Amazon, ecommerce, персонализация
Интернет-маркетинг

Amazon: эпоха персонализированного маркетинга

Автор: Аслан Патов14.05.2015

Каждый, кто когда-либо делал покупку в интернете, читал новостные статьи или пользовался социальными медиа, сталкивался с системами рекомендаций в той или иной форме.

Первая ассоциация, возникающая у большинства пользователей сети со словосочетанием «система рекомендаций», это, вероятно, Amazon.

Считается, что рекомендации, которые Amazon предлагает своим клиентам, генерируют дополнительно 10-30% от общего объема финансовых поступлений розничного гиганта. В числе других популярных сайтов, полагающихся на алгоритмы рекомендаций, можно вспомнить Netflix (компания известна тем, что предлагала $1 млн инженерам, которые бы смогли усовершенствовать их предикативные алгоритмы) и iTunes (движущая сила революции в музыкальном бизнесе).

News Feed соцсети Facebook не столь заметная, но от этого не менее эффективная система. Такой алгоритм определяет, какие посты заслуживают большего внимания.

Нельзя утверждать, что исследовательские команды Facebook или Amazon неустанно работают над инновациями, пытаясь улучшить алгоритмы рекомендаций. Но их пример доказывает, что нужно учитывать множество разнообразных факторов, для выдачи контента интересного пользователю. В числе этих факторов персональная история просмотров/покупок, предпочтения людей с подобной историей покупок, советы друзей, такие нюансы, как популярность или «трендовость» элемента/поста в социальных медиа.

В среде специалистов для алгоритмов, о которых идет речь, принято использовать термин «персонализированные системы рекомендаций».

Amazon, ecommerce, персонализация

В основе работы таких систем – огромные таблицы данных, где хранится информация о потребителях; это длинные ряды цифр, отображающие практически всё – все элементы, которые пользователь приобрел, просмотрел, «лайкнул» …

Два элемента считаются подобными, если многие клиенты проявляют интерес к ним обоим.

Использование таких техник, как снижение размерности, позволяет перейти от интереса к специфическим элементам и более общим характеристикам (предметы роскоши, экзотический туризм, музыка нью-эйдж и прочее).

Как результат, появляется возможность эффективнее группировать пользователей.

Ритейлеры, которые пытаются извлечь пользу для своих порталов из систем рекомендаций, полагаются либо на собственные инструменты, либо на инструменты сторонних разработчиков.

В последнее время системы рекомендаций становятся частью маркетинговых платформ.  

Майкл Джордан (профессор Калифорнийского университета в Беркли и один из ведущих специалистов в области машинного обучения) считает систему рекомендаций Amazon весьма пригодной для книг и музыки. В этих разделах, по мнению Джордана, сравнительно большой объем данных. И смысловые рамки присутствующих в них товаров четко обозначены. В меньшей степени это можно сказать о таких разделах, как рубашки или обувь. «Чтобы расположить все правильно в широком спектре интересов потребителя, требуется большое количество данных, также необходимо проделать значительный объем работы по части инженерии», – полагает ученый.

Уже сейчас для систем рекомендаций широко применяются различные стратегии или алгоритмы, отличающиеся в зависимости от рекомендуемого типа продукции, сервиса или контента.

В их основе – возможность делать заключения относительно общих характеристик продукции и сервисов, которые предпочитает клиент. В этом их коренное отличие от систем, которые формируют историю покупок специфических элементов по идентификаторам товарных позиций.

 

Amazon, ecommerce, персонализация

Системы рекомендаций также способны продвигать продукцию, популярную в соцсетях.

Появление в социальных медиа фотографии мисс Клуни, щеголяющей в новом платье и с новой сумкой, приводят к тому, что потребители за считанные минуты сметают эти товары с магазинных полок. Однако такая маркетинговая стратегия может оказаться неэффективной, если клиент является поклонником каких-то определенных брендов.

Советы касательно рождественских подарков также представляют собой сложный вызов – как для людей, эти рекомендации составляющих, так и для программируемых систем, – поскольку ни те, ни другие не располагают достаточными знаниями о предпочтениях людей, которым рекомендации адресуются.

Система рекомендаций оперирует некоторой информацией демографического характера. При составлении рекомендаций учитываются интересы людей из демографической группы, к которой принадлежат получатели подарков.

Любые дополнительные сведения о человеке, для которого делается подарок (в том числе и информация о том, к чему он испытывает антипатию), могут использоваться для «точечной настройки» рекомендаций.

Но в конечном счете персонализация зависит от имеющегося объема сведений о предпочтениях клиента. Их можно узнать, делая выводы относительно поведения самого клиента, поведения людей со схожими интересами, друзей или коллег.

Еще один немаловажный аспект персонализации – корректировка маркетингового обращения (будь-то мейлы, текстовые сообщения, или же веб-страницы сайтов).

 

Amazon, ecommerce, персонализация

Отслеживая, как потребители реагируют на маркетинговые кампании, можно узнать, к каким маркетинговым обращениям они более восприимчивы.

Разговорная речь вместо официальных формулировок, CTA-кнопки – такие приемы оказывают виляние на потенциальную реакцию потребителя.

Согласно результатам ряда исследований, коэффициент кликов увеличивается на 5% и более, если маркетинговое обращение соответствующим образом отредактировать.

В целях «персонализации» необходимо учитывать, когда и где следует расширить предложения для клиентов. В эпоху мобильных устройств нахождение потребителя рядом с какой-то точкой розничной торговли можно выгодно использовать для своевременного предложения.

Email-маркетинг оказывается более эффективным в определенные дни недели или время суток. Необходимую информацию о потребителях можно узнать, если классифицировать клиентов и отнести их к отдельным группам, исходя из поведенческих особенностей.

Специалистам по интернет-маркетингу, которые бы хотели воспользоваться преимуществами такой технологии, не стоит забывать о гибкости систем рекомендаций, в рамках которых выбор стратегий или алгоритмов можно было бы корректировать в зависимости от потребительских тенденций, маркетинговых целей, сезонных и географических ограничений, мировых событий и т.д.

Система рекомендаций/персонализации не способна функционировать в качестве автономного инструмента, поскольку это часть маркетинговой платформы, которая учитывает сегментацию рынка, социальную аналитику, мобильный и email-маркетинг.

Существует достаточно инструментов для эффективного взаимодействия с клиентами посредством персональных рекомендаций и предложений. В мобильном маркетинге эти инструменты в особенности актуальны, так как позволяют получить информацию о местонахождении, но следует избегать ситуаций, когда потребителей засыпают спамом однотипных сообщений. Ведь в новую эру маркетинга технологии дают возможность понять, что хотят клиенты и как с ними взаимодействовать.

Реакция на статью
поделюсь
0%
интересно
0%
полезно
0%
не уверен
0%
скучно
0%
где автор?
0%
Аслан Патов
Создатель проекта.
Комментарии
Оставить отзыв

You must log in to post a comment