Nastavenia odosielania e-mailov v správny čas a na správny segment ľudí je hotová veda. Ešte väčšou vedou však je personalizácia e-mailov či odosielanie odporúčaných produktov pre zákazníkov.

V mojom predošlom článku som sa zaoberal jednoducho nastaviteľnými jednorazovými e-mailovými kampaniami. Povedali sme si, ako segmentovať ľudí a kedy na nich odosielať e-mail. Ale čo ďalej? Ako ešte napumpovať newsletter niečím, čo človeka zaujme? 

V tomto článku vám priblížim, aké typy personalizácie odporúčania produktov využívame pri práci u nás priamo na automatizáciách. 

Skôr ako sa však do toho pustím, tradične musím poznamenať, že tento článok bude o appke, v ktorej aktívne pracujeme. Ňou je Exponea.
 

Recommendations modely

Predstavte si e-mail, ktorý sa personalizuje na základe vyhľadávania produktov zákazníka na vašom e-shope. Alebo e-mail, ktorý vyberie len najpredávanejšie produkty za posledných XY dní, týždňov, mesiacov.

Tieto dve možnosti a veľa ďalších spracovávame na dennom poriadku vďaka Recommendations modelom.

Ukážme si pár príkladov. Na ilustráciu použijem automatizované scenáre, ktoré sme úspešne otestovali na viacerých projektoch.

1. Automatizácie

Automatizácia pre prvý nákup

Poďme si nastaviť automatizáciu na jeden z najširších segmentov, ktorým je návštevník, ktorý ešte nenakúpil, no už o ňom máme dáta.

Obrovskou výhodou Exponey je uchovávanie histórie eventov v zákazníckych kartách. Vďaka tomu sme schopní zákazníkovi odporučiť do e-mailu čo najrelevantnejšie produkty. No najprv musíme nastaviť podmienky, ktoré budú riadiť celý tento kolotoč.
 

Pre príklad som vyklikal jednoduchú automatizáciu, ktorá má za úlohu v jednotlivých bodoch skontrolovať dáta v zákazníckej karte alebo overiť, či už náhodou medzičasom návštevník nenakúpil a či dostal tento e-mail. Ak všetky určené podmienky spĺňa, tak sa mu odošle newsletter.

V poslednej podmienke pred odoslaním e-mailu som použil podmienku item_visit exist. Dôvodom je, že nie každý návštevník urobí aj návštevu produktu. Na tento segment ľudí preto musíme použiť rozdielny Recommendation model. 

Item_visit segment

Pre segment ľudí, ktorí navštívili produkt, využívame Simmilar items model, ktorý porovnáva produkty v katalógu na základe nami definovaných parametrov.

Keďže som si rozsegmentoval ľudí podľa návštevy produktu, naša definícia porovnávania produktov spočíva v tom, že si porovnáva posledné videné produkty s produktmi v importovanom katalógu všetkých existujúcich produktov na e-shope.

Do e-mailu vyberie len tie, ktoré sa parametrami najviac podobajú produktu, ktorý návštevník videl pri poslednej návšteve.

Výsledkom bude personalizovaný výber. Samozrejme, tieto produkty vieme obmedziť aj podľa parametrov, ktoré daný produkt má. Všetko záleží od toho, ako si obohatíte importovaný katalóg všetkých produktov.

Následne si viete nastavovať niekoľko variantov toho, čo zákazník môže vidieť – napríklad na základe farieb, veľkostí či brandu.

No item_visit segment

Keďže pri segmente ľudí, ktorí nenavštívili produkt, nevieme, čo presne by návštevníka mohlo zaujímať, využívame model Popular right now. V podstate vytiahneme pre zákazníka najviac navštevované alebo nakupované produkty e-shopu.

Automatizácia opustená návšteva

Na podobnom princípe funguje aj automatizácia na inom projekte s názvom opustená návšteva.

