Personaliserede produktanbefalinger

Produktanbefalinger er automatiske forslag, der hjælper kunderne med at finde relevante produkter ud fra deres adfærd, de varer, de kigger på, og bredere købsmønstre. Det mest citerede referencepunkt erMcKinseys konklusion(2017, med data fra 2013) om, at 35 procent af det, forbrugerne køber på Amazon, kommer fra produktanbefalinger. Anbefalinger virker, fordi de løser et grundlæggende problem: Kunderne kan ikke gennemse hele dit katalog, så systemet viser de mest relevante produkter for hver enkelt i hvert øjeblik.

Typer af produktanbefalinger

• Lignende produkter: alternativer til det produkt, kunden kigger på, i samme kategori, med lignende egenskaber og i et sammenligneligt prisleje. Hjælper den, der sammenligner, med at finde det rigtige.
• Købes ofte sammen: produkter, der ofte købes i samme ordre, fx et mobilcover med en skærmbeskytter eller løbesko med løbesokker. Den vigtigste kilde til krydssalg og den type, der påvirker gennemsnitlig ordreværdi (AOV) mest direkte.
• Populære produkter: produkter med stigende salg eller visninger. Nyttige til nye besøgende, hvor der endnu ikke er adfærdsdata at personalisere ud fra, og effektive i kategorier drevet af FOMO, som mode og limited editions.
• Personlige anbefalinger: ud fra den enkeltes browsinghistorik, købsmønstre og adfærd i realtid. Den mest effektive type til tilbagevendende besøgende. Kræver adfærdsdata fra mindst én session.
• Senest sete: et enkelt, men effektivt mønster, der viser produkter, kunden allerede har kigget på. Gør det lettere for den, der sammenligner på tværs af flere besøg. Lav kompleksitet, høj nytte.
• Anbefalinger i kontekst: anbefalinger, der skifter med tidspunktet på året (vinterfrakker i november), ugedagen (festartikler om fredagen) eller ydre forhold (solcreme, når vejrudsigten lover varme). Kræver datakilder ud over købshistorikken.

Hvor du placerer anbefalingerne, og hvorfor

• Produktside: lignende produkter og købes ofte sammen. Løfter ordreværdien ved at bringe komplementære produkter i spil.
• Kurv: komplementære produkter og tilkøb. Øger antallet af varer pr. ordre i det øjeblik, hvor købsintentionen er størst.
• Forside: personlige og populære produkter. Giver engagement, genbesøg og en hurtigere vej til relevante kategorier.
• Kategoriside: populære produkter i kategorien og personlige anbefalinger. Hjælper kunderne med at finde mere end topsælgerne.
• E-mail: personlige anbefalinger og genkøb. Driver gentagne køb og genaktivering.
• Søgning uden resultater: populære og senest sete produkter. Redder sessioner, der ellers ville ende med tomme hænder.

Klikraten (CTR) pr. placering varierer meget med design, produktmiks og trafikkilde. Sæt din egen baseline ud fra den første måned, og følg løftet over tid frem for at jagte branchetal.

Sådan fungerer anbefalingsalgoritmer

• Collaborative filtering. "Folk, der købte X, købte også Y." Finder sammenhænge i købsmønstre på tværs af alle kunder. Styrke: finder ikke-oplagte sammenhænge (øl og bleer). Svagheder: cold start-problemet (nye produkter uden købshistorik får ingen anbefalinger) og en tendens til at anbefale bestsellere.
• Content-based filtering. "Produkter med egenskaber, der ligner det, du har set." Bruger katalogdata som kategorier, brands, farver, prisleje og materialer til at finde lignende varer. Styrke: virker for nye produkter med det samme, uden cold start-problem. Svaghed: begrænset til de egenskaber, der står i data, og finder ikke de uventede sammenhænge, som collaborative filtering finder.
• Hybride tilgange og deep learning. Moderne systemer kombinerer de to med adfærdsdata (browsingmønstre, tid på siden, scrolldybde) og kontekstdata (tidspunkt, enhed, placering). Deep learning-modeller omsætter alle signalerne til vektorer, så matchet fanger både de eksplicitte egenskaber og de underliggende adfærdsmønstre.

Sådan vurderer du en anbefalingsmotor

1. Relevans. Giver anbefalingerne mening for dit katalog? "Købes ofte sammen" skal vise produkter, der reelt passer sammen, og ikke tilfældige varer fra samme kategori.
2. Håndtering af cold start. Hvad sker der med nye produkter uden købshistorik og med nye besøgende uden adfærdsdata? Motoren skal have reservestrategier, der stadig giver relevante resultater.
3. Merchandising. Kan du booste, blokere eller fastgøre bestemte produkter i anbefalingerne? Kan du udelukke udsolgte varer, varer med lav avance eller bestemte brands?
4. Fleksibel placering. Kan du placere anbefalinger overalt på sitet eller kun på faste pladser? API-baserede motorer giver mest fleksibilitet; widgetbaserede er hurtigere at implementere, men mere begrænsede.
5. På tværs af kanaler. Kan den samme motor drive anbefalinger både på sitet og i e-mails? Deler kanalerne adfærdsdata, bliver resultaterne bedre end med separate systemer. Se også e-mailguiden.

Hvordan Hello Retail løser anbefalinger, kan du læse om på siden omProduct Recommendations.