Le 5 Migliori Sezioni per inserire i Suggerimenti basati sul Machine Learning sul tuo e-commerce

5 Best Sections to place Recommendations in E-commerce to Start a new Revenue Stream
Driving better customer experience using recommendations machine learning based and grow your sales
Click here for English version

L'esperienza utente è più importante che mai per il successo per un'attività redditizia online. La Customer Experience determina il modo in cui parlano o scrivono della tua azienda i clienti. Cosa è possibile fare per assicurarsi che sia positiva? Come è possibile creare esperienze ripetibili e personalizzate?

Questa guida è incentrata su dei principali aspetti per migliorare e automatizzare l'esperienza utente e soprattutto su come e dove mostrare le recommendations durante la navigazione utente.

Status Quo

Nella mia personale esperienza, ho notato nella maggioranza delle volte, anche in e-commerce di livello enterprise, una modalità quasi surreale di gestire la disposizione del merchandising come fosse un punto di vendita fisico.

Aggiornamenti settimanali sulla disposizione dei prodotti da inserire "in vetrina", comunicati all'e-commerce manager di turno, ed utilizzo delle promozioni e sponsorizzate come unici driver di vendita.

Il 40% del merchandising online diventa obsoleto o non giustifica la presenza delle vendite.

Risolvere il problema di "saturazione del merchandising" e dell'implementazione della personalization, con gli strumenti che oggi abbiamo a disposizione è molto fattibile per gli "addetti ai lavori", anche perchè il mercato permette implementazioni sempre più semplici e meno invasive, evitando costi onerosi di sviluppo e di ingegnerizzazione.

Cosa sono le recommendations?

È un algoritmo che suggerisce prodotti, prelevati dal proprio merchandising, personalizzati ad ogni cliente, basati sullo storico dei loro comportamenti di navigazione e di acquisto, suggerendo, tramite previsioni statistiche, i prodotti che più probabilmente verranno acquistati.

La differenza sostanziale, tra un algoritmo e l'altro, è dato dal numero di features e dai dati raccolti, per permettere una previsione più pertinente possibile.

Dal sito nike.com

Come aiutano a migliorare l'esperienza d'acquisto?

Suggerendo i prodotti che più vengono acquistati, secondo specifici parametri, riesce a fornire indicazioni suited ad ogni potenziale cliente (quindi che non ha ancora acquistato) e molto più pertinente a quelli che hanno acquistato.

Immaginate che durante una seconda navigazione su un e-commerce di vostro interesse, i prodotti correlati o quelli che mostrati successivamente ad una query di ricerca, siano pertinenti ai vostri interessi, similari a tanti altri utenti che hanno dimostrato averne simili ai vostri.

Ad esempio: se provate a navigare sul sito Nike, dopo aver visualizzato 3 prodotti qualsiasi sul loro store, provate ad aggiungerne uno al carrello. In fase di acquisto, nella parte inferiore del carrello, ci vengono "suggeriti" prodotti simili che ho visto in precedenza o che sto attualmente acquistando.

Nike Recommendations

Sarebbe stato più utile se mi avessero offerto dei calzini o un pantalocino (dipende dalla strategia) di un colore pertinente a quello che sto acquistando, ad un prezzo scontato (😂).

Dove inserire le raccomandazioni

Le posizioni per l'inserimento delle raccomandazioni generalmente sono quelli dove le heatmap non sono mediamente calde.

Alcune delle posizioni più comuni sono:

  • Homepage
  • Risultati di ricerca
  • Pagina Prodotto
  • Carrello
  • Pagine d'errore
Un'altra sezione utile più comune è il completamento automatico nella barra di ricerca. Qui puoi trovare dove racconto i risultati della sua implementazione, credo che lo troverai abbastanza utile.

Homepage

È una pagina fondamentale per i inserire i suggerimenti automatizzati, in base anche alla ricerca prodotta dalla Baymard Institute research che evidenzia il 25% dei visitatori durante i test, scorrere verso il basso e verso l'alto la homepage per valutare rapidamente i prodotti del sito.

Le migliori esperienze d'acquisto si basano su un'efficace segmentazione dei clienti basata su comportamenti, dati demografici ed interessi.

Risultati di ricerca

La pagina di ricerca ideale incorpora consigli che mostrano ciò che altri clienti hanno visualizzato e acquistato durante la loro navigazione, partendo da questo punto fino alla pagina di ringraziamento per l'acquisto.

