Komma igång med testning och personanpassning av produktrekommendationer

Personalisering är ett stort ord, vilket ofta gör att team känner sig överväldigade när de ska bestämma var de ska börja eftersom det finns så många olika sätt att skräddarsy den digitala kundupplevelsen på.

Utöver att vara en av de mest okomplicerade typerna av personalisering kan produktrekommendationer dock också generera några av de mest meningsfulla resultaten för företag, vilket är anledningen till att så många väljer att använda dem direkt från start (och till och med en bit in på deras resa med personalisering). Till exempel kan produktrekommendationer implementeras över hela webbplatsen (på startsidan, kategori- och produktsidor samt i sökning och checkout) för att förbättra upptäckbarheten och möjligheterna till merförsäljning/kryssförsäljning. 

So how can teams put this foundational element of personalization into practice and start seeing the payoffs in conversions, average order value and revenue?

Kort sagt kommer teamen att uppnå följande när de har följt stegen som beskrivs i det här inlägget:

1. Prioritera tester av produktrekommendationer utifrån effekt 

2. Testa algoritmer för att fastställa den bästa för varje målgrupp 

3. Fine tuning performance by testing other experience elements

Låt oss nu titta närmare på arbetet som ligger bakom det.

Eftersom vi vet att vi vill lansera en kampanj med produktrekommendationer är nästa naturliga steg att välja den målgrupp som vi vill leverera upplevelsen till.

Osäker på hur du ska prioritera rätt?

Med ramverket för primära målgrupper kan team identifiera 3–4 primära målgrupper som täcker 100 % av webbplatsens trafik och som baseras på en enda segmenteringsprincip för att säkerställa träffsäkra och konsekventa budskap samt skalbarhet i såväl utförande som inlärning.

Läs mer om hur du väljer ut en uppsättning primära målgrupper.

Ett allt populärare segmenteringsprinciptillvägagångssätt på grund av den naturliga utvecklingen av konsumentbeteendets trender över tid skulle vara att bryta ned en uppsättning målgrupper i enlighet med låg, medium och hög köpintention.

Här är några egenskaper/observationer som vi kan förknippa med varje målgrupp:

• Låg avsikt:
  • Ny för varumärket eller webbplatsen
    
  • Bekant med webbplatsens produktutbud
  • Begränsad tid på plats och minimala datainsikter om surfbeteende
  • Har inte lagt till några artiklar i kundvagnen
• Medelstor avsikt:
  • Viss kännedom om företaget
  • Kan välja mellan varumärken eller produkter
  • Kan ha registrerat sig för e-post eller lojalitetsmedlemskap
  • Har lagt till en vara i kundvagnen men inte köpt den än
• Hög köpavsikt:
  • Har en god uppfattning om vad de vill ha
  • Förstår varför de bör handla hos företaget
  • Har antingen inte hittat produkten än eller behöver en sista push
  • Massor av datadrivna insikter från webbplatsaktivitet
  • Längre ner i tratten

För att hålla det enkelt fokuserar vi på målgruppen med hög köpintention och leder dig genom processen för att ställa upp hypoteser, konfigurera och skapa ett experiment för den målgruppen av användare.

Visste du att rekommendationer som distribueras på produktsidor står för majoriteten av de direkta intäkterna när man tittar på den totala effekten av dessa kampanjer i förhållande till ett företags större personaliseringsprogram?

In fact, 60–70 % or more on average.

Det är helt logiskt eftersom områden på webbplatsen som produktsidor (PDP) antingen har mycket trafik (får stor exponering) eller ligger längre ner i tratten, där produktrekommendationer passar bra eftersom användare i det stadiet av köpprocessen vanligtvis är mer redo att konvertera.

So, we’ll start there to guarantee maximum impact earlier on in our experimentation with product recommendations, making it easier to show value and unlock internal resources and support for additional tests. 

Rekommendationsstrategier utgör logiken bakom artikelurvalet i er widget baserat på en viss algoritm (t.ex. de populäraste artiklarna, artiklar som användaren tittat på tidigare osv.). Och precis som det finns många olika typer av personliga upplevelser som ett varumärke kan erbjuda, finns det även massor av rekommendationsstrategier att experimentera med.

Låt oss försöka begränsa våra alternativ genom att formulera hypoteser om vad vi tror skulle fungera bäst för respektive målgrupp och varför. Ett bra sätt att ta fram en hypotes är att utgå från följande påstående och fylla i de saknade uppgifterna:

OM vi [föreslagen ändring av webbplatsen eller den digitala upplevelsen] FÖR [målgrupp], SÅ kommer vi att [påverkan på KPI] EFTERSOM [orsaken till varför vi tror att utfallet blir positivt].

Med utgångspunkt i några av de första observationer vi redan har gjort i vår urvalsprocess för målgrupper, hur kan vår målgrupp med ”hög avsikt” passa ihop med olika rekommendationsalgoritmer?

Målgrupp

• Hög köpavsikt

Plats på webbplatsen: Produktsida

• Likhet
• Affinitet

Ovanstående alternativ representerar några grundläggande, inledande algoritmer att pröva på PDP – vinnare kan variera avsevärt beroende på varumärke, användarbas och målgrupp, vilket är just därför vi testar till att börja med.