Tento scenár odosiela newsletter na ľudí, ktorí opustili e-shop po tom, čo si prezerali viacero produktov, no nenakúpili ani jeden z nich. Tu odosielame návštevníkom do e-mailu produkt, ktorý si prezerali naposledy + deväť ďalších z tej istej istej kategórie. 

Využívame tu aj definíciu produktov na základe farieb a brandov.

Pri opustenej návšteve odosielame návštevníkom do e-mailu produkt, ktorý si prezerali naposledy, spolu s ďalšími deviatimi z rovnakej kategórie.

Automatizácia pre opakovaný nákup

Rovnako ako pre prvý nákup sme vytvorili automatizáciu aj pre ďalší segment, ktorým sú už zákazníci, pri ktorých máme zatrackovaný nákup. Retencia je ďalším dôležitým faktorom pre zvyšovanie konverzií a kde môžeme takisto využiť personalizáciu.
 

Pre tento segment som taktiež vytvoril jednoduchý náhľad automatizácie, kde som nastavil základné podmienky pre segment, ktorého sa to týka.

Po nákupe automatizácia odosiela e-mail s pripomienkou o doplnenie zásob zdravej výživy. Ak klient nenakúpi, odosielame aj malú zľavu na jeho ďalší nákup.
 

Zákazníkom, ktorí už v e-shope nakúpili, sa pravidelne pripomíname takýmito e-mailami.

Tak ako v prípade segmentu prvého nákupu, aj tu personalizujeme e-mail odporúčanými produktmi na základe jeho posledného nákupu.

Odporúčame tu produkty, ktoré si naposledy nakúpil, no medzičasom mu chodia aj pravidelné newslettre s informáciami o rôznych typoch produktov, ktoré sa nachádzajú na e-shope.

2. E-shop

Využitie Recommendations modelov sa nevzťahuje len na e-mailové automatizácie. S ich pomocou vieme odporúčať ďalšie z produktov aj priamo na e-shope.

Napríklad pre projekt Gangstagroup sa využívanie modelu Simmilar items stalo už neodmysliteľnou súčasťou produktového detailu, ktorý ešte prednedávnom takúto funkciu vôbec nemal.

Príklad využitia Recommendations modelov na e-shope Gangstagroup.

Kreativite sa medze nekladú. So šikovným kóderom môžete napríklad nahrádzať aj prvé zobrazené produkty v e-shopových kategóriách podľa návštevníkových preferencií. Využitie Reka, ako mu zvykneme hovoriť, je naozaj široké.

Viacero e-shopov s Exponeou už túto pomôcku využíva. Odporúčam všetkými desiatimi.

Poďme si to však celé zrekapitulovať.

Čo všetko treba pre úspešné Recommendations?

V prvom rade treba mať bezchybný katalóg. Pokiaľ máte rozdielne parametre v katalógu a v dataLayers na webe, na ktoré je zväčša napojené trackovanie, vaše Recommendations určite nebude fungovať tak, ako má. Ak vôbec. Odporúčam používať ten istý katalóg ako napríklad pre Google.

Zároveň si 2x skontrolujte nastavenia Recommendations modelov a otestujte ich funkčnosť.

Pri prísnejších nastaveniach sa môže stať, že pre atypické produkty, ktorých máte na e-shope málo, Reko nebude schopné vytiahnuť produkty, v dôsledku čoho vám vytiahne nelogické produkty. (Riešením môže byť rozšírené Optional Attributes.)
 

Určite si segmenty a Recommendations, ktoré pre ne budete používať

Sadnite si na chvíľu nad vaše pravidelné newslettrové kampane a popremýšlajte nad tým, ktoré by sa dali zautomatizovať alebo aspoň použiť pre personalizáciu pomocou Recommendations.

Veď napríklad e-shop Dedoles v roku 2018 zvýšili obrat iba pomocou automatizácií až o 6,59 %. A pre tento rok sa zatiaľ pohybujeme na čísle 9,72 %.