התאמה אישית והמלצות מוצרים בחנות אונליין, איך הן מגדילות את הסל

מחקר של Epsilon מצא ש80 אחוז מהצרכנים נוטים יותר לעשות עסקים עם מותג שמציע להם חוויה מותאמת אישית. הנתון מצוטט כבר שנים, ורוב בעלי החנויות הקטנות בישראל עדיין מתייחסים אליו כאל משהו ששייך לאמזון בלבד. זו טעות שעולה כסף. התאמה אישית והמלצות מוצרים בחנות אונליין אינן פיצ'ר של תאגידים, הן מנגנון פשוט להגדלת הסל שכל חנות יכולה להפעיל, ודווקא העובדה שרוב החנויות מפעילות אותו גרוע היא ההזדמנות של החנות הקטנה.

הטענה המרכזית כאן פשוטה. אתם לא צריכים אלגוריתם מתוחכם כדי להרוויח מהתאמה אישית. אתם צריכים שני דברים שכל חנות בנויה נכון יכולה להציג, המלצות מוצר רלוונטיות ורצועת "מוצרים שנצפו לאחרונה", ואת המשמעת להפעיל אותם במקום הנכון במסע הקנייה. משם מגיע רוב הערך, וכל השאר הוא ליטוש.

למה התאמה אישית והמלצות מוצרים בחנות אונליין מזיזות את ההכנסה

ההיגיון ישיר. לקוח שרואה מוצרים שמתאימים למה שהוא כבר מסתכל עליו נחשף להצעה נוספת בדיוק ברגע שהוא במצב קנייה. זה לא לחץ, זו נוחות. הנתונים תומכים בזה חזק. בסקר State of Personalization 2024 של Twilio Segment, שנערך בקרב יותר מ-500 מקבלי החלטות בעסקים, 89 אחוז מהם אמרו שהתאמה אישית קריטית להצלחת העסק בשלוש השנים הקרובות. זה לא סנטימנט שיווקי, זה איפה שהתקציב הולך.

והחלק שנוגע ישירות לסל. לפי נתוני Salesforce Shopping Index, שרוכזו בסקירת מחקרים בתחום, רק כ-7 אחוז מהביקורים בחנות כוללים קליק על המלצת מוצר, אבל אותם ביקורים אחראים ל-24 אחוז מההזמנות ול-26 אחוז מההכנסה. במילים אחרות, פלח קטן של גולשים שנוגע בהמלצה מייצר כרבע מהמכירות. זה בדיוק סוג המנוף שחנות קטנה צריכה, כי הוא לא דורש עוד שקל של תקציב מדיה, רק חנות שיודעת להציע את הדבר הנכון בזמן הנכון.

המלצות שבאמת עובדות מתחילות משני סוגים

יש הבדל מהותי בין שני סוגי המלצות, ורוב החנויות מפספסות אותו. הסוג הראשון הוא המלצה חלופית, מוצר דומה למה שהלקוח מסתכל עליו כרגע. תפקידה למנוע נטישה, אם המוצר הנוכחי לא בדיוק מה שחיפשו, יש אלטרנטיבה במרחק קליק. הסוג השני הוא המלצה משלימה, מוצר שהולך יחד עם הנוכחי, נעליים לצד השמלה, סוללה לצד המצלמה. זו ההמלצה שמגדילה את הסל, כי היא מוסיפה פריט במקום להחליף אותו.

מכון Baymard, שמוביל מחקר שימושיות באיקומרס, מצא שרק 42 אחוז מהאתרים מציגים גם המלצות חלופיות וגם משלימות. כלומר רוב החנויות מפעילות רק חצי מהמנגנון, ולא פעם דווקא את החצי שלא מגדיל את הסל. יתרה מזו, אותו מחקר מצא ש-68 אחוז מאתרי הדסקטופ משמיטים מרכיב מידע חיוני אחד או יותר מכרטיס ההמלצה, מחיר, דירוג או תמונה ברורה. המלצה בלי מחיר ובלי דירוג היא לא באמת המלצה, היא תמונה שאף אחד לא לוחץ עליה.

השורה התחתונה כאן היא לא "תוסיפו עוד ווידג'ט". היא שההמלצות צריכות להיות רלוונטיות, לכלול את המידע שהלקוח צריך כדי להחליט, ולהופיע גם בעמוד המוצר וגם בעגלה, במקום שבו הכוונה לקנות כבר קיימת.

המיקום קובע לא פחות מהתוכן

אותה המלצה בדיוק עובדת אחרת לפי איפה היא יושבת. בעמוד המוצר, המקום הטבעי להמלצות חלופיות הוא סמוך לתמונות, כדי לתפוס לקוח שעדיין מתלבט. ההמלצות המשלימות עובדות טוב יותר קרוב לכפתור ההוספה לעגלה, אחרי שההחלטה על המוצר העיקרי כבר נפלה. בעגלה עצמה, הצעה של פריט שנקנה יחד היא הזמן הכי חכם להגדיל סל, כי הלקוח כבר החליט לקנות. ובעמוד הבית, רצועה של "מה שראית לאחרונה" ומוצרים פופולריים מחזירה לקוחות חוזרים בדיוק לאן שהם עצרו.

