Как зарабатывать больше на том же трафике, продавая на 16% больше аксессуаров: кейс ритейлера электроники Euronics «Фокстрот»

Товарные рекомендации на сайте помогают брендам повысить продажи, упрощают поиск и выбор товаров для покупателей. Согласно исследованию Epsilon, 80% потребителей с большей вероятностью совершат покупку на сайте тех компаний, которые предлагают персонализированный опыт. 

Шудрик Валерия, контент-маркетолог в eSputnik. 

В этом материале мы рассказываем, как крупнейший ритейлер электроники Euronics «Фокстрот» повышает конверсию и увеличивает продажи сопутствующих товаров на 16% с помощью рекомендательных блоков на сайте.

Кто такие «Фокстрот»

Торговая сеть «Фокстрот» – участник Euronics, самой большой закупочной группы электроники и бытовой техники, работающей с 35 странами Европы. 

«Фокстрот» – один из лидеров на рынке Украины по продажам бытовой и электронной техники. Компания представлена в 162 розничных офлайн-магазинах (общая торговая площадь – 154 тыс. кв. м), а также онлайн – сайтом foxtrot.com.ua (средний трафик за полгода – 6,14 млн пользователей).

У «Фокстрота» налажена системная работа над оптимизацией программы лояльности: количество ее участников достигло 11,5 млн клиентов, 92% покупок осуществляется с картой лояльности. Такую популярность программа лояльности имеет благодаря персонализации: клиенты получают актуальные предложения и бонусы на следующую покупку, а также есть вероятность получить специальные цены.

7 лет назад «Фокстрот» обратились в eSputnik за внедрением email-маркетинга как канала онлайн-продаж. Начинали с проморассылок и постепенно расширили коммуникацию. 

Сейчас у компании настроено качественное омниканальное общение с каждым клиентом:

● данные обогащаются из разных источников, включая офлайн;
● добавлены каналы Viber, SMS, web-push, pop-up;
● настроены 25 цепочек и 80 триггеров.

Не прекращается работа над поиском новых решений и дальнейшим развитием.

Какие задачи ставил клиент

В категории электроники маржинальность основных товаров очень низкая, поэтому для «Фокстрота» важно увеличить доход за счет cross-sell. В качестве основного инструмента выбрали товарные рекомендации на сайте, которые должны выполнить следующие задачи:

● увеличить количество конверсионных действий пользователей на сайте;
● расширить чек дополнительными позициями;
● увеличить продажи аксессуаров и сопутствующих товаров из других категорий.

Как выбирали рекомендательную систему

«У «Фокстрота» есть свой отдел IT-разработки, мы имеем возможность реализовать и получить практически любое решение. Но есть вопросы, когда нам проще и быстрее развернуть SaaS-решение и сразу же получить результат, чем терять время на постановку задач, тестирование и включение. Помимо этого, eSputnik, постоянно развивает свой продукт, благодаря чему мы можем использовать все их наработки», – Евгений Кречетович, руководитель службы управления взаимоотношениями с покупателями «Фокстрот».

Кроме проверенного временем сотрудничества и экономии ресурсов, в пользу eSputnik говорил сам подход к работе над рекомендациями. Среди других решений на рынке он качественно выделяется тем, что компания объединяет воедино работу лучших алгоритмов и ведущих data-science-специалистов.

Аудитория доверяет рекомендательным блокам на сайте точно так же, как и консультантам в офлайн-магазинах. Эти рекомендации должны быть релевантными и точными, чтобы человек не потратил деньги впустую, а бренд ритейлера не нес репутационные или финансовые потери. 

Алгоритм eSputnik способен спрогнозировать действия покупателей с точностью 60%. Но при использовании одного ИИ есть вероятность, что в подборку проскочит неподходящий товар. Именно поэтому необходим контроль со стороны человека. 

В eSputnik за каждым клиентом закреплен data scientist, который помогает настроить нейронную сеть. Команда из аналитика, project-менеджера и заказчика выявляет бизнес-потребности, выделяет категории, требующие особого подхода. Это и дает идеальный результат, поскольку не существует универсальных алгоритмов для всех бизнесов. То, что отлично работает для электроники, не всегда подходит для fashion, и наоборот.

Как работают рекомендации

Товарные рекомендации формируются с помощью нейронной сети. Ее задача – предсказать следующие действия пользователя, и она обучается на данных. Сеть анализирует историю поведения людей, их интересы и пытается предугадать, как они будут вести себя в будущем (на какие позиции кликнут, что купят). 

ИИ строит прогнозы на основе:

● предыдущего поведения большого количества клиентов;
● данных о товарах и их характеристиках.

