате теста мы получили следующие данные:

Кейс тестирования рекомендаций на странице категории

Посетителей сайта, которые просматривают товары в категории, можно сравнить с клиентами, которые пришли в магазин и хотят купить серьги или колье, но пока не знают, что конкретно выбрать. Грамотные консультанты оценивают стиль и предпочтения клиента, задают наводящие вопросы и предлагают подходящие варианты. Ту же самую роль играют рекомендации на сайте. С помощью анализа поведения пользователей, их истории покупок и просмотров, формируется персонализированная подборка товаров для каждого клиента.

На странице категории мы также провели тестирование, чтобы понять, какой из вариантов рекомендаций эффективнее. Как и в случае с карточкой товара, все посетители сайта были случайным образом разделены на 4 сегмента:

1. Первому сегменту показывались хиты продаж магазина, т.е. самые популярные товары среди всех пользователей

2. Второму сегменту показывались популярные товары, персонализированные с учетом интересов пользователя

3. Третьему сегменту показывались персональные рекомендации товаров из категории на основе истории просмотров пользователя

4. Четвертый сегмент был контрольной группой: рекомендации пользователям не показывались

По итогам тестирования мы получите такие результаты:

Заключение

Персональные рекомендации помогают нам выстраивать коммуникацию с интернет-покупателями и предоставлять им тот уровень сервиса, который мы обеспечиваем в офлайне. С помощью нашей внутренней экспертизы и команды Retail Rocket нам удается создавать персонализированный покупательский опыт в онлайн-пространстве. А тестирование эффективности различных алгоритмов и вариантов расположения рекомендательных блоков позволяют увеличить конверсию интернет-магазина.