יש כאן גם קו אדום. המלצה לא רלוונטית לא סתם לא עוזרת, היא מזיקה. לקוח שרואה שוב ושוב הצעות אקראיות לומד להתעלם מכל הרצועה, וזה מאמן אותו לעיוורון כלפי בדיוק המקום שאמור להגדיל לכם את הסל. עדיף רצועה אחת מדויקת משלוש רצועות של ניחושים.

המוצרים שנצפו לאחרונה, הכלי שהכי מזלזלים בו

רצועת "מוצרים שנצפו לאחרונה" היא ההתאמה האישית הכי זולה שיש, כי היא לא דורשת שום אלגוריתם. היא פשוט מזכירה ללקוח מה הוא כבר ראה. וזה חשוב יותר ממה שנדמה, כי לקוחות משווים. הם נכנסים למוצר, יוצאים, נכנסים לעוד אחד, ומאבדים את הראשון.

Baymard מצא ש13 אחוז מהאתרים לא מחזירים את הלקוח לאותו מקום ברשימת המוצרים אחרי שחזר מעמוד מוצר, והתוצאה היא שהלקוח מתייאש מלחפש מחדש את מה שראה, ולעיתים נוטש לגמרי. הכאב הזה חריף במיוחד במובייל, שם אי אפשר לפתוח מוצר בטאב חדש, והמסך מציג פחות פריטים בכל גלילה. רצועת מוצרים שנצפו לאחרונה פותרת בדיוק את זה, היא שומרת את המוצרים שהלקוח שקל במקום נגיש, מקצרת את הדרך חזרה אליהם, ומעלה את הסיכוי שיותר מפריט אחד ייכנס לעגלה.

המנגנון הזה בנוי כולו על נתונים שהחנות שלכם כבר אוספת, היסטוריית הגלישה של הלקוח באתר שלכם עצמו. אין צורך בשירות חיצוני ואין צורך במודל חיזוי. צריך רק חנות שבנויה מראש לשמור ולהציג את המידע הזה בצורה נקייה.

מה חנות קטנה באמת צריכה

קל להסתכל על אמזון ולהניח שצריך צוות דאטה כדי להתחרות. לא צריך. רוב הערך של המלצות מגיע משלושה כללים פשוטים, מוצרים מאותה קטגוריה, מוצרים שנקנים יחד, ומוצרים שנצפו לאחרונה. אלה לא דורשים בינה מלאכותית, הם דורשים חנות שנבנתה כדי להציג אותם היטב.

מבחינת סדר הפעולות, כדאי להתחיל מהזול והבטוח. רצועת מוצרים שנצפו לאחרונה עולה כמעט כלום ומחזירה ערך כמעט מיד, אחריה הצעת פריט שנקנה יחד בעגלה, ורק בהמשך המלצות מתקדמות יותר. מדד ההצלחה שכדאי לעקוב אחריו הוא פשוט, איזה אחוז מההזמנות כלל קליק על המלצה לפני הרכישה. אם המספר הזה עולה מחודש לחודש, אתם בכיוון הנכון, ואם הוא תקוע קרוב לאפס, ההמלצות כנראה לא רלוונטיות או לא ממוקמות במקום הנכון.

וכאן נמצא הצוואר האמיתי. התאמה אישית רצה על נתוני צד ראשון, מה שהלקוחות שלכם צופים וקונים אצלכם. אם הנתונים האלה יושבים אצל ספק חיצוני שגובה תוסף חודשי על כל פיצ'ר, ההתאמה האישית שלכם מושכרת, לא בבעלותכם. בפיוז'ן וובז אנחנו בונים את מנגנון ההמלצות ואת המוצרים שנצפו לאחרונה כחלק מהחנות עצמה, כך שהקוד והנתונים נשארים שלכם, בלי מס נסתר על כל שדרוג. זו לא קסם, זו החלטה ארכיטקטונית שמתקבלת ביום שבונים את החנות.

הנתונים מצטיירים ברור. לקוחות מצפים להתאמה אישית, פלח קטן של גולשים שנוגע בהמלצה מייצר נתח לא פרופורציונלי מההכנסה, ורוב החנויות עדיין עושות את זה חצי. אם אתם מפעילים חנות קטנה, זו בדיוק הנקודה שבה מאמץ קטן קונה יתרון אמיתי.

אם הנושא הזה מדבר אליכם, נשמח להסתכל יחד על החנות שלכם ולראות איפה המלצות חכמות ומוצרים שנצפו לאחרונה יכולים להגדיל לכם את הסל.

מקורות

• Epsilon, מחקר שמצא ש-80 אחוז מהצרכנים קונים יותר ממותגים שמציעים חוויה מותאמת אישית
• Twilio Segment, The State of Personalization 2024
• Baymard Institute, מחקר שימושיות עמוד מוצר, המלצות חלופיות ומשלימות
• Baymard Institute, החזרת המשתמש לאותו מקום ברשימת המוצרים
• clerk.io, ריכוז נתוני Salesforce Shopping Index על המלצות מוצר