Методы интернет-мерчендайзинга на карточке товара и технологии переключения внимания покупателя

Данная статья является расшифровкой одного из докладов прошлогодней `Электронной торговли – 2010`. Можно подождать еще год, и получить информацию о новых методиках и технологиях совершенно бесплатно. К сожалению, многие из ваших конкурентов не стали ждать и уже зарегистрировались на `ЭТ-2011`, которая пройдет 13-14 октября в Москве. Программа конференции уже опубликована.

Вкратце о теме доклада: нам нравится ничего не делать и получать деньги, и мы любим математику. Мы стараемся это объединить и показать, как это работает. Представьте себе, что вы не увеличиваете расходы на рекламу, не меняете дизайн сайта, не расширяете ассортимент и… зарабатываете больше. Я постараюсь рассказать, что для этого нужно и как это работает.

Какие товары мы не хотим продавать?

Итак, не все товары мы хотим продавать. Какие у этого могут быть причины? Первые две очевидны. Если товар снят с производства – его не продашь. Вторая – товара может не быть в наличии. И в таком случае вы не можете на нем заработать. И третья, самая интересная: на товаре может быть низкая маржа. Например, у нас есть ноутбуки одного из сегментов, они близки по цене, близки по функциональности, но с одним вендором одни отношения, с другим дистрибьютором – другие отношения. И для вас как продавца выгода будет разной.

Соответственно, вот пример – телефон Nokia 6300. Отличная модель, классный бестселлер, масса людей видели ее у знакомых, слышали от друзей, они ищут, ищут и хотят ее купить. И, понятное дело, что купить новую они сейчас не могут (цифры приведем для понимания объема трафика, который можно привлекать потенциально по подобным вещам).

Соответственно, мы говорим о том, что пользователь пришел на карточку товара. А товар, который представлен на этой карточке, мы либо не хотим продавать, либо его нет в наличии. Понятное дело, что пользователь приходит с поисковых систем. Он может прийти с ценового агрегатора – за то время, пока вы выгрузили предложение, товар уже закончился, а информация еще в прежнем виде.

Задача

Сформулируем задачу. Нам нужно найти такие товары на замену, чтобы заработок от их продажи был максимальным. Как нам это рассчитать и чего мы хотим добиться в результате наших действий?

Мы хотим увеличить конверсию, увеличить среднюю маржу заказов и уменьшить показатель отказов. С первым понятно – мы хотим, чтобы та часть аудитории, которая сейчас приходит на карточку товара и уходит, получала релевантное предложение и делала заказ. Второе, мы хотим, чтобы даже при прежней выручке средняя маржа у нас тоже росла. Например, если раньше мы продавали ноутбуки по 200 долларов, а вход на них был, например, по 180. а теперь мы будем продавать тоже по 200, но вход будет по 150, потому что это будет релевантная замена. И мы хотим уменьшить показатель отказов.

Понятно, что перейдя к вам на страницу по нескольким ссылкам с поисковой выдачи, пользователь, увидев в вашем магазине информацию о том, что товара нет в наличии, тут же закрывает окно. И увеличивает таким образом показатель отказов.

Как это будет измеряться? Я рекомендую использовать для этого Custom variables и сегменты Google Analytics То есть вы на точках входа вешаете этим пользователям соответствующий идентификатор и делаете по ним сегмент. В результате, вы будете видеть, как меняется конверсия и показатель отказов по пользователям, которые начали свое знакомство с вашим сайтом с товара, которого нет в наличии. На самом деле, это просто – один маленький javascript и один отчет в Google Analytics. То есть, вы сразу получаете срез. Почему это важно? Потому что если вы не будете измерять, вы не будете понимать: хорошо вы делаете это или плохо.

Область применения

Для кого работает такая технология? Для магазинов с большим ассортиментом (как минимум, 1000 товаров). Например, магазинов электроники, книг, дисков. Это не работает в hand-made товарах, которых у вас 50 штук. Это работает для товаров с похожими покупательскими свойствами. Это не работает с полностью уникальными товарами.

И, это работает на регулярном обновлении ассортимента. То есть, если вы в магазине продаете счастье, оно будет актуально всегда, всегда будет востребовано и все с ним будет классно. Если вы продаете товары с изменяющимися линейками – электронику, одежду, любой товар, имеющий сезонность – это будет работать.

