Kom i gang med testing og personalisering av produktanbefalinger

Personalisering er et stort ord, noe som ofte gjør at team føler seg overveldet når de må bestemme hvor de skal starte, ettersom det er så mange forskjellige måter å skreddersy den digitale kundeopplevelsen på.

Men utover å være en av de enkleste typene personalisering, kan produktanbefalinger også generere noen av de mest meningsfulle resultatene for bedrifter, og det er derfor så mange velger å ta dem i bruk med en gang (og til og med et godt stykke inn i personaliseringsreisen). Produktanbefalinger kan for eksempel implementeres på hele nettstedet (på hjemmesiden, i kategori- og produktsider samt i søk og betaling) for å forbedre mulighetene for oppdagelse og mersalg / kryssalg. 

Så hvordan kan team omsette dette grunnleggende elementet av personalisering i praksis og begynne å se resultatene i form av konverteringer, gjennomsnittlig ordreverdi og inntekter?

Kort sagt vil team etter å ha implementert trinnene som er beskrevet i dette innlegget, til slutt oppnå følgende:

1. Prioritering av tester for produktanbefalinger basert på effekt 

2. Tester algoritmer for å finne den beste per publikum 

3. Finjustering av ytelse ved å teste andre opplevelseselementer

Nå skal vi dykke ned i arbeidet som ligger bak.

Siden vi vet at vi ønsker å lansere en kampanje med produktanbefalinger, er vårt neste naturlige trinn å velge ut målgruppen vi ønsker å levere opplevelsen til.

Usikker på hvordan du skal prioritere den riktige?

Ved hjelp av rammeverket for primærmålgrupper kan team identifisere 3–4 primærmålgrupper som dekker 100 % av nettstedets trafikk og er basert på ett enkelt segmenteringsprinsipp for å sikre nøyaktige og konsistente meldinger samt skalerbarhet i både utførelse og læring.

Les mer om hvordan du velger et sett med primærmålgrupper.

Et stadig mer populært segmenteringsprinsipp på grunn av den naturlige utviklingen av forbrukeratferdstrender over tid, vil være å dele inn en rekke målgrupper i henhold til lav, middels og høy kjøpshensikt.

Her er noen kjennetegn / observasjoner som vi kan knytte til hver målgruppe:

• Lav intensjon:
  • Ny på merkevaren eller nettstedet
    
  • Ukjent med nettstedets produktutvalg
  • Begrenset tid på nettstedet og minimal innsikt i nettleserdata
  • Har ikke lagt til noen varer i handlekurven
• Middels intensjon:
  • En viss kendskap til selskapet
  • Kan avgjøre mellom merkevarer eller produkter
  • Har kanskje registrert seg for e-post eller lojalitetsmedlemskap
  • Har lagt til en vare i handlekurven, men har ikke kjøpt den ennå
• Høy intensjon:
  • Har en god formening om hva de vil ha
  • Forstår hvorfor de bør handle med bedriften
  • Enten har ikke funnet produktet ennå eller trenger et siste dytt
  • Masse datadrevet innsikt fra nettstedaktivitet
  • Lenger nede i trakt

For å gjøre det enkelt, vil vi fokusere på målgruppen med høy intensjon og ta deg gjennom prosessen med å utarbeide hypoteser, sette opp og opprette et eksperiment for den målgruppen av brukere.

Visste du at anbefalinger som vises på produktsider (PDP-er), står for brorparten av de direkte inntektene når man ser på den samlede effekten av disse kampanjene opp mot en bedrifts større personaliseringsprogram?

Faktisk i gjennomsnitt 60–70 % eller mer.

Det gir mening, siden områder av nettstedet som produktsider enten har mye trafikk (får mye eksponering) eller befinner seg lenger nede i traktmodellen, der produktanbefalinger passer godt, ettersom brukere på det stadiet i kjøpsprosessen vanligvis er mer klare for å konvertere.

Så vi starter der for å garantere maksimal effekt tidlig i eksperimenteringen vår med produktanbefalinger, noe som gjør det enklere å vise verdi og frigjøre interne ressurser og støtte for flere tester. 

Anbefalingsstrategier gir logikken bak vareutvalget i widgeten din basert på en bestemt algoritme (f.eks. de mest populære varene, varer brukeren har sett på tidligere osv.). Og i likhet med at det finnes mange forskjellige typer personlige opplevelser en merkevare kan levere, finnes det også en rekke anbefalingsstrategier å eksperimentere med.

La oss prøve å snevre inn alternativene ved å sette opp en hypotese om hva vi mener vil fungere best for hver enkelt målgruppe generelt, og hvorfor. En god måte å utarbeide en hypotese på vil være å bruke følgende utsagn og fylle inn de manglende detaljene:

HVIS vi [foreslått endring på nettstedet eller i den digitale opplevelsen] FOR [målgruppe], SÅ vil vi [innvirkning på KPI] FORDI [grunnen til at vi tror utfallet vil bli positivt].

Hvordan kan «High Intent»-målgruppen vår fungere godt sammen med ulike anbefalingsalgoritmer, basert på noen av de første observasjonene vi allerede gjorde da vi valgte ut målgruppe?

Publikum

• Høy intensjon

Nettstedplassering: Produktdetaljside

• Likhet
• Tilhørighet

Alternativene ovenfor representerer noen grunnleggende, innledende algoritmer som kan prøves på PDP-en – vinnerne kan variere i stor grad i henhold til merkevaren, brukerbasen og målgruppen, noe som er nøyaktig grunnen til at vi tester i utgangspunktet.

