Cuándo y cómo implementar el sistema de recomendación de productos

Las recomendaciones de productos se hicieron cada vez más populares después de que Amazon las introdujera en el comercio minorista en 2008 y podían proporcionar un gran valor tanto para los minoristas como para sus clientes. El bombo condujo a la aparición de muchos mitos, a veces peligrosos, asociados con las recomendaciones de productos (principalmente creados por los equipos de ventas y marketing de los proveedores). Es decir, es posible que todavía vea que la solución de recomendación de productos se presenta como una bala mágica totalmente autónoma, que aumentaría las ganancias de uno solo después de instalarse en el sitio web.

En realidad, las cosas son mucho más complicadas. Las recomendaciones de productos podrían hacer ambas cosas: aumentar sus ventas y arruinar la conversión. Y es un desafío medir el valor agregado de esto porque la mayoría de las herramientas analíticas gratuitas pueden engañarlo aquí, lo que resulta en un aumento de las pérdidas.

En este artículo, intentaría cubrir los temas más esenciales que un minorista debe tener en cuenta al tratar con las recomendaciones de productos y brindaría algunos consejos y trucos específicos sobre cómo aprovechar al máximo la recuperación de su producto.

Comience con los flujos de trabajo y las campañas, no con las herramientas

Las recomendaciones de productos son colecciones de artículos propuestos a los clientes para su compra. Las recomendaciones de productos pueden diferir según dónde se muestre la sugerencia de producto, por ejemplo, la tableta de un gerente de ventas o una tarjeta de producto, y los objetivos comerciales, por ejemplo, un aumento en el valor promedio de pedido o un aumento en la conversión o los ingresos.

Antes de implementar recomendaciones de productos, es crucial comprender en qué flujos de trabajo serán útiles para el cliente. En el negocio de comercio electrónico clásico, las recomendaciones se ven como tarjetas de productos que se muestran en varias partes del sitio web. Por ejemplo, elegir una camiseta en la web de una marca supondrá que se recomienden y se muestren al cliente otras camisetas similares.

Las recomendaciones sin conexión se pueden mostrar en el POS a un empleado de la tienda, un gerente de ventas en su tableta. Las recomendaciones de productos también pueden ser útiles para un centro de llamadas. Cuando llama un cliente, el operador puede sugerir productos basados en el historial de compras y las vistas del cliente.

Al mismo tiempo, las sugerencias de productos siempre se pueden ajustar para adaptarse mejor a los objetivos comerciales específicos o las necesidades de un segmento de audiencia. Por ejemplo, las recomendaciones pueden mostrar solo productos con descuento (para aumentar el UPT, unidad por transacción), solo productos producidos por una marca específica (por ejemplo, la que genera más ganancias) o solo productos que tienes muchos en stock.
Estos son algunos ejemplos de cómo pueden verse las recomendaciones en línea y fuera de línea:

Canales en línea

• En la página de inicio: productos populares;
• En el catálogo — productos populares de la categoría;
• En la ficha del producto: productos relacionados o similares;
• En el carrito: productos relacionados o los que los clientes compran con mayor frecuencia.

  
  

Canales sin conexión

• En el centro de llamadas: productos relacionados o comprados con frecuencia;
• En la tableta del gerente de ventas: bestsellers y colecciones de productos;
• En el POS — ofertas relacionadas o promocionales.

  
  

Lo que es crucial en todos estos casos de uso: idealmente, sus recomendaciones deben ser consistentes en los diferentes puntos de contacto y canales de comunicación. Solo imagine la experiencia que sus clientes pueden tener al recibir conjuntos diferentes (o incluso contradictorios) de productos recomendados en su correo electrónico promocional, catálogo de comercio electrónico y mientras hablan con un representante del centro de llamadas durante la confirmación del pedido. Si es el caso, podría considerar una solución que le permita orquestar de forma centralizada la lógica de recomendación de su producto a través de los puntos de contacto, es decir, una plataforma de datos del cliente (CDP) o similar.

La misma lógica se aplica a las variantes de algoritmos de recomendación de productos en diferentes etapas del viaje del cliente, es decir, puede que no tenga mucho sentido promocionar alternativas más baratas en el carrito de productos o en el proceso de pago (lo cubriremos con más detalle a continuación).