Методы определения похожих товаров

Какие есть методы, чтобы определить похожие товары? Помнитенашу цель? Нам надо на карточке товара, который не хотим или не можем продавать, предложить товарную замену на похожий товар. Какие есть для этого методы?

1. На основе потребительских свойств. Например, телефон с определенными характеристиками: размер экрана, объем памяти, частотный диапазон, наличие Bluetooth. И мне надо найти такой телефон, который бы удовлетворил того покупателя, который зашел на эту карточку товара.

2. На основе поведения пользователя. Т.е. мы знаем, какие страницы пользователи у нас смотрят на сайте, мы знаем, что они делают, и мы кое-что на основе этого можем понять.

3. Гибридная модель. Например, Amazon использует гибридную модель. Ozon, по-моему, уже перешел к ней.

1. На основе потребительских свойств

Итак, рассмотрим основной метод – на основе покупательских свойств товара. Пусть у нас есть товар А, к примеру, Nokia 6300. Она обладает двумя, для данного примера, свойствами – X и Y. Пусть это будут, например, объем памяти и разрешение экрана. И мы уже отметили здесь конкретные значения.

Добавим еще два товара – В и С. Наша задача – понять, какой из этих товаров ближе по своим свойствам к А.

Если вы помните школьный курс геометрии, то, наверное, знаете, что это расстояние считается как корень из суммы квадратов разницы по диагонали. В результате получается такая формула:

В общем виде получается немного страшная, но, поверьте, очень простая формула для большинства тех, кто в этом понимает. Она гораздо проще, чем многое из того, что на самом деле применяют в больших магазинах, в больших выборках.

Что это такое? Это сумма квадратов разниц произведений. Нам нужно посчитать близость этих товаров. Характеристик, конечно, может больше чем две, но все, что вам нужно, – это посчитать близость по каждой из них.

Вес характеристик

Важный момент. Не все характеристики одинаково полезны. Например, для пользователя в телефоне зачастую важны 3-4 характеристики, например, размер экрана, сенсорный ли он, есть ли у него qwerty-клавиатура. И правильно будет проставить вес этим характеристикам. То есть, насколько важно для пользователя наличие qwerty-клавиатуры, наcколько для него важен размер экрана.

Отдельно надо здесь выделить два покупательских свойства. Это бренд и цена. Близость по цене зачастую более важна, чем значения по другим покупательским свойствам. И нельзя забывать про лояльность к бренду. У всех она разная, например, если вы пользователю, который посмотрел ноутбук Apple, предложите: "Ну, Apple нет, возьмите такой же Asus" – вряд ли вы его убедите. И то же самое с пользователями Nokia. Они достаточно лояльны в своем заблуждении и их тоже тяжело переключить на телефоны другого бренда.

Соответственно, этот коэффициент k – это вес характеристики, насколько она важна для пользователя.

2. На основании поведения пользователя

Теперь о близости на основании поведения пользователя. Здесь все немного сложнее, потому что для этого нужна большая выборка. Если у вас в течение суток на один товар приходится менее 10 уникальных просмотров пользователя, то выборка будет нерелевантной и весьма искаженной. Но если больше – можно и нужно собирать следующую информацию о действиях пользователей:

• просмотрели карточку товара, который вы не хотите или не можете продавать;
• просмотрели большие фотографии о товаре или изображения в 3D;
• сравнили товары (очень важно);
• добавили в лист ожидания;
• добавили в корзину;
• заказали товар.

Далее, на основании этой информации покупателю можно предложить замену. Достаточно распространенный прием, который в лоб используется следующим образом: "Пользователи, посмотревшие этот товар, потом купили…". На самом деле, таким образом получают достаточно посредственные результаты, но алгоритм верный.

Если вы научитесь это считать – это будет самым лучшим примером для подбора похожих товаров. Потому что, например, если вы продаете не телефоны, а мягкие игрушки, то вместо измеримых характеристик будет неизмеримые. Представьте, что вместо трех моделей телефона в примере выше у вас розовая черепаха, синий слоненок и красный заяц. И характеристиками будут, например, "цвет" и "животное". И попробуйте подсчитать, кто к кому будет ближе. Это никак нельзя вычислить, кроме как по поведению пользователя.

