Как мы увеличили конверсию почти вдвое благодаря персональным товарным рекомендациям

Задача

Клиент - крупный интернет-магазин спортивной одежды с посещаемостью до 5 тысяч визитов в сутки. Главная проблема - низкая конверсия, связанная, по мнению клиента, с большим каталогом товаров (10 тысяч позиций) и небольшим временем нахождения на сайте. То есть нам предстояло заставить посетителя задержаться в каталоге и в результате совершить покупку. Мы выбрали путь внедрения на сайт персональных товарных рекомендаций, составленных на основе интересов покупателя.

Подготовка

Для того, чтобы собрать информацию о запросах покупателя, каждый товар был размечен тегами в зависимости от его характеристик и свойств. Большинство товаров на сайте - это обувь. Основными тегами стали: тип (кроссовки, сандалии и тд.), размер, цвет, стоимость, бренд, предназначение (вид спорта). Дополнительно было отмечено количество товара на складе, так как позиции, которые скоро закончатся, было решено в рекомендациях не использовать.

Сбор информации

После разметки товаров мы запустили систему аналитики и приступили к сбору информации. За каждым пользователем установили "слежку". Обычно клиент открывает не больше 3-5 карточек товаров, но это не значит, что из всего каталога его заинтересовали только 5 пар позиций. Система запоминает, на каких товарах покупатель задерживается, на какие наводит курсор, какие использует фильтры и что вводит в строке поиска.

Вся собранная информация в реальном времени обрабатывалась на серверах и объединялась в карточки пользователей. Для каждого пользователя были известны:

• Пол и возраст
• Размер стопы
• Предпочтительные цвета
• Любимые бренды и модели
• Сколько он готов потратить

Всего удалось собрать и обработать около полумиллиона пользовательских сессий.

Персональные предложения

Исходя из той информации, которую мы получили о пользователе, мы сформировали персональные товарные рекомендации. Так, клиент, который искал в каталоге женские кроссовки 37 размера до 5 тысяч рублей, в блоке рекомендации видел только те позиции, которые подходят под его требования. При этом, если под запрос покупателя подходило много товаров, на первое место мы ставили самые популярные.

Тестирование и результат

Мы проводили АБ-тесты на сайте Rockland в течение пары месяцев. Часть пользователей видела персональные товарные рекомендации, часть - классические рекомендации ("с этим товаром покупают"), часть - не видела совсем. Всего мы проанализировали более 300 тысяч сессий. Результаты тестирования приведены в таблице.

На графике видно, что персональные рекомендации помогли серьезно увеличить время нахождения на сайте, и как следствие, выросла конверсия. Подобную схему мы пробовали на разных сайтах, и лучше всего она применима к магазинам с большим каталогом.