Cómo evaluar la eficiencia de las recomendaciones de productos

Las diferentes combinaciones del estado y la composición de las recomendaciones de productos afectan las métricas de varias maneras. Esto es cierto ya sea que busque métricas comerciales, como el valor promedio de los pedidos o los ingresos, o métricas de proxy (o intermediario), como la profundidad de la página, la tasa de clics y la cantidad de veces que los productos se agregaron a favoritos o al carrito del cliente.

Los productos populares con un descuento en la página de inicio pueden reducir el valor promedio del pedido, pero en cambio aumentan la tasa de conversión. La recomendación de productos similares y más caros en la ficha del producto puede reducir la tasa de conversión, pero aumentar el valor medio del pedido y el beneficio general.

La información sobre las métricas de proxy (como las vistas) se recopila más rápido, sin embargo, no siempre significa el éxito empresarial. Por ejemplo, una farmacia minorista, como parte del experimento que lanzamos en su sitio web, agregó recomendaciones de productos a la página del carrito para aumentar la cantidad de productos en cada compra. Durante dos días de prueba, la empresa perdió $30 000 en relación con el grupo de control. Resultó que los clientes comenzaron a abandonar el carrito para visitar las páginas de fichas de productos de las recomendaciones y se olvidaron de completar sus pedidos. Vimos aumentar la profundidad de la página, pero al final, los ingresos generales disminuyeron.

Estas son las métricas más afectadas por las recomendaciones de productos:

Métricas comerciales

• Ganancia
• Ganancia
• Conversión a una orden
• Valor promedio de pedido
• Número de productos en el pedido

Métricas de proxy

• Profundidad de la visita
• Duración de la sesión
• Porcentaje de rebote
• Vistas de la tarjeta de producto
• Artículo agregado al carrito, lista de deseos o lista de comparación

Para simplificar la tarea de compilar una lista de campañas de recomendación de productos, sugeriría clonar este e intercambiar ideas sobre soluciones que serán útiles para su negocio. Agregué algunas opciones allí como ejemplo.

Cómo personalizar las recomendaciones de productos

Después de determinar la lista de recomendaciones de productos y establecer métricas objetivo, debe pensar en cómo optimizar la calidad de sus recomendaciones de productos. Las recomendaciones de productos deberían ayudar a sugerir los artículos más útiles para los clientes. Para ello, las sugerencias de productos deben basarse en los siguientes factores:

• Objetivos comerciales: crecimiento de ingresos, rentabilidad, valor promedio de pedido, UPT y volúmenes de ventas;
• Comportamiento del cliente: historial de navegación, elementos agregados al carrito y favoritos, historial de compras en línea y fuera de línea;
• Comportamiento del cliente de otros clientes similares.

  
  

De esta forma, se formarán sugerencias de productos teniendo en cuenta los intereses de la empresa y del cliente. Cuantos más datos se tengan en cuenta, más precisas serán las sugerencias. Si el cliente compró una camisa sin conexión, la aplicación móvil le recomendará pantalones a juego, porque a otros clientes que compraron la misma camisa les encantaron estos pantalones.

Como suele suceder, el historial de la interacción del cliente con la marca y la gama de productos se almacena en varios sistemas: ventas fuera de línea en el software ERP, ventas en línea en algo como Shopify y acciones del cliente (por ejemplo, agregar artículos a la lista de deseos) en otro. plataforma. En este caso, es posible que no sepamos que el cliente que acaba de regresar al sitio web ya realizó una compra fuera de línea hace una hora. , por ejemplo, solía enviar correos electrónicos masivos a toda su audiencia semanalmente. El historial de compras en línea, las compras fuera de línea, los correos electrónicos, los SMS y las notificaciones push web se almacenaron en diferentes sistemas.

Como resultado, sus especialistas en marketing no tenían acceso a una única fuente de datos que les permitiera enviar campañas que tuvieran en cuenta el historial de compras. Los clientes podían recibir correos electrónicos que, por ejemplo, recomendaban Crocs que habían comprado el día anterior. Una de las reglas de oro de la analítica suena como "Garbade in - Garbade out", lo que significa que si alimenta su algoritmo con datos inconsistentes o incompletos, lo más probable es que también reciba resultados insatisfactorios. No hay magia aquí (todavía).

