Как тип алгоритма рекомендаций зависит от психологии поведения покупателей

Как тип алгоритма рекомендаций зависит от психологии поведения покупателей

Чтобы рекомендации приносили пользу клиентам, наши аналитики и специалисты по machine learning проводят исследование моделей поведения пользователей в разных отраслях. Полученные результаты используются для автоматизации маркетинговых кампаний и построения товарных рекомендаций.
В этой статье поделимся находками из разных индустрий о том, как люди совершают покупки:
  • что происходит от регистрации до первого заказа,
  • как исследуется ассортимент,
  • как определить периодичность покупок,
  • как использовать предпочтения покупателей,
  • чем отличаются покупки в зависимости от времени между ними.
Также описали варианты коммуникаций, которые позволят использовать модели поведения покупателей для выстраивания полезного маркетинга.
Статья основана на реальных данных. :)

Модель «Зарегистрироваться — не значит купить»

Индустрии:

  • техника,
  • мебель,
  • ювелирные изделия,
  • строительные материалы (определенные категории).
Когда нужно совершить дорогостоящую покупку, потребители не склонны к спонтанности. Долго выбирают, сравнивают цены. С момента начала поисков до покупки могут пройти недели.
Наши аналитики проанализировали поведение пользователей в отраслях с долгим принятием решения о покупке и зафиксировали общие результаты.

Что говорят цифры:

  • Средняя доля пользователей с долгим просмотром от всей базы: 25%.
  • Среднее время просмотра: 7-30 дней.
  • Средняя доля пользователей в оттоке (зарегистрировались, но не купили): более 50%.
Интересный факт: дорогие товары смотрят гораздо чаще, а покупают реже, чем дешевые.

Как использовать в маркетинге:

  1. Описание преимуществ продукта и предложение альтернатив. Помогите пользователям, которые не совершили первую покупку, но просматривают один и тот же товар или категорию, сделать выбор. Покажите им преимущества товара или альтернативные варианты. Если товар дорогой — предложите рекомендации с похожими, но более доступными товарами.
  2. Если товар не в наличии — необходимо порекомендовать похожие товары, которые сейчас доступны для покупки.
  3. Если потребитель долго просматривает дорогой товар, можно предложить ему скидку или оповестить о снижении цены.
  4. Интересный вариант — использовать алгоритм персональных рекомендаций. Он сравнивает поведение потребителя, который еще не оформил заказ, с поведением похожих на него потребителей, уже совершивших покупку. На основе этих данных собирается вектор рекомендаций.
Пример механики «Цена на товар в корзине уменьшилась»
Пример механики «Цена на товар в корзине уменьшилась»

Модель «Попробовать разное»

Индустрии:

  • рестораны,
  • доставка еды,
  • косметика и уход.
При совершении некоторых покупок сначала нужно исследовать ассортимент магазина, попробовать разные товары и найти те, которые нравятся. Это касается, например, еды и средств по уходу за собой.
Учитывайте это и правильно демонстрируйте ассортимент, чтобы снизить риск того, что клиент попробует один продукт, который ему не понравится, и уйдет.

Что говорят цифры:

  • Средняя доля покупателей, которые совершили 1-2 покупки и больше не вернулись: 40-50%.
  • Количество покупок, после совершения которых покупатели выбирают «свой» товар: от 3 до 5. Но со временем он надоедает и его меняют. Или уходят. Поэтому важно вовремя предложить замену — например, время от времени рассказывать о новых товарах.
График отношения повторных покупок к количеству заказов
График отношения повторных покупок к количеству заказов
Очевидно, что пока покупатель не совершит достаточного количества покупок, он находится в зоне риска. Нужно помочь ему найти то, что действительно понравится.

Как использовать в маркетинге:

  1. После того, как клиент совершит первый заказ, отправьте опрос, понравились ли ему купленные товары. Если ответ «не понравилось» или ответа нет (но при этом письмо открыто), предложите другие категории товаров или альтернативные бренды.
  2. После регистрации, в welcome-письме, расскажите про ассортимент, предложите рекомендации популярных товаров или персональные рекомендации.
  3. Настройте периодическую рассылку с рассказом о новинках или товарах, которые пользователь еще не покупал.

Модель «Приверженность любимым продуктам»

Индустрии:

  • рестораны,
  • доставка еды,
  • косметика и уход,
  • спортивные товары.
Часто покупатели, которые уже стали лояльными, проявляют определенные предпочтения. Например, заказывают одни и те же продукты, покупают косметику или спортивную одежду определенного бренда.
Используя это, вы можете поддержать лояльность ваших покупателей и увеличить число повторных покупок.

Что говорят цифры:

  • Доля покупателей, заказывающих одни и те же товары или товары в одних и тех же категориях, брендах: ~30%.
  • Периодичность покупок: от 7 до 90 дней.

Как использовать в маркетинге:

  1. Сохранять часто покупаемые пользователем товары в его личном кабинете или выводить их на главную страницу сайта. Это может улучшить клиентский опыт.
  2. Если такой клиент давно не совершал покупку — отправить напоминание и собрать в письме товары, которые он предпочитает, чтобы было удобнее их заказать.
Пример механики с напоминанием об очередной покупке
Пример механики с напоминанием об очередной покупке

Модель «Много заказов в короткое время»

Индустрии:

  • мебель,
  • строительные материалы (определенные категории),
  • одежда.
Когда в доме идет ремонт или обновление интерьера, часто клиенты совершают несколько заказов в короткий период времени — чтобы докупить забытое или выбрать что-то еще к уже приобретенному.
Помогите им выбрать дополнительные подходящие товары или предложите сопутствующие, чтобы увеличить конверсию в повторные покупки.

Что говорят цифры:

  • Доля потребителей с частыми покупками за короткое время: до 50%.
  • Время между покупками: от 3 до 14 дней.

Как можно использовать в маркетинге:

Сделайте персональные рекомендации к покупкам из заказа.
Пример механики с рекомендациями к покупке
Пример механики с рекомендациями к покупке
Мы описали лишь некоторые из моделей, которые обнаружили и используем в наших рекомендациях. Надеемся, они помогут вам в исследовании поведения ваших покупателей и выстраивании полезного персонального маркетинга.
Вы также можете попробовать наши решения по персонализации рассылок и сайта.

Вас заинтересуют следующие материалы