Začínáme s testováním doporučení produktů a personalizací

Personalizace je velké téma, kvůli kterému mají týmy často pocit přehlcení, když mají rozhodnout, kde začít, protože existuje tolik různých způsobů, jak přizpůsobit digitální zákaznickou zkušenost.

Kromě toho, že doporučení produktů patří k těm nejjednodušším typům personalizace, dokážou také přinést ty nejvýznamnější výsledky pro firmy, a proto se jich tolik rozhoduje nasadit je hned od začátku (a dokonce i v pokročilejší fázi jejich cesty s personalizací). Doporučení produktů lze například implementovat napříč celým webem (na domovské stránce, stránkách kategorií a produktů, ale i ve vyhledávání a v pokladně), což pomáhá zlepšit objevitelnost a příležitosti pro upselling či cross-selling. 

Jak tedy mohou týmy tento základní prvek personalizace uvést do praxe a začít sklízet plody v podobě konverzí, průměrné hodnoty objednávky a tržeb?

Stručně řečeno, týmy nakonec po provedení kroků popsaných v tomto příspěvku dosáhnou následujícího:

1. Prioritizace testů doporučení produktů na základě dopadu 

2. Testování algoritmů pro určení toho nejlepšího pro dané publikum 

3. Doladění výkonu testováním dalších prvků uživatelského prostředí

Teď se podíváme na práci, která za tím vším stojí.

Jelikož víme, že chceme spustit kampaně zaměřené na doporučování produktů, naším dalším přirozeným krokem je výběr publika, kterému chceme tuto zkušenost doručit.

Nejseš si jistý, jak vybrat tu správnou?

S využitím rámce primárních publik mohou týmy identifikovat 3–4 primární publika, která pokrývají 100 % návštěvnosti webu a jsou založena na jediném segmentačním principu, což zajišťuje přesnou a konzistentní komunikaci a také škálovatelnost při realizaci i v učení.

Přečtěte si více o tom, jak vybrat sadu primárních publik.

Stále oblíbenějším principem segmentace, který vyplývá z přirozeného vývoje trendů spotřebitelského chování v čase, je rozdělení skupin publik podle nízkého, středního a vysokého nákupního záměru.

Zde jsou některé charakteristiky / postřehy, které můžeme spojovat s jednotlivými publiky:

• Nízký záměr:
  • Nové pro značku nebo web
    
  • Neznalost výběru produktů na webu
  • Omezená doba strávená na webu a minimální poznatky z údajů o procházení
  • Do košíku nebyly přidány žádné položky
• Střední úmysl:
  • Určitá znalost společnosti
  • Může se rozhodovat mezi značkami nebo produkty
  • Může se jednat o registraci k odběru e-mailů nebo věrnostnímu členství
  • Přidal položku do košíku, ale ještě ji nezakoupil
• Vysoký záměr:
  • Má dobrou představu o tom, co chce
  • Pochopení toho, proč by měli nakupovat u dané společnosti
  • Buď produkt ještě nenašel, nebo potřebuje poslední impuls
  • Spousta poznatků založených na datech z aktivit na webu
  • Dále v nákupním cyklu

Abychom to zjednodušili, zaměříme se na publikum s vysokým úmyslem a provedeme vás procesem, jak pro toto publikum uživatelů vytvořit hypotézu, nastavit a vytvořit experiment.

Věděli jste, že doporučení zobrazená na stránkách s detaily produktů (PDP) generují většinu přímých příjmů, když se podíváte na celkový dopad těchto kampaní v rámci širšího personalizačního programu společnosti?

Ve skutečnosti v průměru 60–70 % nebo více.

Dává to smysl, protože oblasti webu, jako jsou stránky PDP, buď zaznamenávají vysokou návštěvnost (získávají velkou pozornost), nebo se nacházejí níže v konverzním funelu, kde jsou doporučení produktů velmi vhodná, protože uživatelé v této fázi nákupního procesu jsou obvykle připraveni více nakupovat.

Začneme tedy tam, abychom zaručili maximální dopad v dřívější fázi našich experimentů s doporučováním produktů, což usnadní prokázání hodnoty a uvolnění interních zdrojů a podpory pro další testy. 

Doporučovací strategie poskytují logiku výběru položek ve widgetu na základě konkrétního algoritmu (např. nejoblíbenější položky, položky, které si uživatel v minulosti prohlížel atd.). A stejně jako existuje spousta různých typů personalizovaných zážitků, které může značka poskytnout, existuje také spousta doporučovacích strategií, se kterými můžeš experimentovat.

Zkusme naše možnosti zúžit tím, že zformulujeme hypotézu o tom, co by podle nás fungovalo nejlépe pro každou cílovou skupinu jako celek a proč. Dobrým způsobem, jak vytvořit hypotézu, je použít následující tvrzení a doplnit chybějící podrobnosti:

KDYŽ [navrhovaná změna webu nebo digitálního zážitku] PRO [publikum], PAK [dopad na KPI], PROTOŽE [důvod, proč si myslíš, že výsledek bude pozitivní].

Jak by se naše publikum s vysokým úmyslem („High Intent“) mohlo na základě počátečních poznatků z procesu výběru publikum dobře doplňovat s různými doporučujícími algoritmy?

Publikum

• Vysoký zájem

Umístění na webu: stránka detailu produktu

• Podobnost
• Afinita

Výše uvedené možnosti představují některé základní úvodní algoritmy, které lze vyzkoušet na PDP – vítězné varianty se mohou výrazně lišit podle značky, uživatelské základny a publika, což je přesně důvod, proč vůbec testujeme.