In questa pagina anche i filtri sono molto importanti: visualizzati nella barra laterale di sinistra e solo quelli aderenti ai risultati di ricerca.

Product

Imposta l'up-sell "raccomandato" per mostrare prodotti con prezzi simili o più alti (o entrambi) per aumentare l'AOV. Ciò stimola l'interesse dei clienti a continuare la ricerca e allo stesso tempo consente di promuovere diversi prodotti correlati.

Carrello

Questa pagina è il momento perfetto per fare up-selling di articoli complementari per permettergli di completare l'ordine in modo soddisfacente!

Puoi mostrare anche prodotti basati sulla sua storia di navigazione, per ricordargli alcuni tra quelli che ha visto poco fa.

Fino al 25% dei clienti che fanno clic su questi consigli ordinano l'articolo.

Pagine d'errore

Quando navighi sul tuo e-commerce preferito, trovare un prodotto che ti piace ed essere colpito da un messaggio 404 non è proprio il massimo!

Annulla la tua volontà all'acquisto e il tuo umore, ad essere del tutto sinceri.

Invece di reindirizzare ad altre pagine del sito o semplicemente mostrare un messaggio di errore, perché non trasformare l'inconveniente in un'opportunità?

Utilizza le pagine di errore per visualizzare:

  • Best seller: mantieni i tuoi clienti coinvolti con i prodotti più caldi;
  • Basati sulla navigazione: mostra gli elementi in base al breadcrumb, relativo al prodotto che il cliente stava cercando;
  • Prodotto correlato / simile: suggerisci al tuo cliente prodotti simili a quello che stava cercando.

Questi sono alcuni degli esempi pratici, applicabili senza grossi sforzi tecnici poichè la maggior parte dei prodotti di recommendations vengono implementati tramite moduli, script di tracking e/o markup html, dove viene "iniettato" in real time i prodotti suggeriti.

Nota – Utilizzo più avanzato

In funzione di un particolare comportamento di navigazione, questi contenuti vengono filtrati con regole sul prezzo o su particolari esigenze di merchandising.

Ad ogni contenuto raccomandato, è possibile inoltre applicare una strategia di suddivisione ulteriore, avendo a disposizione informazioni relative al loro AOV o a quali prodotti hanno acquistato di recente, è possibile:

  • suggerire nei Cross Selling ad uno specifico cluster della customer base (Champion o Frequent Buyer, ad esempio) proponendo prodotti ad un prezzo mediamente più alto del nostro merchandising, perchè è maggiormente in linea con il loro potere di spesa;
  • suggerire nei risultati di ricerca (approfittando dei mispelling), prodotti più pertinenti al cluster che sta ricercando in quel momento, a fronte di una parola chiave ampia, esempio: scarpe bianche, mocassino, ecc.;
  • suggerire nella pagina Carrello, al customer VIP, prodotti complementari  abitualmente acquistati da questo segmento, con quelli presenti nel loro carrello.

Quali performance è possibile ottenere?

Scriverò alcuni lavori selezionati in cui c'è stato un aumento importante delle vendite complessive dell'e-commerce, con x2, x3 o addirittura x5.

Nella sezione lavori, troverete quelli che ho selezionato tra i più sfidanti, e che partendo dal 2004 sto continuando aggiornando almeno una volta a settimana

Iscriviti alla newsletter per essere notificato quando pubblico un nuovo lavoro o caso studio.

In questo lavoro, ad esempio, ho aumentato le vendite dalla barra di ricerca, tramite l'utilizzo di un motore di machine learning, del 300%. Questo significa che il business ha subito un incremento, non del 300%, ma un aumento proporzionale alla conversione che avveniva dalle sessioni che partivano con l'utilizzo della barra di ricerca. Nel caso specifico, ho apportato anche miglioramenti UX alla barra di ricerca per renderla maggiormente visibile.

Esempio: se il 10% degli utenti inizia la sessione utilizzando la barra di ricerca e il conversion rate di partenza è del 3%, aumentarlo del 300% significa triplicare queste vendite.

Se le recommendations venissero applicate anche agli altri funnel, sarebbe possibile ottenere una curva di aumento delle vendite esponenziale.

Il flusso di entrate aumenta drasticamente, se la marketing automation è applicata alle recommendations.