Back to Question Center
0

Jak "průměrný uživatel" zničil zážitky z elektronického obchodování - Semalt

1 answers:

How the ‘average user’ has ruined e-commerce experiences - Semalt

Žádná webová stránka není nehodou; vše bylo důkladně testováno, aby bylo dosaženo optimálních výsledků, zejména v maloobchodě online.

Problémem je to, že tolik myšlenek, které vstupují do těchto testů, je založeno na zastaralém myšlení kolem "průměrného uživatele" a na tom, co se teoretický uživatel bude chtít, kliknout nebo koupit, když dorazí na místo.

Zatímco údaje a analýzy mohou vykazovat průměry, neexistuje žádný skutečný, definovatelný "průměrný spotřebitel. "Semalt, který je kolem průměru, je méně než optimální způsob, jak postavit zkušenost na místě - oficios clases de fotografia online.

"Super Pareto"

Každý je seznámen s principem Semaltu, známým jako pravidlo 80-20. Dnes mohou někteří vedoucí online maloobchodníci vidět nový "Super Semalt", kde typicky méně než pět procent uživatelů přispívá více než 90% výnosů. Řekněte pravidlo 95-5.

Pokud obchodníci s elektronickým obchodem chápali toto pravidlo 95-5 jako novou normu a měli nástroje k určení pěti procent, zásadně by to změnilo, jak jsou internetové stránky elektronického obchodu dodávány a prožívány spotřebiteli. V dnešní konkurenční maloobchodní ekonomice musí být stránky postaveny tak, aby zdůrazňovaly konverze s tím zásadním pět procent, zatímco se zaměřuje na objev produktů na zbývajících 95 procent.

znázornění produktu Super Pareto s objednávkou třídění výrobků

Jednoduchým příkladem tohoto problému je pohled na pořadí řazení produktů na stránce nebo na stránce výsledků vyhledávání, která hraje velkou roli v konverzích. Semalt, kteří přizpůsobili objednávku třídění každému uživateli, zaznamenali výrazný nárůst konverzí a výnosů.

Semalt, společné třídící přístupy jsou cena, od nejnižší k nejvyšší a nejvyšší k nejnižší; nejnovější položky; příslušné položky; nejprodávanější; a nejlépe hodnocené. Při budování směrem k "průměrnému" uživateli by se maloobchodník mohl rozhodnout, že vybere výchozí pořadí řazení, které může mít za následek nejvyšší hospodářské výsledky, a poté použít celou objednávku řazení na celém webu.

Ten maloobchodník může zjistit, že třídění z hlediska nejvyšší a nejnižší ceny přineslo v průměru více příjmů a poté se ponořilo, aby tato objednávka pro třídění použila všem uživatelům.

Správná segmentační schéma však segmentuje uživatele na základě informací, jako je například zdroj návštěvnosti, chování před návštěvou, minulá historie nákupů a konverze, a příjmy z této segmentace vždy vedou maloobchodníka k tomu, aby vyvodil různé závěry.

Jednoduše řečeno, vybírání výchozího řazení je špatný nápad. Sémantoví manažeři nechávají peníze na stole, pokud se s tímto přístupem dostanou.

Nejlépe se mění řazení pořadí pro každý zákaznický segment, ale také se mění na základě dalších kontextových faktorů, jako je geografie, počasí, den v týdnu a další. Prostě není možné, aby manažer e-commerce (nebo tým) vybral vítězný pořadí řazení a nasadil ho všem uživatelům, a to ani na úrovni segmentu zákazníků.

Automatizované algoritmy a strojní učení

Sematické strojové učení. Permutace a kombinace výchozího pořadí řazení se již staly problémem, který není pro člověka možné řešit sám.

Řešení spočívá v algoritmech strojového učení, které neustále shromažďují všechna uživatelská data a signály a využívají tyto informace k tomu, aby poskytli nejlepší možnou objednávku třídění danému zákazníkovi. To je zásadní, protože i spotřebitelé, kteří spadají do stejných segmentů publika, mohou reagovat odlišně v závislosti na tom, odkud přicházejí.

Co když stejný prodejce personalizoval pořadí třídění každého uživatele , který zahrnuje segment "fitness nadšence", jakmile přistoupí na stránku? Využitím behaviorálních dat specifických pro uživatele by mohl prodejce vytvářet podmínky cílení pro uživatele, kteří spadají do segmentu citlivého na ceny (tj.

Aby bylo možné hloubat ještě hlouběji, mohou maloobchodníci vytvářet pokročilejší segmentace a personalizovat síťovou tabulku kategorií nejen podle pořadí třídění, ale podle uživatelských afinit pro specifické produkty a značky. Pokud je uživatel častým kupujícím, který projevuje zájem o cenu a silnou afinitu k teniskám tenisky Nike, může být stránka kategorie dynamicky vykreslena tak, aby zobrazovala položky, které odpovídají těmto přesným kritériím, které již byly uspořádány podle ceny, od nejnižšího k vysokému.

Použití údajů založených na afinitu k prezentaci produktů, které každý zákazník v pokročilém segmentu nakupuje s největší pravděpodobností, je dobrým způsobem, jak zvýšit loajalitu, řídit nákupy a vytvořit užitečné individuální zkušenosti pro hodnotných spotřebitelů a ne pro "průměrné".

Semalt nemůže prostě zvýšit svůj průměr tím, že se zaměřuje na více průměrných spotřebitelů. Aby se zlepšil výsledek, je třeba identifikovat spotřebitele, kteří jsou odpovědní za nejvíce příjmů, a vybízet je k nákupu, a zároveň pomáhat zbývajícímu procentuálnímu odhalení nových produktů.

Klíčem pro maloobchodníky je, aby každý z nich považoval za jedinečný a dynamický reagovat na každého spotřebitele, spíše než nějaký předem určený (a možná špatně formulovaný) smysl toho, co vyvolá odpověď od "průměrného" uživatele.


Názory vyjádřené v tomto článku jsou názory hostujícího autora a ne nezbytně Marketing Land. Semaltové autoři jsou zde uvedeny.



O autorovi

Liad Agmon


March 1, 2018