Recommendation engines

Som e-handler i dag skal du hele tiden være i stand til at arbejde aktivt med din e-handelsløsning. Din kommunikation og service skal være centreret omkring kunden og tage udgangspunkt i hans verden. For at kunne gøre det optimalt, har du brug for en række effektive værktøjer, som kan automatisere din hverdag og gøre det lettere at skabe mersalg.


Produktanbefalinger

Noget der kan skabe mersalg er automatiserede produktanbefalinger, hvor kunden modtager forslag til produkter baseret på sin egen og andre brugers købshistorik og research på webshoppen. Det gælder om hele tiden at præsentere kunden for relevante produkter – og relevansen vurderes automatisk af en recommendation engine.

Der findes flere recommendation engines på markedet. I Vertica har vi konkrete erfaringer med Clerk.ioRaptor og Rich Relevance.

Produktanbefalinger handler om at sælge, men også om at synliggøre bredden i jeres produktsortiment og klæde kunderne bedst muligt på til at træffe en købsbeslutning. Der findes flere forskellige måder at lave produktanbefalinger på og graden af automatik og databaserede anbefalinger varierer alt efter hvilket setup I vælger. På samme måde kan I variere produktanbefalingerne, så de ligger på forsiden, kategorisiden, produktsiden, ved check-out eller andre steder på webshoppen.

Hvilke produktanbefalinger I vælger at indsætte, er op til jer og jeres forretning, men typisk er det en eller flere af følgende:

  • Produkter relateret til den vare, der netop er lagt i kurven
  • Produkter, der er relevante i forhold til kundens købshistorik
  • Produkter, som andre kunder kigger på, søger efter eller har købt
  • De mest populære produkter

Udfordringen er imidlertid at sikre, at de viste produkter er relevante for den enkelte kunde, og her hjælper recommendation engines.

Kom godt i gang med recommendations

Recommendation engines er cloudbaserede services, der opsamler store mængder data om kundernes adfærd og købshistorik på webshoppen og udnytter disse til at anbefale produkter til brugerne. Via en række algoritmer vil en recommendation engine således anbefale en række udvalgte produkter til den enkelte kunde baseret på lignende kunders adfærd og tidligere køb. 

Når vi skal hjælpe jer med at implementere en recommendation engine, lægger vi ud med at gennemgå de forskellige muligheder for, hvor anbefalingerne skal placeres. I den proces tager vi udgangspunkt i jeres marked, kunder, produktportefølje, løsning og målsætning. Klassiske eksempler er produktbånd, der placeres på forsiden, kategorisiden og produktsiden.

Herefter hjælper vi jer med at tage stilling til typen af anbefaling. Som nævnt kan typiske anbefalinger være, hvad andre kunder har købt, kigget på eller lagt i kurv. Når vi skal definere jeres produktanbefalinger, tager vi højde for konteksten og kundernes brugsmønstre. Er kunden landet på forsiden kan det eksempelvis være en fordel at fokusere på jeres mest solgte produkter, mens I på en produktside kan skabe mersalg ved at anbefale relevante relaterede produkter.

Sidste trin i processen er at tracke brugernes adfærd i forhold til anbefalingerne. Det gør vi ved at indsætte scripts i løsningen, hvorved vi tracker brugerne på samme måde, som vi kender det fra eksempelvis Google. I sender automatisk informationer om kundernes adfærd og ordrehistorik til jeres recommendation engine og får dens anbefalinger tilbage.

Anbefalinger på tværs af touchpoints

Produktanbefalingen vedrører ikke kun jeres webshop. Det gælder også jeres nyhedsbreve og øvrige kampagner. I stedet for at sende ét generisk nyhedsbrev til samtlige kunder, så kan recommendation engines som Rich Relevance og Raptor levere indhold til nyhedsbreve, der er målrettet den enkelte kunde med relevante tilbud. 

En recommendation engine som Clerk.io optimerer også jeres søgefunktion. Søgefunktionen giver kunden anbefalinger, der ikke kun er baseret på søgeordet, men også kundens browserhistorik og adfærd.

Recommendation engines kan også anvendes til remarketing, hvorved I får mulighed for udelukkende at vise bannerannoncer og reklamer til personer, der har vist interesse for netop jeres shop og produkter. Jeres annoncer er genkendelige og bliver dermed relevante for brugerne, hvormed der er større chance for, at de vender tilbage til webshoppen og gennemfører et køb.

Et godt udgangspunkt for at lave gode produktanbefalinger er at have styr på jeres produktdata, og det kan I få ved at indføre et PIM-system.

Ved at implementere en recommendation engine får I øget kurvstørrelsen og synliggjort bredden i jeres produktsortiment

Måling og optimering

Alle recommendation engines stiller værktøjer til rådighed, der viser, hvor mange brugere der følger de viste anbefalinger, og hvordan de konverterer til endelige ordrer. Baseret på disse data vil I selv, eller i samarbejde med os, løbende kunne justere enkelte parametre som for eksempel de enkelte placeringer eller typen af anbefalinger.

Vi foreslår, at I starter med få anbefalinger på webshoppen og danner erfaringer ud fra disse, som I løbende kan bruge til at justere og optimere anbefalingerne efter.

Det er nemt at implementere en recommendation engine, og de fleste recommendation engines tilbyder at importere jeres historiske data, så de har noget at basere anbefalingerne på. Anbefalingerne bliver naturligvis bedre i takt med, at datagrundlaget bliver større.

Det samme gælder helt nye e-handelsløsninger. Her anbefaler vi, at I opsamler data om brugernes adfærd, så snart løsningen lanceres, men først aktiverer jeres recommendation engine efter noget tid, så den har et datagrundlag at basere anbefalingerne på.

Kontakt mig

Kontakt mig gerne for en uforpligtende snak om integration. Jeg har mere end 15 års erfaring med e-handel, digital forretning og integration af systemer og virksomheder.

Tak for din tilmelding til vores nyhedsbrev. Hvis du ikke modtager en bekræftelsesmail, så tjek dit spamfilter :)