Блок похожих товаров: чем полезен для сайтов и интернет-магазинов, как рекомендации повышают конверсию. Принципы работы алгоритма подбора.
5 октября 2022
Блок «Похожие товары» в интернет-магазинах: как работает алгоритм автоматического подбора
Блок «Похожие товары» в интернет-магазинах: как работает алгоритм автоматического подбора
Интернет-магазины используют алгоритм подбора похожих товаров, чтобы предложить посетителю больше вариантов для выбора. Похожие товары по характеристикам аналогичны продукту, который заинтересовал покупателя, или дополняют его.
Виджет «Аналоги просмотренных товаров» добавляют на главную страницу и в текст рассылок, в карточку товара, на страницу «Избранное» или в корзине размещают товары-аналоги.
В интернет-магазине «Ашан» виджет с похожими товарами показывают покупателю в каждой карточке товара
Зачем интернет-магазину блок «Похожие товары»
Блок «Похожие товары» решает сразу четыре бизнес-задачи:
1. Увеличивает средний чек. В блоке «Похожие товары» часто используют технологию Upsell. Покупателя, который ищет определенный товар, мотивируют купить более дорогой продукт того же типа или дополнительный продукт, который улучшит выбранный.
Выгода клиента в том, что за доплату он получает больший объем, дополнительные функции, более современную модель и т.д. Например, покупатель выбрал телефон с объемом памяти 64 Гб, а в списке похожих товаров предлагают такой же телефон, но с объемом памяти 128 Гб. Он стоит дороже, но на него поместится больше приложений, фотографий или видео.
Wildberries в карточке товара предлагает похожий продукт — более дорогую упаковку подгузников той же марки, но большего объема. При этом один подгузник из большой пачки обойдется на 14 рублей дешевле
2. Обеспечивает перекрестные продажи. Технологию cross-sell используют для продвижения сопутствующих товаров ― клиенту предлагают купить товары, которые дополнят уже выбранный. Например, покупатель выбрал синий самокат для сына и заказал такой же розового цвета из списка похожих товаров ― для дочери.
В карточке товара МИФ дополнительно предлагает книги похожей тематики
3. Помогает улучшить позиции сайта при SEO-продвижении. Подборка похожих товаров в карточке товара, которая помогает пользователю сделать выбор, увеличивает релевантность страницы по поисковым запросам.
Если пользователя не устроят характеристики товара в карточке, он не уйдет сразу, а перейдет в карточку подходящего товара из блока похожих. Это снизит показатель отказов. Даже если посетитель ничего не купит, сеанс с переходом на страницу другого товара отказом уже не считается.
4. Повышает лояльность клиентов. По данным агентства Invesp, 45% людей предпочитают делать покупки в интернет-магазинах с персональными рекомендациями, а 56% покупателей, скорее всего, вернутся на сайт с товарными рекомендациями.
Как работают алгоритмы подбора похожих товаров в интернет-магазинах
В алгоритмах рекомендаций обычно используются четыре вида фильтрации: коллаборативная, контентная, экспертная и смешанная.
Коллаборативная фильтрация группирует товары не по их описанию или характеристикам, а по тому, как с ними взаимодействуют пользователи. Например, клиент смотрел платье, значит, алгоритм предложит ему платья, которые понравились другим покупателям.
Проблема коллаборативной фильтрации в том, что алгоритм не может подобрать рекомендации к новому товару, потому что никто из покупателей с ним еще не взаимодействовал. Это называется «проблема холодного старта».
Контентная фильтрация отбирает товары по определенным атрибутам. Товары подбирают по сходству признаков: например, по цвету, цене и категории. Такой вид фильтрации используют в Mindbox.
Клиенту, посмотревшему голубое платье за 5000 рублей, алгоритм предложит другие голубые платья в этом ценовом диапазоне. Даже если с голубым платьем в каталоге еще никто не взаимодействовал, алгоритм все равно может его рекомендовать или подобрать к нему аналоги, потому что для этого ему достаточно знать хоть что-то о товаре.