Para resolver este problema, los datos deben estar centralizados en un solo sistema. Es posible desarrollar un repositorio que permita que los datos acumulados se utilicen en actividades de marketing, pero esto es costoso. La forma más reciente de resolver ese cuello de botella es la clase de tecnologías denominadas Plataformas de datos de clientes. Proporcionan una gama completa de soluciones listas para usar para diferentes industrias.

La tecnología permite a las empresas cargar automáticamente datos sobre el comportamiento de los clientes desde un número ilimitado de fuentes, limpiar y unificar datos y obtener un historial completo de las interacciones de los clientes con la marca, sobre la base de la cual puede lanzar campañas de marketing, incluidas recomendaciones de productos.

Los datos acumulados también se pueden utilizar para entrenar algoritmos de aprendizaje automático. Incluso las empresas con decenas de miles de clientes acumulan suficientes datos en 3 o 4 meses (con aproximadamente un millón de registros de acciones de clientes generados durante este tiempo) para beneficiarse del aprendizaje automático. Los algoritmos crean un perfil de los intereses del cliente, encuentran usuarios similares y, en función de lo que compraron, recomiendan al cliente otros productos que tal vez quiera comprar. Así es exactamente como .

Otra ventaja de la centralización es el marketing omnicanal cohesivo. Aquí es cuando los canales en línea tienen en cuenta la popularidad de los artículos fuera de línea y se sincronizan las recomendaciones de productos en el sitio web y en las campañas. Por lo tanto, la centralización de datos aumenta significativamente la calidad de las recomendaciones de productos.

Hay muchos servicios que ofrecen recomendaciones de productos. Sus capacidades difieren en la cantidad de algoritmos, si le permiten personalizar las recomendaciones de productos o no, las herramientas que ofrecen para medir la eficiencia de las recomendaciones y las fuentes disponibles para cargar los datos para construir una matriz de recomendaciones. , , y Proporcionar a las empresas tecnologías que les permitan ajustar las recomendaciones de productos con soluciones ML y tener en cuenta los datos de las aplicaciones en línea, fuera de línea y móviles.

Cómo evaluar la eficiencia de las recomendaciones de productos

Las herramientas de medición del desempeño difieren según el canal en el que se utilizan las recomendaciones. Al mismo tiempo, independientemente del canal, el principio es el mismo. Los clientes se dividen en dos grupos. Un grupo recibe recomendaciones, mientras que el segundo no. Si las ventas son más altas en el grupo que recibe recomendaciones, entonces los clientes encontraron útiles las recomendaciones.

Canales en línea

Al realizar pruebas en línea, recomiendo usar Google's herramienta. Es gratis, solo se necesitan unos pocos pasos para configurar el experimento y no se requieren conocimientos de programación para crear la prueba.

Si ya trabaja con Google Analytics, Optimize puede usar datos de comercio electrónico para evaluar la eficiencia del experimento. Una variante del sitio web será la versión original sin ningún cambio, mientras que la otra variante mostrará recomendaciones de productos para los clientes. Para cada widget individual, debe configurar su experimento, asegurándose de que los datos no se mezclen; de lo contrario, no sabrá qué widget de recomendación específico ayuda y cuál no. , recibió un aumento del 5,5 % en los ingresos después de la implementación de las recomendaciones de productos.

Los experimentos en campañas de correo electrónico se configuran de manera similar. Una parte de los destinatarios recibe correos electrónicos con recomendaciones y la otra sin ellas. Las pruebas A/B están disponibles en casi todas las plataformas de marketing por correo electrónico.

Canales sin conexión

Una prueba A/B fuera de línea con un grupo de control funciona según el mismo principio que una prueba en línea. Esto se puede hacer cuando se prueban recomendaciones de productos dentro de un centro de llamadas. Cuando se realiza una llamada, el software del operador envía una solicitud al CDP, donde la audiencia ya está dividida en dos grupos. En la mitad de los casos, la plataforma muestra recomendaciones de productos en la pantalla del operador. En otros casos, no se proporcionan recomendaciones. Luego, con base en el informe integrado de CDP, se compara el comportamiento de ambos grupos para determinar dónde realizaron más compras los clientes. El mismo enfoque se puede aplicar con el software POS cuando el cajero ve recomendaciones para avisar al cliente solo la mitad de las veces.

