Como aumentar as taxas de conversão em 32%: um estudo de caso de mecanismo de recomendação

Como aumentar as taxas de conversão em 32%: um estudo de caso de mecanismo de recomendação


A personalização, disse Mottershead, está "fornecendo comunicações relevantes e personalizadas para o usuário certo no momento certo".

Os benefícios da personalização incluem melhorar as métricas de KPI e melhorar a experiência da marca para os consumidores. Os clientes querem se inspirar, disse Mottershead, e mostraram conteúdo relevante que eles podem não ter pensado em si mesmos.

Isso torna a personalização uma ferramenta inestimável para os varejistas, que podem usá-la para apresentar aos clientes produtos relevantes de uma loja on-line que, de outra forma, talvez não encontrassem.

Nick Mottershead ilustra a importância da personalização com uma estatística do Relatório de otimização da taxa de conversão do Econsultancy

Entrar motores de recomendação: um tipo de sistema de filtragem de informações que usa algoritmos de aprendizado de máquina para fornecer os itens ou conteúdo mais relevantes a um usuário. Os mecanismos de recomendação podem incorporar uma variedade de dados, incluindo o comportamento de compra do usuário, o comportamento de navegação do usuário, a demografia do usuário e os acionadores em tempo real.

Como isso funciona na prática? A Mottershead usou um estudo de caso de um grande varejista on-line, com quem a Lynchpin Analytics trabalhou para implementar um mecanismo de recomendação, para ilustrar como os mecanismos de recomendação podem beneficiar os varejistas, elevar as taxas de conversão e melhorar a receita.

Ele conduziu o público pelo processo do início ao fim, explicando como Lynchpin desenvolveu e executou seu mecanismo de recomendação, o que aprendeu com o processo e como pretende melhorar o sistema no futuro.

O poder da personalização: etapas simples para fornecer uma experiência única ao cliente

Um estudo de caso de personalização de varejo

Quem, o que, porque?

O cliente da Lynchpin era um grande varejista on-line que queria melhorar as taxas de conversão e o valor médio do pedido, oferecendo listagens de produtos mais relevantes e personalizadas em seu website.

Em termos de dados, disse Mottershead, Lynchpin queria analisar o comportamento do usuário para determinar os produtos que um consumidor provavelmente compraria e usá-los para fornecer recomendações.

Coleta e compreensão de dados

A coleta de dados inicial envolveu o acesso a dados transacionais históricos em todos os mercados e, em seguida, o uso de uma ferramenta de venda cruzada para descobrir insights.

A ferramenta analisou os crossovers em um nível de categoria e SKU (stock keeping unit), determinando as categorias de produtos e os códigos de produtos adquiridos por cada consumidor, a fim de estabelecer associações entre eles.

Análise de cesta de mercado e relações de produto

A equipe da Mottershead descobriu um problema inesperado de qualidade com seus dados, pois o ID do usuário alocado para clientes que fizeram check-out como convidados não foi consistente ao longo do tempo, dificultando a vinculação de compras repetidas.

Para neutralizar isso, a equipe usou um tipo de modelagem chamado Market Basket Analysis, que procura por combinações de itens que ocorrem juntos frequentemente em transações.

Estes foram então usados ​​para gerar um conjunto de regras de associação “se isso, então”:

  • Clientes que compraram istotambém comprou naquela
  • Usuários que ouviram isto também ouviu naquela
  • Assinantes que leem isto leia também naquela… e assim por diante.

A partir desses dados, a equipe criou uma Rede de Relações de Produtos que mapeou visualmente as relações entre os produtos que os clientes freqüentemente compravam juntos.

Um slide de apresentação mostrando a rede de visualização de relações de produto criada pelo Lynchpin Analytics.

A Mottershead explicou que isso poderia ser usado pela equipe de treinamento para entender como inspirar os clientes mostrando produtos relacionados entre si – produtos que poderiam ter um caminho complicado entre eles devido à estrutura do site.

Resultados e avaliação

Como essas recomendações apareceram no site? Os usuários com um produto em sua cesta ou com um histórico de compras no site receberiam um banner com os itens recomendados na página da cesta e na página inicial.