Finn ut mer om det essensielle ved å velge riktig strategi for produktanbefalinger.

Generelt ser vi produktanbefalinger som eviggrønne elementer på nettstedet, så det er viktig å sette de riktige KPI-ene for å forstå effekten på lang sikt. Selv om hver test av produktanbefalinger vil være annerledes avhengig av hvilken side widgeten plasseres på (og til og med hvordan widgeten er utformet, f.eks. inkluderer en legg-til-handlekurv-oppfordring), er en god tommelfingerregel å se på neste logiske trinn i trakten. 

For eksempel vil hjemmesiden være klikkfrekvens (CTR) eller sidevisninger, mens produktvisning eller legg-til-handlekurv vil gi mening for en produktoversiktsside (PLP) og inntekt per bruker for selve handlekurven. Siden vi har fokus på produktdetaljsiden, vil den aktuelle KPI-en i vårt tilfelle være legg-til-handlekurv av kjøp per bruker.

La oss nå bryte ned hypotesen vår for «Similarity strategy», som passer best sammen med «High intent»-målgruppen, og se hvordan den resonerer:

HVIS vi viser lignende produkter på produktsiden FOR brukere med høy intensitet, VIL vi se en økning i kjøp per bruker FORDI vi viser dem varer som er en mer egnet versjon av produktet de ser på.

Vi anbefaler imidlertid alltid å teste minst to anbefalingsstrategier opp mot hverandre (i tillegg til en kontrollgruppe) dersom vår opprinnelige hypotese ikke skulle vise seg å holde stikk. 

Derfor kan vår andre hypotese for «Affinity»-strategien (som også passer godt for denne målgruppen) se omtrent slik ut:

HVIS vi viser affinitetsbaserte produkter på produktdetaljsiden FOR brukere med høy intensjon, VIL vi se en økning i kjøp per bruker FORDI vi leverer helhetlige produktanbefalinger som er mer personlig tilpasset deres preferanser.

Da går vi videre til å teste disse teoriene.

Etter at du har lansert et eksperiment, er det viktig å la testen kjøre i minst to uker for å oppnå statistisk signifikans samt redusere eventuelle effekter av sesongvariasjoner.

Utover statistisk signifikans anbefaler vi også å vurdere sannsynligheten for at en bestemt variasjon er den beste (P2BB). Dette indikerer dens langsiktige sannsynlighet for å utkonkurrere alle andre aktive variasjoner, som i vårt tilfelle inkluderer anbefalingene som leveres med en «Likhets»-strategi kontra «Affinitets»-strategien og deretter kontra kontrollen vår.

Standard praksis tilsier at hvis P2BB for den ledende variasjonen overstiger 95 %, kan den erklæres som en vinner. Imidlertid er 80 % vanligvis en sunn nok terskel å handle på – noe som gjelder i enda større grad for nettsteder med mindre trafikk som kan kreve mer tid på å generere resultater.

For anledningens skyld kan vi si at «Affinity»-algoritmen oppnådde en P2BB på 80 %. Vi ønsker deretter å erklære vinnerposisjonen og avvikle taperalgoritmen, samt notere hvorfor målgruppen «High intent» foretrakk den fremfor «Similarity»-strategien. 

I dette tilfellet vil vi konkludere med at personaliserte anbefalinger basert på en persons tidligere uttrykte preferanser var kraftigere enn å vise en lignende vare til den som allerede vises for denne målgruppen. Og med denne innsikten vil vi deretter teste en annen algoritme opp mot «preferanse»-vinnerstrategien vår.

Vår neste test kan være en helt annen algoritme, som for eksempel «Vises sammen», eller det kan gjøres endringer i det eksisterende eksperimentet. For eksempel kan du legge til filtreringsregler for dynamisk inkludering/ekskludering, slik som «vis bare produkter over 25 USD» eller «vis bare elementer i samme kategori».

Denne prosessen kan fortsettes på ubestemt tid for å maksimere resultatene ytterligere, men det er alltid lurt å sette en standard å strekke seg etter som gir rom for ytterligere forbedringer i opplevelsen, slik som meldingselementet i anbefalingswidgeten.

Det kan virke trivielt med tanke på at tittelwidgeten for anbefalinger vanligvis bare består av noen få ord, men det er helt avgjørende å sette i en sammenheng for publikum hvorfor et bestemt utvalg av produkter vises.

Ved hjelp av vår vinnende «Affinity»-algoritme setter vi sammen en rekke meldingsalternativer for å teste og rulle ut den varianten som presterer best:

• Kontroll – Anbefalt for deg

• Variant A – bare for deg 

• Variant B – Tilpasset for deg

• Variasjon C – Valgt for deg

• Variasjon D – Basert på dine visninger

Utover meldinger kan team også eksperimentere med anbefalingswidgeens generelle utseende og følelse, samt plasseringen på siden. 

Den eneste måten å overvinne valgparadokset knyttet til personalisering på, er rett og slett å komme i gang. Og selv om det ikke finnes noe fasitsvar på hvor en bedrifts reise starter, er det tiltak med høyere effekt som team kan prioritere med en gang for å generere meningsfulle, raske seire som legger grunnlaget for resten av programmet.

Forhåpentligvis vil prosessen ovenfor gjøre det litt enklere å nå målet!