Что такое машинное обучение и как оно связано с рекомендациями
Машинное обучение — это раздел искусственного интеллекта, где алгоритмы учатся на данных и находят закономерности, вместо того чтобы работать по прописанным вручную правилам.
В товарных рекомендациях машинное обучение анализирует историю поведения покупателя: какие рассылки и продукты он смотрел, что добавлял в избранное и заказывал. На основе этих данных алгоритм подсказывает, что предложить человеку дальше.
Как работает машинное обучение в рекомендациях:
Анализ данных. Рекомендательный алгоритм изучает прошлые действия покупателя и поведение людей с похожими вкусами.
Поиск связей. Алгоритм находит скрытые зависимости: он замечает, какие товары люди чаще всего берут вместе, даже если между ними нет прямой логической связи.
Персональный подход. Каждый покупатель получает подборку товаров, которая учитывает его интересы и поведение.
Автоматическое улучшение. Открытия писем, клики и новые покупки уточняют работу алгоритма, поэтому со временем подборки становятся более релевантными.
Что такое товарные рекомендации в рассылках
Рекомендации — это инструмент маркетинга для подбора подходящих товаров покупателю. Если он смотрит платья, в рекомендациях можно предложить похожие, а если платье уже куплено — туфли к нему.
Товарные рекомендации помогают увеличивать:
Конверсию в заказ. Предложение собрано под конкретного покупателя, поэтому с большей вероятностью попадает в интересы и приводит к заказу.
Средний чек. Часто в сопутствующих и дополнительных товарах покупатели находят то, что хочется заказать вместе с основными. Вместе с количеством товаров в корзине растёт средний чек.
Частоту покупок. В подборку попадают товары, которые покупатель с большой вероятностью закажет в следующий раз. Так магазин сокращает часть пути покупателя к заказу и упрощает выбор.
Рекомендательный блок может быть статическим или динамическим. В первом случае маркетолог вручную выбирает подходящие товары и отправляет одну подборку всей базе. Динамический блок работает иначе — на основе алгоритма машинного обучения (ML): он изучает профиль покупателя и собирает уникальную подборку.
«Товарные рекомендации помогают выстраивать персональный подход и продавать больше без ручной рутины. Алгоритм автоматически изучает данные и находит неочевидные связи между товарами. Например, паттерны совместных покупок, которые не видны по прямой логике каталога.
При этом система учится на каждом новом действии пользователя и повышает точность самостоятельно. В итоге данные о поведении превращаются в актив, который автоматически приносит бизнесу всё больше пользы по мере роста».Вера Генова
Специалист по работе с продуктами машинного обучения RetailCRM
Виды товарных рекомендаций
Рекомендации можно подбирать под покупателя или конкретный товар. В первом случае система создаёт предложения с учётом данных о человеке: его прошлых заказов или просмотренных страниц. Во втором — отталкивается от товара, которым покупатель уже интересовался, и предлагает альтернативу или дополнение к нему.
Рассмотрим виды рекомендаций и то, как их используют российские бренды.
Персональные рекомендации
Подборки товаров на основе данных конкретного покупателя. Такие рекомендации работают, когда у компании уже накопилась информация о человеке и на её основе можно подобрать товары под интересы.
Например, Elyts отправляет покупателям подборки товаров от брендов, которые указаны в их профиле как любимые. Это помогает компании делать более персонализированные предложения и увеличивать конверсию в покупку в два раза.
В основе персональных рекомендаций — история активности покупателя на сайте и в рассылках:
просмотры категорий и товаров;
заказы;
реакции на рассылки;
товары в корзине и ли избранном;
поведение похожих по параметрам покупателей.
★ Как увеличить конверсию и удержание с помощью персонализации
Популярные товары и бестселлеры
Эта механика помогает предлагать покупателю товары, которые чаще всего смотрели и заказывали другие. Такие письма отправляют тем, у кого пока небольшая история взаимодействия с брендом.