Todas as páginas de produtos também foram atualizadas com banners de itens que os usuários provavelmente comprariam com base no produto que está sendo visualizado, muito parecido com o da Amazon. "Clientes que viram este item também viram…" ou "O que os clientes compram depois de ver este item?" Banners de recomendação.

Mottershead descreveu os algoritmos como uma otimização que você poderia “sentar e colocar uma vez” e depois deixá-los em seus próprios dispositivos. Não houve necessidade de atualizar o mecanismo em tempo real – atualizações semanais ou mensais eram suficientes para manter as recomendações atualizadas e atualizadas.

Ele observou que havia alguns produtos que os clientes comprariam várias vezes, levando a Lynchpin a aplicar algumas regras específicas de negócios com base no cliente e no tipo de produtos que eles vendem.

As regras de compra do mecanismo de recomendação foram exibidas como um arquivo .csv simples. Esse formato significava que as informações poderiam ser compartilhadas em toda a empresa, dando às equipes de diferentes partes da empresa informações que elas poderiam usar – em vez de os insights serem uma “caixa preta que fica no site”, como a Mottershead disse.

Quais foram os resultados do estudo de caso? O piloto do motor da Lynchpin no Reino Unido alcançou Aumento de taxa de conversão de 32%, bem como 23% aumento de receita.

Nick Mottershead da Lynchpin Analytics está na frente de um slide detalhando a saída e os resultados do estudo do elenco.

A equipe da Mottershead ainda está aperfeiçoando o mecanismo, trabalhando para desenvolver algoritmos mais sofisticados que fazem uso de informações como tempo e comportamento no local. No momento, ele disse, a personalização é muito “um-para-muitos” – o ideal, eventualmente, é a personalização um-para-um.

Cinco dicas para personalização

Mottershead concluiu sua palestra com cinco dicas para realizar uma personalização eficaz:

1. Tome medidas sobre os dados que você tem hoje – mesmo que não seja de 360 ​​graus

A Mottershead enfatizou em vários pontos que você não precisa de uma visão completa do cliente em 360 graus para usar seus dados para personalização.

Na verdade, ele afirmou que ter um escopo mais limitado – e ser capaz de agir imediatamente – é mais eficaz do que ter grandes quantidades de dados.

2. Obtenha acesso aos dados que você tem em toda a organização

Os dados são muitas vezes isolados e espalhados por várias unidades de negócios: dados de CRM, dados transacionais, dados de interação na Web – a lista continua. Unificar estes, disse Mottershead, é a chave para um poderoso projeto de personalização.

3. Um modelo mais avançado não é necessariamente um modelo melhor

Complexidade não é necessariamente melhor. Entender o que está sendo alimentado no modelo, o que a saída significa e por que pode ser mais importante do que a própria saída.

4. Determinar como medir o sucesso

Quais são os principais KPIs que sua personalização deve afetar?

Mantê-lo simples e quantificável, aconselhou Mottershead, é provavelmente a melhor abordagem: por exemplo, "Eu quero aumentar a taxa de conversão para compradores pela primeira vez". Esse tipo de meta é compartilhável e muito simples para o teste A / B.

5. Adote uma mentalidade de “testar e aprender”

Falando em testes: a personalização deve ser um processo em evolução, não uma solução única fornecida por um modelo.

A Mottershead aconselhou o público a começar a trabalhar de maneira simples e lenta, à medida que se tornam mais confiantes e começam a entender melhor seus clientes e seus dados.

O post Como aumentar as taxas de conversão em 32%: um estudo de caso de mecanismo de recomendação apareceu primeiro no Econsultancy.




Sites imperdíveis:

Compressão de foto e imagem – Por que isso é importante, ferramentas e plugins.

Ganhar dinheiro com um negócio online: como começar hoje mesmo

Veja como uma fórmula simples pode ajudá-lo a ser um comprador de roupas mais inteligente

Desafio De 30 Dias #7 – Diário De

O Fotógrafo e o Marketing

SyntaxHighlighter simples em PHP – código-bude.net

Como evitar e prevenir lesões esportivas

A Importância da Comunicação Visual no Marketing

Ganhar Dinheiro Online