Läs om grunderna för att välja rätt strategier för produktrekommendationer.

Generellt anser vi att produktrekommendationer är ständigt aktuella inslag på webbplatsen, vilket gör det viktigt att ställa in rätt KPI:er för att förstå effekten på lång sikt. Även om varje test av produktrekommendationer skiljer sig åt beroende på vilken sida widgeten placeras på (och till och med hur widgeten är utformad, t.ex. inkluderar en CTA för att lägga i varukorgen), är en bra tumregel att titta på nästa logiska steg i tratten. 

Startsidans KPI skulle till exempel vara klickfrekvens (CTR) eller sidvisningar, medan produktvisning eller varukorgstillägg skulle vara rimligt för en produktsida (PLP) och intäkt per användare för själva kundvagnen. Eftersom vi fokuserar på produktsidan skulle ett lämpligt KPI i vårt fall vara varukorgstillägg av köp per användare.

Låt oss nu bryta ner vår hypotes för strategin ”Similarity”, som passar bäst ihop med målgruppen ”High intent”, och se hur den tas emot:

Om vi visar liknande produkter på produktsidan för användare med hög köpintention kommer vi att se en ökad försäljning per användare eftersom vi visar dem artiklar som är en mer lämplig version av produkten de tittar på.

Vi rekommenderar dock alltid att du testar minst två rekommendationsstrategier mot varandra (samt en kontrollgrupp) om vår ursprungliga hypotes inte skulle visa sig stämma. 

Därför kan vår andra hypotes för strategin ”Affinity” (som också passar bra för denna målgrupp) se ut ungefär så här:

OM vi visar intressebaserade produkter på produktsidan FÖR användare med hög köpintention, SÅ kommer vi att se en ökning av antalet köp per användare EFTERSOM vi levererar helhetsinriktade produktrekommendationer som är mer anpassade efter deras preferenser.

Då går vi vidare till att testa dessa teorier.

När du har lanserat ett experiment är det viktigt att låta testet köra i minst två veckor för att både uppnå statistisk signifikans och minska eventuella effekter av säsongsvängningar.

Utöver statistisk signifikans rekommenderar vi också att man mäter en viss variations sannolikhet att vara bäst (P2BB). Detta indikerar dess långsiktiga sannolikhet att överträffa alla andra aktiva variationer, vilket i vårt fall inbegriper att rekommendationerna levereras med en ”likhets”-strategi (Similarity) kontra ”affinitets”-strategin (Affinity) och sedan i förhållande till vår kontrollgrupp.

Standardpraxis är att om P2BB för den ledande variationen överstiger 95 %, kan den utropas till vinnare. Vanligtvis är dock 80 % en tillräckligt hälsosam tröskel att agera utifrån – vilket är ännu sannolikare på webbplatser med mindre trafik som kan kräva mer tid för att generera resultat.

För vår saks skull kan vi säga att ”Affinity”-algoritmen uppnådde en P2BB på 80 %. Vi vill sedan förklara dess vinnande position och fimpa den förlorande algoritmen, och anteckna varför vår målgrupp med ”hög köpintention” föredrog den framför ”Similarity”-strategin. 

I det här fallet drar vi slutsatsen att personliga rekommendationer baserade på en individuals tidigare uttryckta preferenser var kraftfullare än att visa ett liknande objekt som det som redan visas för den här målgruppen. Och med dessa insikter kommer vi sedan att fortsätta med att testa en annan algoritm mot vår vinnande ”Affinity”-strategi.

Vårt nästa test kan vara en helt annan algoritm, till exempel ”Visas tillsammans”, eller så kan modifieringar göras av det befintliga experimentet. Till exempel att lägga till dynamiska filtreringsregler för inneslutning/uteslutning som ”visa endast produkter över 25 $” eller ”visa endast artiklar i samma kategori”.

Denna process kan fortsätta på obestämd tid för att maximera resultaten ytterligare, men det är alltid bra att sätta upp ett riktmärke att nå som ger utrymme för ytterligare förbättringar av upplevelsen, till exempel meddelandeelementet i rekommendationswidgeten.

Det kan verka trivialt eftersom rekommendationstextens rubrik vanligtvis bara består av några få ord, men det är helt avgörande att förklara för målgruppen varför just ett visst urval av produkter visas.

Med hjälp av vår framgångsrika ”Affinity”-algoritm sätter vi ihop en serie meddelandealternativ för att testa och lansera den variant som presterar bäst:

• Kontroll – Rekommenderat för dig

• Alternativ A – Endast för dig 

• Variant B – skräddarsydd för dig

• Variation C – Valt för dig

• Variation D – Based on your views

Utöver meddelanden kan team även experimentera med rekommendationswidgetens övergripande utseende och känsla samt dess placering på sidan. 

Det enda sättet att övervinna valparadoxen i anslutning till personalisering är att helt enkelt komma igång. Även om det inte finns något entydigt svar på var ett företags resa börjar, finns det insatser med högre genomslag som team kan prioritera direkt för att skapa meningsfulla snabba vinster som lägger grunden för resten av deras program.

Förhoppningsvis gör processen ovan det lite enklare att nå dit!