Бренд аксессуаров Gourji показывает популярные товары в рассылках новым подписчикам. В них добавляют тематические подборки и популярные товары в одной стилистике. Это помогает напомнить потенциальным покупателям о том, что могло бы их заинтересовать.
Подборка с популярными товарами из конкретной категории пригодится любому магазину с большим ассортиментом. Это поможет обратить внимание читателя на конкретные позиции.
Похожие товары
Рекомендация с похожими продуктами помогает покупателю выбрать из нескольких смежных вариантов. Например, сравнить разные цвета одной модели или подобрать новый товар в той же категории.
Алгоритм подбирает для блока продукты, которые похожи на основной по категории или свойствам. Например, к синему платью в горох система, скорее всего, подберёт платья того же цвета и принта. Если покупатель ищет конкретную расцветку, он быстрее сравнит альтернативы и выберет подходящий вариант.
Сопутствующие товары
Такие рекомендации помогают предложить дополнения к уже выбранному товару или корзине. Алгоритм считает, какие позиции чаще всего заказывают вместе, и на основе этого собирает подборку. Например, предлагает докупить к платью пояс или сумку.
Изучая сопутствующие товары, покупатель как минимум задумается о дополнительном товаре, а как максимум добавит его в корзину. Механика с сопутствующими товарами помогает увеличить средний чек заказа.
Клиенты RetailCRM внедряют рекомендации в маркетинге и получают результат
📌 Lacy Bird: 2 млн с одной рассылки и 40% конверсии в повторную покупку
📌 Окупаемость маркетинга 1 800%: кейс KIRI
📌 Сегментация и триггерные сценарии возвращают 45% покупателей
Примеры рекомендаций в рассылках
Чаще всего товарные рекомендации добавляют на сайт и в имейл-рассылки, потому что оба канала позволяют показать покупателю сразу несколько карточек.
Ниже разберём, в какие типы писем можно добавить рекомендации для увеличения вовлечённости и конверсии.
Массовые и проморассылки. Обычно отправляются периодически и на широкую аудиторию. В них компания анонсирует новые коллекции и делится подборками товаров.
Товарные рекомендации увеличивают конверсию такой рассылки. Покупатели хорошо реагируют на скидку для продукта, который и так хотели купить.
Приветственные цепочки. Последовательность писем, которую магазин отправляет сразу после подписки на рассылку или регистрации. Так бренд рассказывает о себе и мотивирует оформить первый заказ.
У получателя приветственной рассылки ещё нет истории покупок, поэтому рекомендации обычно состоят из популярных товаров и новинок. А потом с помощью алгоритма отслеживают реакцию и учитывают в следующих письмах.
Триггерные письма. Приходят в ответ на действие покупателя или в указанную дату: брошенная корзина, оформленный заказ, день рождения. С помощью триггерных рассылок компания автоматически поддерживает диалог с покупателем.
Подборка в таком письме строится вокруг товаров в корзине, просмотрах или заказах. Блок работает как витрина, а не прямой призыв купить сейчас. Покупатель может не оформить заказ сразу, но запомнить, что у бренда есть ещё что-то подходящее.
Реактивационные письма. Уходят тем, кто давно ничего не заказывал и не заходил на сайт. Задача — напомнить о бренде и вернуть покупателя в магазин.
Товарная подборка в такой рассылке строится на данных о прошлых заказах и просмотрах. Обычно в письме показывают новинки в тех категориях и брендах, которые человек уже покупал.
В гайде рассказываем, как регулярно создавать эффективные форматы контента, которые действительно приводят к покупкам.
Как оформить блок рекомендаций в письме
В письме с товарными рекомендациями работает общее правило всех рассылок: чем проще, тем выше шанс на целевое действие.
Товарный блок конкурирует за внимание с остальным письмом, поэтому читатель должен с первого взгляда понять, что за продукты ему показывают и почему.
