Интервью с разработчиками REES46

В арсенале современного интернет-магазина множество высокотехнологичных маркетинговых инструментов, основанных на персонализации. Мы взяли интервью у разработчиков российского сервиса персонализации REES46 в котором постарались разобраться, что же такое современный маркетинг, как работает персонализация и можно ли эти приемы использовать в бесплатных движках интернет-магазинов.

Если сегодня вы предлагаете покупателям простой статичный каталог товаров, значит вы отстали от жизни. Что бы выиграть в конкурентной гонке среди растущего числа новых магазинов непременно нужно применять интеллектуальный подход и предлагать покупателям те товары которые нужны именно им. Как же работают персональные рекомендации? Давайте прочитаем ответы разработчиков.

1) Как именно работает ваш сервис персональных рекомендаций. Какие алгоритмы используются? Есть простая и понятная инфографика?

Начнем с того, что REES46 уже давно перестал быть просто «сервисом персональных рекомендаций» для интернет-магазина. Да, персонализация осталась, стала еще точнее, она лежит в основе всех остальных сервисов. А их много: баннерная реклама, email-маркетинг (регулярные и триггерные рассылки), веб-пуш уведомления, ремаркетинг брошенных корзин. Каждый сервис использует персонализированные рекомендации, но при этом REES46 — платформа мультиканального взаимодействия с клиентом, а не только рекомендательная система.

Мы помогаем привлекать новых посетителей, конвертировать их в покупателей, продавать повторно, удерживать клиентов, работать с лояльностью.  REES46 — сервис «всё в одном» для маркетинга интернет-магазина.

Наш ролик хорошо всё объясняет:

Что до используемых алгоритмов — в REES46 работает уникальная связка «Big Data + Прогрессивная Персонализация», такого на рынке никто не делает, кроме нас.

2) Какая выборка должна быть для построения точных рекомендаций? Работают ли рекомендации на магазинах с низкой посещаемостью?

Наша особенность в том, что нам для точных рекомендаций не нужно сто тысяч посетителей в сутки. Мы используем технологию Прогрессивной Персонализации. Вот в чем ее отличие от классической Big Data персонализации, поясню.

Big Data персонализация работает так: анализируются условные сто тысяч посетителей, находятся закономерности в их поведении, проецируются на каждого конкретного посетителя. Например, если из 20 000 человек, которые смотрели на сайте красные чулки, 2000 купили эти самые чулки и туфли на шпильке — значит, каждый, кто посмотрит красные чулки, увидит в рекомендованных товарах туфли. Всё выглядит логично, но до поры.

Именно Big Data персонализация со временем превращает блок товарных рекомендаций в очень странный набор. Такое вы могли видеть, например, на сайте Walmart:

Человек положил в корзину кофеварку, ему рекомендуют принтер и детский манеж. Просто потому, что согласно статистике продаж, какая-то часть покупателей такой кофе машины купила также и эти товары. Но сработает ли рекомендация манежа на посетителе, у которого нет детей? Очень вряд ли, она просто зря занимает место.

Одна из главных проблем Big Data персонализации — никто не может объяснить, почему в блоке рекомендаций появились именно эти товары.

А вот с прогрессивной персонализацией всё просто и прозрачно. При расчете персонализированных рекомендаций во внимание берутся особенности каждого покупателя, причем не все подряд, а важные для конкретной отрасли. Например, все мы понимаем, что покупателю-мужчине с 45 размером ноги бесполезно рекомендовать женское нижнее белье или ботинки 38-го размера (даже если по статистике 90% покупателей-мужчин изучают каталог женского белья). Таким образом, у покупателя в сегменте одежды есть ключевые особенности, которые предопределяют покупку. Пол и размер. Нельзя рекомендовать покупателю-мужчине женскую одежду — он ее почти никогда не купит.

Что делает прогрессивная персонализация? Она в реальном времени исключает из списка рекомендованных товаров всё неподходящие. Таким образом, каждый видит только то, что готов реально купить.

Прогрессивная персонализация определяет эти характеристики (пол, размеры и т.д.) не на основе анализа больших массивов данных, а на основе анализа текущего поведения конкретного посетителя. Мы используем связку «Big Data персонализация + Прогрессивная персонализация» — таким образом, персонализация REES46 подходит для магазинов с любой посещаемостью, даже небольшой.

Подробнее о технологии прогрессивной персонализации вы можете узнать из нашего руководства — там приведены подробные алгоритмы расчета и примеры. Скачать можно бесплатно у нас на сайте.

3) У вас есть модули для бесплатных CMS PrestaShop, Magento, OpenCart. Планируются ли модуль для др бесплатных движков? Например сейчас очень популярен WooCommerce.

Да, всё верно, расширения REES46 разработаны для многих популярных бесплатных движков: OpenCart, Magento, PrestaShop, Shop-Script. Справедливости ради: не только для бесплатных. У нас есть модули для 1С-Битрикс, UMI.CMS, CS-Cart, AdvantShop и других популярных CMS.

Мы планируем со временем выпустить модули для всех движков, востребованных в eCommerce — чтобы сделать установку REES46 простой и не требующей помощи программиста. WooCommerce в их числе — в настоящее время заняты разработкой модуля.

Но даже если в настоящее время модуля для вашей CMS нет — вы всегда можете установить REES46 с помощью JS SDK и нашей подробной документации по подключению. Разработчики очень хвалят.

4) Есть примеры магазинов на бесплатных движках которые успешно используют ваш сервис?

Пример, который хорошо проиллюстрирует использование прогрессивной персонализации в магазине одежды для беременных — Ingrid&Isabel (работает на Magento).

