REES46: специфика рекомендаций в онлайн-ритейле для FMCG, товаров для животных и косметики

Роман Чигирев из REES46 в продолжение темы по отраслевой персонализации в e-commerce, рассматривает особенности представления рекомендаций для ряда категорий товаров.

В крупных торговых сетях есть целая культура обучения продавцов-консультантов. С курсами, экзаменами и подтверждением квалификации. То есть для продавца кафеля нереально прийти в М-Видео, пролистать прайс по диагонали и уже завтра переодеться в красную униформу.

Зачем им такое дотошное обучение?

Специфика продаж в одной отрасли радикально отличается от другой. Вроде механики те же самые: посоветуй расходный материал, более дорогой/дешевый аналог и т.п., — а по факту получается, что этого мало. К примеру, в магазин стройтоваров никогда не придут за подарком, а в магазин электроники — запросто. А это уже отдельный скрипт продаж.

Будни товарных рекомендаций

В онлайн-ритейле все пока заметно проще. Роль продавцов-консультантов выполняют:

• Онлайн-консультанты. Хороший специалист всегда лучше учитывает специфику продаж в его отрасли, чем любой машинный алгоритм, это факт. Правда, консультанты не имеют возможности что-то порекомендовать, пока покупатель сам к ним не обратится. Да и как показывает наше исследование, даже топовые онлайн-ритейлеры не готовы тратить ресурсы на обучение именно консультантов-продажников — в итоге из них эту рекомендацию раскаленными клещами тащить приходится.

• Товарные рекомендации. Современные рекомендации: выдают пользователю именно те товары, которые отвечают его потребностям (та самая персонализация). Рекомендации генерируются автоматически для каждого. Серьезный минус — рекомендации, которые учитывают специфику отрасли, есть только у крупных ритейлеров.

Собственно, почему? Система персональных рекомендаций, которая работает на вашем сайте — это десятки сложных математических моделей в одной программе, анализ характеристик конкретного пользователя на лету, вычисление рекомендаций за миллисекунды. Если коротко — сложная штука.

Разработка алгоритмов рекомендаций под каждую отрасль — это такая заметная "надстройка" и долгие часы работы. Соответственно, бюджет под это есть только у лидеров рынка.

Среди готовых рекомендательных систем, которые используют малые и средние магазины, отраслевую специфику учитывает всего пара решений: HookLogic (актуален на Западе) и REES46 (актуален для России и ближнего зарубежья).

Как превратить проблемы в преимущества

Универсальные рекомендации не работают одинаково хорошо для разных отраслей. Но это не проблема, а шанс выиграть еще больше.

Разберем на примерах, какая специфика есть у онлайн-продаж в конкретных отраслях и какую пользу можно из этого извлечь для бизнеса.

1. Товары повседневного спроса (FMCG)

Их ключевая особенность — низкая стоимость единицы товара. Также люди обычно покупают одни и те же товары с определенной периодичностью. Получается, что одна корзина — это раз от раза мало меняющий набор товаров.

Как рекомендательная система исправляет ситуацию:

• Рекомендует товары, которые были в прошлых корзинах. Таким образом, если покупатель забыл что-то из необходимого, система ему напомнит.
• Рекомендует попробовать более качественные и дорогие аналоги. При этом товары рекомендуются “на повышение” постепенно, чтобы не отпугнуть покупателя.
• Рекомендует товары только в ценовом диапазоне, комфортном покупателю. Система помнит, какие покупки он делал в прошлом. Таким образом тот, кто привык экономить, не увидит в рекомендациях самых дорогих товаров, а тот, кто привык тратить много — дешевых.
• Рекомендует новые товары. Если вы регулярно покупаете стиральный порошок, то вряд ли спонтанно перейдете на гель. Система подталкивает пользователей пробовать новые марки и виды товаров, тем самым управляя их привычками.

2. Товары для животных

У питомцев целый ряд особых характеристик: вид, порода, возраст. Поэтому корм для рыбок будет не лучшим подарком лабрадору. Впрочем, как и костюм на той-терьера.

Что исправляют в рекомендациях отраслевые алгоритмы:

• Рекомендуют товары, соответствующие виртуальному профилю питомца. Рекомендательная система запоминает информацию о просмотрах и покупках пользователя и делает выводы: сколько у него домашних животных и что это за животные.
• Учитывают все виды животных. Зоотовары есть не только для кошек и собак, а еще для грызунов всех мастей, рептилий, рыб, декоративных насекомых, птиц, да хоть карликовых свиней. Настройка рекомендательной системы должна быть особенно тонкой, иначе рекомендации просто не будут работать.
• Кросс-селлинг зоотоваров. Система анализирует содержимое корзины и предлагает товары, которые к ним купили пользователи с похожими питомцами.

3. Косметика

Всё, что связано со здоровьем и красотой, нужно рекомендовать очень аккуратно и точно. Что учитывает рекомендательная система с отраслевой спецификой:

• Лояльность определенным брендам. Аналогично с сегментом одежды, в косметике огромное влияние имеет торговая марка. Рекомендательная система запоминает предыдущие выборы покупателя и советует его любимый бренд чаще других.
• Физиологические особенности. Их масса: тип кожи (сухая, нормальная, жирная), тип волос, аллергические реакции. Если этого не учитывать, ценность рекомендации будет стремиться к нулю.
• Рассылки к праздникам. Косметика — популярный товар для подарков, в том числе на “женские” праздники. Рекомендательная система предложит владельцу магазина сделать email-рассылку с персональными предложениями накануне праздников, это с большей вероятностью заставит пользователей вернуться в магазин и посмотреть товары в каталоге.
• Периодические покупки. Косметические средства покупаются регулярно, в этом они похожи на товары FMCG-сегмента, разница только в периодичности. Рекомендательная система советует пополнить запасы с помощью товарных рекомендаций на сайте и рассылок.

Примеров можно приводить много: на любую без исключения товарную тематику есть свой особый алгоритм рекомендаций:

• Одежда и обувь — размеры, возраст, пол покупателя.
• Детские товары — количество детей, их пол, размеры (если это одежда).
• Аксессуары — материал, бренд, принадлежность коллекции (актуальной или прошлогодней).
• Спорт и активный отдых — большое количество сопутствующих товаров (спортивного снаряжения), жесткое разделение по видам спорта.
• Электроника — сложный товар, лояльность бренду, пол.
• и так далее.

Список можно продолжать долго, но суть уже отражена полностью: рекомендательные системы с базовыми алгоритмами не всегда справляются с задачами продаж. Для этого существуют отраслевые алгоритмы — их как раз можно сравнить с обучающими курсами для продавцов-консультантов в крупных гипермаркетах.