Результаты

В итоге, мы получаем для каждого товара численное выражение близости к другим товарам этой же категории. То есть, мы не считаем близость между холодильником и ноутбуком. Мы считаем в рамках одной категории. Например, у нас есть эта модель микрофона и еще 20 других. И мы можем выразить числами, насколько другие модели к нему близки – либо на основании покупательских свойств, либо на основании поведения пользователей.

Но по числу, которое мы рассчитали, нельзя делать сортировку на карточке товара, потому что близкий и похожий товар – это не обязательно ваша прибыль. Почему так? Сейчас я напомню прошлый урок – по поводу рейтинга товаров. В двух словах, что такое рейтинг товара? Это то число, по которому мы сортируем выдачу товара в каталоге.

Например, мы продаем ноутбуки. У нас есть 500 моделей, нам нужно показать какие-то вверху, какие-то внизу. Вверху нельзя показывать дорогие, но нельзя показывать и дешевые. Надо показывать те, на которых мы заработаем больше.

Вкратце, на основе маржи, конверсии, наличия и еще ряда критериев, типа новизны и тому подобного, мы считаем рейтинг, который говорит о том, насколько нам интересно продавать тот или иной товар. Кратко говоря, это произведение маржи на конверсию. Вот простая таблица: маржа, конверсия, вероятный заработок.

По заработку и идет сортировка. Это упрощенная модель, но важно понимать, что рейтинг в итоге, характеризует насколько нам интересно продавать именно этот товар, в этой категории.

Итак, что рекомендуется, и что мы делаем для магазинов. Сортировать на карточке товара, который мы не хотим продавать, похожие товары на замену, по произведению близости на рейтинг.

На основании этого посчитали вероятность заработка. Т.е. один товар чуть меньше похож, но зарабатываем мы на нем больше, а значит, его показывать надо с большим усилием и с большей вероятностью, нежели очень похожий товар, но по которому вы ничего не зарабатываете.

Ну и напоследок, аргумент в пользу того, что такую систему стоит внедрять. У одного нашего клиента (супермаркет, в том числе, с большой долей электроники) посещаемость – 250 000 человек в день. И понятное дело, большая часть этих посетителей начинает знакомство с сайтом с товаров, которых нет в наличии. Применение рейтинга товара, о котором я говорил, применение этих алгоритмов существенно увеличивают маржу на электронике. Увеличивает среднюю маржу от 2 до 20% в зависимости от категории. Можете для себя подсчитать, что будут значить, например, 2% от вашей маржи, которые просто появятся в операционной выдаче!

Советы

Итак, о том, как внедрить эту методику.

1. Надо делать характеристики качественно. Например, если у вас поле характеристики – просто текстовое поле, куда контент-менеджер копирует описания из "Яндекс-маркет" – это работать не будет. Каждая характеристика должна быть отдельным числовым полем. При этом важно, чтобы они были отсортированы. Например, есть ноутбук с 2 Гб оперативной памяти. И есть два других: у одного 1 Гб оперативной памяти, у другого – 4 Гб. Так вот, 2 Гб ближе к 4 Гб, чем 1 Гб. Т.е. мы не предлагаем даунгрейд, хотя от 2 до 1 расстояние меньше, чем от 2 до 4. Поэтому, качественная база очень важна.

2. Расчет должен быть асинхронным. Да, для этого нам виртуального хостинга не будет достаточно. Это работает для магазинов, у которых есть свой сервер, которые понимают, что такое нагрузка. И расчет должен быть асинхронным, т.е. он должен вестись параллельно, и вы должны им управлять. Его нельзя делать постоянно в реал-тайме.

3. Это надо пробовать, потому что методика работает. И в процессе необходимы измерения – как вариант, с помощью Google Analytics. И обязательно анализировать результаты. Тогда все будет работать – рекомендую!

Напоминаем, что с момента доклада прошел почти год. 13-14 октября 2011, на конференции `Электронная торговля – 2011`, Владислав Флакс об увеличении эффективности работы call-центра интернет-магазина за счет применения инструментов офлайн-розницы. Будут представлены конкретные методики, позволяющие увеличить средний чек и среднюю маржу с заказа. Не пропустите!