Проверили, можно ли доверяеть автоматическим рекомендациям
Лаборатория Bonfire
Мы запустили рубрику Лаборатория Bonfire. Будем в ней рассказывать об актуальных CRM-инструментах: делать обзоры, делиться наглядными инструкциями и показывать на практических примерах, чем полезны эти инструменты и где есть нюансы, которые стоит учесть при внедрении.
В первой серии публикаций — тестируем 3 популярных алгоритма Mindbox.
«Ручное соответствие» (о нем мы писали в предыдущей статье) и «Сопутствующие товары», которые помогают дополнить покупку, и алгоритм «Похожие товары», который предлагает альтернативу, если нужный товар не подходит или отсутствует.
Посмотрели, как эти алгоритмы работают в разных сценариях, где показывают лучшие результаты и какие подводные камни встречаются при настройке.
Часть 2. Сопутствующие товары
Что же делать, если новые товары добавляются каждую неделю? Вручную поддерживать связи будет сложно.
Для таких случаев у Mindbox есть алгоритм «Сопутствующие товары». Вместо заранее заданных правил он анализирует поведение покупателей и сам определяет, какими товарами можно дополнить покупку.
Проверили на проекте
Покупатели ведут себя не всегда так, как предполагает бизнес, поэтому автоматизация в данном случае помогает не столько экономить время, сколько находить сочетания товаров, которые мы могли бы не учесть при настройке вручную.
Для одного из наших клиентов мы добавили блок «Сопутствующие товары» в триггер «Товар снова в наличии».
Вместе с уведомлением о поступлении пользователь получал подборку товаров, которые могли пригодиться вместе с основной покупкой.
В результате письмо не только возвращало клиента к покупке, но и помогало увеличить итоговую стоимость заказа. 
Результаты:
- Open Rate — 46,15%
- CTOR — 40%
- CR — 20,98%
Что показали испытания
Во время тестирования мы убедились, что главное преимущество алгоритма — он не требует ручного управления рекомендациями. Но есть и обратная сторона: качество рекомендаций напрямую зависит от накопленных данных о покупках. 
Алгоритм не знает, какие товары должны продаваться вместе. Он делает выводы только на основе поведения покупателей. Поэтому для новых товаров или категорий с небольшим количеством заказов рекомендации первое время могут быть менее точными.
Карточка испытаний
Что понравилось
✔ Помогает увеличить средний чек.
✔ Органично встраивается в сервисные коммуникации.
✔ Предлагает товары, которые действительно дополняют основную покупку.
Что не понравилось
✖ Для новых товаров рекомендации первое время могут быть менее релевантными из-за недостатка данных.
✖ Не подходит, если пользователь еще не определился с основной покупкой.
✖ Качество рекомендаций зависит от полноты данных о товарах и истории покупок.
Уже работает CRM-канал, а роста нет?
Многие компании обращаются к нам именно на этом этапе.
Bonfire за 3 дня проведет аудит и предоставит предметный разбор канала с фокусом на росте выручки и четким планом действий.
В следующих выпусках Лаборатории
Алгоритм «Сопутствующие товары» хорошо работает, когда покупатель уже определился с выбором и ему можно предложить товары, дополняющие покупку. Но если пользователь все еще сравнивает варианты или нужного товара нет в наличии, такой подход уже не поможет.
В следующей статье разберем алгоритм «Похожие товары». Проверим, насколько хорошо он подбирает альтернативы, какие ошибки чаще всего допускают при настройке и в каких сценариях он действительно помогает не потерять покупателя.