Lamoda предлагает покупателю самостоятельно выбрать параметры подбора похожих товаров: по бренду, фасону или цвету
Экспертная фильтрация отбирает товары по рекомендации сотрудника магазина. Он вручную указывает похожие товары для каждой позиции в каталоге, а система фильтрует эти рекомендации и показывает покупателю то, что ему может понравиться.
Например, для каждого платья в магазине менеджер подобрал платья, похожие по типу и цене. Когда клиент смотрит голубое вечернее платье за 5000 рублей, алгоритм отбирает для него другие вечерние платья по такой же цене.
Минус модели ― матрицу соответствия продуктов придется постоянно актуализировать, например при каждом поступлении новой коллекции.
Смешанная или гибридная фильтрация комбинирует несколько алгоритмов подбора похожих товаров.
В интернет-магазинах часто сочетают алгоритмы на основе контентной и коллаборативной фильтрации. Клиенту, который смотрел голубое платье, покажут не только другие голубые платья, но и платья, которые понравились другим покупателям.
Недостаток смешанной фильтрации ― ее сложность. Например, разным сегментам пользователей (из России и США) интернет-магазин рекомендует похожие товары разных ценовых категорий ― россиянам дешевле, американцам дороже. Эти условия усложняют алгоритм рекомендаций и затрудняют интерпретацию результатов.
«Яндекс.Маркет» предлагает клиентам два виджета похожих товаров ― похожие модели и товары, которыми интересовались другие покупатели
Как работают «Похожие товары» в Mindbox
Алгоритмы «Похожие товары» на третьем месте по популярности у клиентов Mindbox после «Популярных товаров» и «Персональных рекомендаций».
Магазин для мам «Олант» сравнил эффективность трех видов карточек товаров на сайте: без рекомендаций, с рекомендацией похожих и сопутствующих товаров, с рекомендацией только сопутствующих товаров.
Самую большую выручку принес второй вариант с рекомендацией похожих и сопутствующих товаров. Два месяца тестирования показали дополнительные 25% выручки относительно контрольной группы, которой ничего не рекомендовали. Это на 50 рублей больше за каждый сеанс.
В Mindbox используют три типа алгоритма подбора похожих товаров: к определенному товару, к списку товаров и к последним просмотренным товарам.
К определенному товару
Алгоритм подбирает похожие товары к одному конкретному. Его используют, чтобы отобразить похожие продукты в карточке товара. Например, в карточке платья покупателю предложат другие платья на выбор в блоке «Похожие товары».
Похожие товары в карточке товара на сайте магазина 12 storeez
К списку товаров
Алгоритм подбирает похожие товары к каждому товару из списка покупателя. Этот алгоритм используется для товаров в избранном или товаров, которых нет в наличии. Например, клиент положил в корзину платье, но не завершил заказ, и платье купили. Когда покупатель вернется к оформлению заказа, алгоритм предложит ему выбрать платье из подборки похожих товаров.
Ozon предлагает подборку аналогов для товаров, которые закончились
К последним просмотренным товарам
Алгоритм подбирает похожие товары к тем, которые покупатель просматривал во время последней сессии. Этот алгоритм используют в email-рассылках и пушах. Клиенту, который смотрел брюки, но не положил их в корзину, придет email с подборкой других моделей брюк.
Love Republic делает рассылку с похожими товарами для клиентов, которые добавили товар в корзину, но не завершили заказ
Все параметры алгоритма «Похожие товары» настраиваются в личном кабинете. Рекомендации отображаются на виджете на сайте, в рассылках или пушах.
Фрагмент личного кабинета Mindbox, в котором настраиваются «Похожие товары»
Товар, для которого нужно подобрать похожие товары
Предварительный просмотр виджета с похожими товарами к нему
У нас есть базовые механики для алгоритма «Похожие товары». Например, механика «Похожие на просмотренные в последнюю сессию товары» часто используется в рассылках. Покупатель посмотрел товар и ушел с сайта. Через день мы отправляем ему письмо с аналогичными товарами, которые ему могут понравиться.
Из базовых механик, как из кирпичиков, можно собрать множество новых механик. Кроме того, мы постепенно расширяем коллекцию алгоритмов рекомендаций.