Добавьте ценность для читателя. Пользу и основные смыслы лучше вынести в тему и прехедер. Так получатель сразу решит, стоит ли открывать письмо.
Определите место блока в письме. Если у рассылки самостоятельный повод вроде старта акции, подборку обычно ставят после основного сообщения. Когда рекомендации и есть повод для письма, ставить их ниже незачем, иначе читатель до них не дойдёт.
Подготовьте хорошие фотографии. Именно они продают товар в карточке. Покажите реальные фото на модели, чтобы покупателям было понятно, как товар смотрится на реальном человеке или в интерьере.
Соберите рекомендательные блоки. Вместо батареи из сотни карточек, сделайте акцент на важных товарах. Топовые лучше разместить в самом начале письма или выделить с помощью нестандартного блока. Например, карточки товара на всю ширину или сбоку от текста.
Добавьте «воздуха». Используйте свободное пространство между смысловыми блоками, чтобы разделить письмо на части. А ещё с помощью пустоты можно акцентировать внимание читателя, например на кнопке целевого действия.
Вместо одного письма можно настроить цепочку из нескольких сообщений. Например, чтобы отправлять новую подборку, если покупатель проигнорировал первую.
Цепочку можно собрать в сценариях RetailCRM с ИИ-помощником. Он настроит последовательность сообщений, условия перехода между ними, интервалы и каналы, а также подготовит тексты. Перед запуском останется проверить сценарий и при необходимости внести изменения.
Четыре ошибки в работе с товарными рекомендациями
Рекомендации товаров — это гибкий инструмент, но есть несколько моментов, которых стоит избегать:
Запускать рекомендации без данных. Если каталог небольшой или заказов накопилось мало, алгоритм не сможет подобрать подходящие товары. В этом случае лучше протестировать ручные настройки.
Предлагать неподходящие товары. Не показывайте продукты вне интересов покупателя. Например, странно предлагать набор рыболовных крючков тому, кто покупал косметику и смотрел только платья и обувь.
Рекомендовать слишком дорогие альтернативы. Даже если покупатель готов потратить немного больше, не стоит предлагать товары в несколько раз дороже. Скорее всего, получатель сочтёт рекомендацию неподходящей.
Не использовать рекомендации вообще. Подборки в рассылках помогают не только с ростом продаж. Они также работают на рост лояльности, потому что помогают покупателю сэкономить время на поиске товаров и работают как забота от бренда.
Главное
Товарные рекомендации — это инструмент маркетинга, который подбирает покупателю подходящие товары на основе его просмотров и заказов. Механика встраивается в любую рассылку и помогает увеличивать частоту заказов, средний чек и конверсию в покупку.
Даже один товарный блок в рассылке может увеличить конверсию в заказ. Протестируйте RetailCRM и проверьте это на практике.
Часто задаваемые вопросы (FAQ)
Что такое машинное обучение?
Это раздел искусственного интеллекта, где алгоритм самостоятельно выводит закономерности из данных, вместо того чтобы работать по прописанным правилам.
Что такое ML модель?
Результат обучения алгоритма. Он изучает историю просмотров и заказов, находит закономерности, например, какие товары чаще берут вместе. После этого на каждый запрос модель отдаёт готовый список товаров для подборки.
Как работает машинное обучение в рекомендациях?
В товарных рекомендациях алгоритм изучает, что покупатели смотрят и заказывают. А потом подсказывает, какие товары показать каждому из них.
Какие рекомендации лучше использовать в рассылках?
Зависит от того, что магазин знает о получателе. Новому подписчику показывают новинки и популярные товары, а тому, кто уже покупал, — персональные подборки по просмотрам и прошлым заказам.
Почему рекомендации повышают продажи?
Подборки избавляют покупателя от поиска: он сразу видит товары, связанные с тем, что уже смотрел или заказывал, и чаще доходит до заказа. Сопутствующие товары в письме поднимают средний чек, а новинки в категориях и брендах, которые человек уже покупал, дают повод вернуться.