Здесь товарные рекомендации учитывают важные параметры покупателя: в данном случае размер и триместр.

В блоке рекомендованных товаров — только те, что подходят покупателю: все для третьего триместра и все имеют в наличии размер XS.

5) Приведите примеры нескольких магазинов где на ваш взгляд очень удачно используется ваш сервис?

Магазинов много, каждый использует сервис для своих потребностей: кто-то пользуется только рекомендациями и email-маркетингом, кто-то успешно продает через веб-пуши, кто-то делает упор на ремаркетинге корзин.

Пример. Магазин АвтоПрофи использует автоматические (триггерные) email-рассылки для возврата покупателей к брошенному заказу.

Триггерная рассылка “Брошенная корзина” дает магазину приличную конверсию в покупки — 3,5%.

Процент только кажется маленьким. Допустим, вы отправляете 5000 таких писем в месяц. При таком значении конверсии они приносят вам 175,5 покупок. При средней стоимость заказ, допустим, 500 рублей, такая рассылка принесет вам дополнительные продажи на 87 750 рублей в месяц.

Эта сумма в десятки раз превышает стоимость пользования сервисом — 1999 рублей в месяц для магазинов с оборотом менее 2 миллионов. Есть также CPS-модель оплаты — магазин отчисляет 4,6% от продажи, сделанной через триггерную рассылку.

Еще пример. Онлайн-магазин Фотосклад.ру, один из крупнейших ритейлеров техники в России, использует веб-пуш рассылки REES46.

Рассылки веб-пушей тоже автоматизированные — посетитель получает всплывающее уведомление на рабочий стол. Так, например, магазин возвращает ушедших клиентов — веб-пуши отрабатывают себя на ура, средние показатели:

Еще пример. Финский магазин женской одежды HerSecret пользуется товарной персонализацией.

Доля продаж рекомендованных товаров иногда превышает 25% от общего числа — на товарных рекомендациях магазин делает значительную часть выручки:

График продаж за последний месяц: зеленым отмечены продажи рекомендованных товаров, серым — обычные продажи.

6) Вы обрабатываете очень большие данные? Где вы храните всю информацию? У вас есть датацентр?

Мы храним все данные на собственных серверах во внешнем дата-центре. Данные делятся на несколько типов и каждый тип данных размещается в отдельном хранилище: статистические данные лежат в ClickHouse, данные для персонализации (коллаборативной фильтрации) в отдельном кластере PostgreSQL, оперативные и профильные данные покупателей лежат в горизонтально масштабированном кластере Postgres-XL.

Мы собираем только те данные, из которых можем получить что-то ценное: например, определить пол и возраст покупателя или его детей, домашних питомцев или профессию покупателя.

Каждая единица информации проходит несколько уровней обработки:

1. Обработка типа действия (просмотр, покупка, корзина, степень интереса).
2. Обработка профильных данных (демография, физиология, социология, взаимоотношения и т.д.).
3. Обработка финансовых возможностей (средние чеки в категориях, регулярность покупок).

После обработки данных (занимает доли секунд) они готовы к использованию в товарных рекомендациях. Для построения рекомендаций используются несколько уровней алгоритмов:

1. автоматические бизнес-правила;
2. технология прогрессивной персонализации;
3. продаваемость и популярность;
4. тренды;
5. сезонность и климатические алгоритмы;
6. конкуренция алгоритмов;
7. Big Data персонализация;
8. маржинальность и чистая прибыль;
9. ручные бизнес-правила.

Что важно: мы не используем кеширование данных. Все происходит в режиме реального времени и каждый клик пользователя по кнопке или ссылке влияет на то, что мы будем рекомендовать ему в следующую секунду.

7) Вы сменили дизайн сайта и лого. С чем связан ребрендинг?

Вышли на мировой рынок. И в принципе мы постоянно прогрессируем: улучшаем интерфейс панели управления, добавляем новые виджеты, улучшаем старые. Недавно сделали визуальный редактор для рассылок — можно верстать письма без знаний HTML/CSS.

Так что незначительные улучшения логотипа — далеко не самое главное наше обновление.

8) У вас есть отраслевые решения. Как это работает? Это одна и та же программа просто по разному настроенная или для каждой отрасли у вас свой движок?

Каждая товарная категория — это своя специфика продаж и разные параметры, которые влияют на процесс принятия решения о покупке. Например, основная аудитория покупателей в магазинах зоотоваров делится на владельцев кошек и владельцев собак. Поэтому магазину нужно исключить ситуации, когда хозяину ротвейлера вдруг выпадают рекомендации кошачьего корма. И наоборот.

Такие особенности есть в каждой нише — будь то одежда, обувь, косметика, строительные товары, автомобильные товары и так далее.

Мы разработали несколько готовых решений для разных сегментов — чтобы магазин мог просто подключить такое и оптимизировать выдачу в блоках товарных рекомендаций. Магазины, не использующие REES46 тоже со временем приходят к отраслевым решениям — с той лишь разницей, что им приходится разрабатывать их с нуля: долго и дорого.

9) Какие у вас планы развития?

В последнее время успешно идут переговоры по интеграции REES46 в движки для магазинов по умолчанию — например, AdvantShop уже так поступил. Стартуя магазин на этой CMS, вы сразу получаете доступ к возможностям REES46. Избавляет от нужды искать, тестировать и подключать 10 разрозненных сервисов.

Планы в целом — продолжать экспансию на Европу и США, развивать продукт, наращивать количество и функциональность сервисов REES46.