В eSputnik алгоритмы делятся на 3 типа: 

1. Общие – для формирования рекомендаций учитывают общие данные сайта, без персонализации: «Популярное на сайте», «Бестселлеры на сайте». Размещаются на любых страницах сайта.

2. Основанные на данных о товаре – учитывают просмотры, клики пользователей, категорию, описание, название и цену товара: «С этим товаром покупают», «Похожие товары». Размещаются в карточках конкретных позиций и на страницах категорий.

3. Основанные на данных контактов – учитывают поведение конкретного пользователя: «Просмотренные товары», «Персонально для вас», «Персонально для вас из этой категории» – анализирующие предыдущие покупки, поведение на страницах категорий и товаров, и др. Размещаются на любых страницах сайта.

Для рекомендаций «Фокстрота» алгоритмы учитывают следующие данные: историю просмотров пользователя, ценовой диапазон, категории, кросс-категории и дополнительные условия, заданные клиентом.

На сайте клиента реализовано более 10 блоков персональных товарных рекомендаций:

● главная страница – «Рекомендованные аксессуары к последней покупке», «Специально для Вас»;

● категория – «Вас заинтересуют»;

● карточка товара – «С этим товаром покупают», «Подобрано на основе ваших запросов», «Покупатели, которые просматривали этот товар, также интересуются»;

● корзина – «К этому товару вам могут понадобиться»;

● страница поиска – «Вас заинтересует»

---

Читайте также: «Я знаю, что вам надо»: как нейросети помогают бизнесу

---

Какие особенности у рекомендаций на сайте «Фокстрота»

В ассортименте ритейлера «Фокстрот» более 10 тыс. аксессуаров, именно поэтому нужен алгоритм, который обработает данные о них. Но структура данных не всегда однородная, что составляет трудности для машины и сказывается на точности рекомендаций. Data scientists должны определенным образом объяснить нейронной сети, что делать, чтобы в подборки не попали неправильные товары. Покажем несколько таких примеров про формирование товарных рекомендаций в тех самых специфических и важных для бизнеса категориях.

● Крепления для телевизоров – чтобы их подобрать, необходимо учитывать вес телевизора и стандарт крепежей VESA, т. к. крепежи должны соответствовать у креплений и у телевизора. Здесь данные бывают неполными: у некоторых телевизоров указан вес с подставкой, у других – без подставки. ML-алгоритм может применяться для того, чтобы очистить эти данные и подобрать подставки для всех телевизоров. 

Специалист по данным сообщает алгоритму, что вес – ключевая характеристика и для телевизора, и для подставки. После этого нейронная сеть запоминает информацию и рекомендует правильные крепления. Адаптация алгоритма позволила увеличить продажи креплений на 6%.

 

Рекомендации кронштейнов для телевизора

● ТВ-тюнеры, приставки – существуют модели телевизоров со встроенным ТВ-тюнером и без него. От этой характеристики зависит рекомендация целой группы аксессуаров. Если телевизор без тюнера, то мы можем их рекомендовать (когда они релевантны, просматриваются и покупаются вместе с этим товаром). 

Также и с медиаплеерами – их можно рекомендовать только для тех телевизоров, в которых отсутствует функция Smart TV.

 

Рекомендации для телевизора без тюнера

● Аксессуары к мобильным телефонам – важно четкое соответствие сопутствующих товаров (защитное стекло/пленка, чехол, зарядное устройство и др.) телефону. Нейронная сеть генерирует набор рекомендаций, а из-за обилия вариантов повышается вероятность, что в него попадет хотя бы одна неправильная позиция. 

Поэтому data scientist просматривает рекомендации и исключает некорректные. Таким образом, ИИ дополнительно обучается и подбирает правильные товары с учетом этой информации. Для формирования рекомендаций в категории смартфонов должно быть совпадение в бренде, названии модели и аксессуара.

За последний месяц 16% проданных аксессуаров к телефонам были из товарных рекомендаций.

 

Товарные рекомендации к iPhone 12

● Крупная бытовая техника – для комплектации кухни покупатели зачастую подбирают плиту, вытяжку, микроволновку и т. д. одного производителя и в одном дизайне. При правильном подходе рекомендации для бытовой техники генерируют значительный оборот, т. к. средний чек выше, чем в других категориях. 

Здесь нейронной сети нужно подсказать, что бренд – крайне важная характеристика для формирования рекомендаций. Уменьшение количества брендов в cross-sell-подборках существенно повышает продажи.

 

Рекомендации для газовой плиты Gorenje

● Мелкая бытовая техника – например, чтобы рекомендовать карты памяти, нужно проверять формат карты на совместимость с определенным телефоном, а мешок для пылесоса должен точно подходить к просматриваемой модели и т. п.