Cuando las recomendaciones de productos no son útiles

Las recomendaciones de productos como herramienta fueron inventadas por Amazon Corporation para presentar a los clientes una gama de productos. Las recomendaciones de productos automatizadas no son útiles para las marcas con una gama de productos que consta de menos de 100 productos. En este caso, los algoritmos simplemente no tendrán suficientes productos para elegir. Por lo tanto, las recomendaciones se pueden configurar una vez manualmente en el CMS. Esto no solo será más económico ya que no hay necesidad de comprar tecnología de terceros, sino también más fácil ya que una vez configuradas las recomendaciones, no habrá necesidad de soportarlas.

Sin embargo, la situación difiere cuando se trata de recomendaciones que no han sido probadas en un grupo de control. Usando el ejemplo de la farmacia mencionada anteriormente (que implementó las recomendaciones y perdió $30,000 en dos días), sería justo decir que si las recomendaciones no se prueban, la empresa podría perder dinero. Si tomamos el ejemplo de una tienda de ropa para niños menores de diez años, me tomó tres iteraciones del experimento en un período de dos meses para lograr un crecimiento de ingresos de +25% en relación con el grupo de control.

Cómo lanzar recomendaciones de productos

Si decide probar las recomendaciones de productos en su negocio, le sugiero que siga estos pasos:

Crear una lista de campaña. Abra su propio sitio web e intente comprender en qué situaciones las recomendaciones podrían ser útiles para sus clientes. En esta etapa, recomiendo hacer una especie de "lista de deseos" de todo lo que crea que puede funcionar, desde soluciones simples, como productos populares en la página de inicio, hasta ventanas emergentes con recomendaciones personales cuando un cliente quiere abandonar el sitio web. Ordene el conjunto resultante de hipótesis de acuerdo con el alcance. Cuantas más personas vean las recomendaciones, más rápido obtendrá un resultado estadísticamente significativo en las pruebas. Para crear una lista de campañas, utilice el proporcioné arriba.

Definir métricas. Las métricas lo ayudarán a comprender qué productos desea recomendar y determinar los criterios para el éxito. Mi consejo es no complicar demasiado esta tarea al principio. Mire los ingresos y la profundidad de la página (también conocida como la "métrica de proxy rápido"). Para las recomendaciones fuera de línea, podrían ser los ingresos y el valor promedio de un pedido.

Muestre esta “lista de deseos” a los desarrolladores o representantes del servicio de recomendación de productos. Los desarrolladores podrán decirle cuánto tiempo tomará la implementación y los representantes de servicio le dirán cómo configurar rápidamente las campañas deseadas. En servicios como Bloomreach, Klaviyo o Mindbox, las campañas más populares se proporcionan listas para usar. Los comentarios de sus colegas también le permitirán ajustar el plan de lanzamiento; ciertas etapas se pueden implementar más rápido.

Garantice la capacidad de gestión y la personalización. Compruebe que podrá coordinar su lógica de recomendaciones en diferentes puntos de contacto y personalizarla para que se adapte mejor a un segmento específico de clientes, es decir, amantes de la marca, compras importantes, etc.

Sube el historial de interacción del cliente con la marca y la gama de productos al servicio de recomendación de productos. Los datos de los canales en línea y fuera de línea, así como las aplicaciones móviles, le permitirán generar mejores sugerencias y garantizar un marketing uniforme en todos los puntos de contacto. Si usa un CDP, también puede usar los datos acumulados para otras campañas de marketing.

Configurar una herramienta de prueba. Por ejemplo, puede usar Google Optimize para canales en línea y un grupo de control para canales fuera de línea. La distribución de los grupos principal y de control puede ser 50/50, mientras que la eficiencia puede evaluarse por los ingresos.

Supervise el progreso del experimento y ajuste las recomendaciones de productos si no funcionan como se esperaba. Pueden pasar hasta 2 o 3 meses antes de que reciba los primeros resultados exitosos, y algunos widgets pueden causar una disminución en los ingresos. Sin embargo, una vez que todo esté en funcionamiento, verá un aumento del 5,5% en los ingresos, como lo hizo la tienda en línea Incanto.