Přečtěte si základní informace o výběru správné strategie doporučování produktů.

Obecně platí, že doporučení produktů považujeme za stálé prvky na webu, takže je důležité nastavit správné klíčové ukazatele výkonu (KPI) pro pochopení dlouhodobého dopadu. I když se každý test doporučení produktů bude lišit v závislosti na tom, na které stránce je widget umístěn (a dokonce i na tom, jak je widget navržen, např. zahrnuje výzvu k akci (CTA) pro přidání do košíku), dobrým pravidlem je podívat se na další logický krok v konverzním funelu. 

V případě domovské stránky by to například byla míra prokliku (CTR) nebo zobrazení stránky, zatímco pro stránku se seznamem produktů (PLP) by dávalo smysl zobrazení produktu nebo přidání do košíku a pro samotný košík tržba na uživatele. Jelikož se soustředíme na stránku s detailem produktu, vhodným KPI by v našem případě bylo přidání do košíku nebo nákupy na uživatele.

Teď se podíváme na naši hypotézu pro „strategii podobnosti“, která se nejlépe hodí pro publikum s „vysokým záměrem“, a uvidíme, jak rezonuje:

POKUD na stránce s detailem produktu zobrazíme podobné produkty pro uživatele s vysokým úmyslem nákupu, PAK uvidíme nárůst nákupů na uživatele, PROTOŽE jim ukazujeme položky, které jsou vhodnější verzí produktu, na který se dívají.

Pokud se však naše počáteční hypotéza neukáže jako pravdivá, vždy doporučujeme otestovat vzájemně alespoň dvě doporučovací strategie (stejně jako kontrolní vzorek). 

Proto by naše druhá hypotéza pro strategii „Afinita“ (která se pro toto publikum také skvěle hodí) mohla vypadat nějak takto:

POKUD na stránce detailu produktu z咊ážeme produkty založené na preferencích pro uživatele s vysokým úmyslem nákupu, PAK uvidíme nárůst nákupů na uživatele, PROTOŽE doručujeme ucelená doporučení produktů, která jsou více personalizovaná podle jejich preferencí.

A jdeme testovat tyto teorie.

Po spuštění jakéhokoli experimentu je důležité nechat test běžet minimálně dva týdny, abyste dosáhli statistické významnosti a zároveň omezili případné vlivy sezónnosti.

Kromě statistické významnosti doporučujeme také změřit pravděpodobnost, že konkrétní varianta bude nejlepší (P2BB — Probability to Be Best). To ukazuje na její dlouhodobou pravděpodobnost, že překkoná všechny ostatní aktivní varianty, což v našem případě zahrnuje doporučení poskytovaná pomocí strategie „Similarity“ oproti „Affinity“ strategii a následně oproti naší kontrolní skupině.

Standardní postup říká, že pokud P2BB vedoucí varianty přesáhne 95 %, lze ji prohlásit za vítěze. Hodnota 80 % je však obvykle dostatečně zdravou prahovou hodnotou pro zahájení akce – platí to zejména pro weby s menší návštěvností, které mohou k naplnění výsledků vyžadovat více času.

Pro naše účely řekněme, že „Affinity“ algoritmus dosáhl P2BB 80 %. Poté chceme vyhlásit jeho vítěznou pozici a ukončit fungování prohrávajícího algoritmu, přičemž si poznamenáme, proč ho naše publikum „High intent“ upřednostnilo před strategií „Similarity“. 

V tomto případě dojdeme k závěru, že personalizovaná doporučení založená na dříve projevených afinitách jednotlivce byla účinnější než zobrazení podobné položky, kterou již toto publikum mělo zobrazenou. A s těmito poznatky pak otestujeme další algoritmus oproti naší vítězné strategii „Afinita“.

Naším dalším testem může být zcela jiný algoritm, například „Zobrazeno společně“, případně můžeme provést úpravy stávajícího experimentu. Například přidání pravidel dynamického zahrnutí/vyloučení, jako je „zobrazit pouze produkty nad 25 $“ nebo „zobrazit pouze položky ve stejné kategorii“.

Tento proces lze donekonečna opakovat k dalšímu maximalizování výsledků, ale vždy je dobré stanovit si cílovou hodnotu, která poskytne prostor pro další vylepšení prostředí, jako je například prvek zpráv v doporučovacím widgetu.

Vzhledem k tomu, že název doporučujícího widgetu se obvykle skládá jen z několika slov, se to může zdát triviální, ale je naprosto zásadní publiku vysvětlit v kontextu, proč se mu zobrazuje zrovna určitý výběr produktů.

Pomocí našeho úspěšného algoritmu „afinity“ sestavíme řadu možností zpráv, které otestujeme a nasadíme v nejvýkonnější variantě:

• Kontrola – Doporučeno pro tebe

• Varianta A – Jen pro tebe 

• Varianta B – Šité na míru

• Varianta C – Vybráno pro vás

• Varianta D – Na základě tvých názorů

Kromě zpráv mohou týmy experimentovat také s celkovým vzhledem a dojmem z doporučujícího widgetu a s jeho umístěním na stránce. 

Jediný způsob, jak překonat paradox volby spojený s personalizací, je prostě začít. A přestože neexistuje žádná správná odpověď na to, kde cesta společnosti začíná, existují aktivity s vyšším dopadem, na které se týmy mohou hned zpočátku zaměřit, aby dosáhly smysluplných rychlých úspěchů, jež položí základ pro zbytek jejich programu.

Doufejme, že výše uvedený proces vám pomůže dostat se tam o něco snadněji!