 

Рекомендации для пылесоса Rowenta

Подбор лучших рекомендаций – это всегда совместная работа бизнеса, команды и машины. Так формируются и наборы товаров для блоков «Вместе дешевле»: ИИ просчитывает вероятность покупки комплектов → специалисты “Фокстрот” проверяют соответствие категории с категорией в этих комбинациях и убирают нерелевантные → рассчитывают цену (с учетом маржи и размера скидки). 

В итоге получаются комплекты, которые сразу доступны на сайте.



Автоматизация подбора и расчет цены позволили создать более 500 тыс. комплектов во всех категориях товаров, за счет чего у «Фокстрот» увеличились продажи.

Таким же образом создаются рекомендации для блока «С этим товаром покупают». ИИ помогает отследить неявные закономерности: например, с утюгами покупают бокалы, а с перфораторами – кофеварки и т. д. Поскольку каждый день на сайт добавляются новые поставщики и товары, качественно реализовать подбор таких рекомендаций без участия алгоритмов невозможно.

Рекомендации к утюгу Tefal

Когда нейронная сеть не может подобрать товар

«Фокстрот» и eSputnik солидарны в таком подходе: лучше не давать товарную рекомендацию, чем предложить некорректную. Когда ИИ не может подобрать чехол к телефону или найти его в базе, он предлагает общую категорию аксессуаров, где можно поискать подходящую модель вручную.

Что получили в результате – итоги кейса

Использование товарных рекомендаций на сайте дало «Фокстрот» следующие результаты:

● увеличилась вовлеченность на сайте/посещаемость страниц – +10%;
● увеличилась конверсия –  +5%;
● выросли продажи сопутствующих товаров/аксессуаров – + 16%.

Кроме того, персональные товарные рекомендации доступны на рабочем месте и для сотрудников «Фокстрота»: 

● операторов контакт-центра – информация автоматически подтягивается при звонке;
● консультантов в офлайн-магазинах – спрашивают номер телефона клиента. 

Это значительно облегчает работу: им не нужно запоминать весь ассортимент (порядка 80 тыс. наименований), чтобы быстро порекомендовать покупателю актуальные сопутствующие товары или те, которыми он интересовался ранее. Посетители физических магазинов охотно делятся своими контактными данными благодаря выгодной программе лояльности.

Что говорит клиент

Евгений Кречетович – руководитель службы управления взаимоотношениями с покупателями «Фокстрот»:

«Добавление рекомендательных блоков дает возможность показывать посетителям сайта именно те товары, которые найдут у него максимальный отклик. Мы довольны работой товарных рекомендаций на сайте и не устаем их совершенствовать. Реализация всех идей вместе с eSputnik проходит настолько быстро и легко, что мы даже не устанавливаем дедлайны. Главное – определиться, что именно необходимо для достижения целей, озвучиваем, что хотим получить, а дальше специалисты подхватывают и предлагают решение. Отдельное спасибо поддержке, которая отвечает на любые вопросы».

Кому подойдут товарные рекомендации

Не думайте, что такая функциональность доступна только гигантам ритейла вроде «Фокстрот». Для этого клиента большинство решений разрабатывались индивидуально, но за годы тестирования и опыта с другими проектами команда выработала лучшие практики, продуктивные алгоритмы и вывела добавление рекомендаций в интерфейс системы. С настройкой в eSputnik легко справится маркетолог и среднего ecommerce-проекта.

Чтобы настроить товарные рекомендации на сайте нужно:

1. Добавить скрипт веб-трекинга на сайт;
2. Загрузить товарный фид в систему;
3. Выбрать тип страниц и алгоритмы;
4. Указать места размещения блоков;
5. Задать внешний вид карточек в рекомендациях или выбрать его из шаблонов.



В рамках каждого алгоритма можно задавать правила вывода товаров. Например, показывать только товары с определенными параметрами (бренд, цена, категория и др.), исключать товары из показа, выводить больше или меньше каких-то наименований и даже на определенных позициях. Все это в формате low-code, т. е. практически без его использования и дополнительного привлечения разработчиков.

Статистика по блокам видна сразу после публикации на сайте. Это позволяет выбрать лучшие модели размещения и виды рекомендаций. Критерии в системе дают возможность объективно оценить их эффективность: просмотры, переходы, CTR, количество транзакций, количество проданных единиц товара, сумма покупок, средний чек.

 

Динамика активности для рекомендации

Кроме того, удобно, что все большим количеством данных и маркетинговых активностей можно управлять в одном сервисе. А ценообразование гибкое: вы будете оплачивать только то, чем пользуетесь.

eSputnik готовы создавать и совершенствовать свои инструменты для каждого клиента. 

Оставляйте заявку → внедряйте рекомендации → масштабируйте свой бизнес!

Контакты:

0 800 750 730
+38 056 7870 730
info@esputnik.com