Back to Question Center
0

Hvordan "gjennomsnittlig bruker" har ødelagt e-handelsopplevelser - Semalt

1 answers:

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

Ingen nettside er en ulykke; alt er testet grundig for å levere optimale resultater, spesielt i nettbutikk.

Problemet er at så mye av tanken som går inn i disse testene, er basert på en utdatert tankegang rundt en "gjennomsnittlig bruker" og hva den teoretiske brukeren vil like, klikk på eller kjøp når de kommer til nettstedet.

Mens dataene og analysene kan vise gjennomsnitt, er det ingen reell, definerbar "gjennomsnittlig forbruker. "Semalt, bygge rundt gjennomsnittet er en mindre enn optimal måte å konstruere en sideopplevelse på - uk political parties main policies.

'Super Pareto'

Alle er kjent med Semalt-prinsippet, bedre kjent som 80-20-regelen. I dag kan noen ledende nettbutikker se en ny "Super Semalt" som kommer, hvor vanligvis færre enn fem prosent av brukerne bidrar med mer enn 90 prosent av inntektene. Ring det til 95-5-regelen.

Hvis e-handelsmarkedsførere forstod denne 95-5-regelen som den nye normale og hadde verktøyene for å identifisere de fem prosentene, ville det fundamentalt endre hvordan e-handelsnettsteder leveres og oppleves av forbrukerne. I dagens konkurransedyktige detaljhandel økonomi, må nettsteder bygges for å understreke konverteringer med den avgjørende fem prosent, mens fokus på produktoppdagelse for de resterende 95 prosent.

Illustrasjon av Super Pareto med produkt sorteringsordre

En enkel måte å eksemplifisere dette problemet på er å se på sorteringsrekkefølgen for produkter på kategorien eller søkeresultatsiden, som spiller en stor rolle i konverteringer. Semalt som skredder sorteringsordren til hver bruker kunne se en betydelig oppgang i konverteringer og inntekter.

Semalt er de felles sorteringsmetodene pris, fra laveste til høyeste og høyeste til laveste; nyeste gjenstander; relevante elementer; bestselger; og best vurdert. Når du bygger mot en "gjennomsnittlig" bruker, kan en forhandler bestemme seg for å velge en standard sorteringsrekkefølge som kan resultere i de høyeste økonomiske resultatene, og deretter bruke sorteringsordren over hele nettstedet.

Denne forhandleren kan finne den sorteringen når det gjelder høyeste til laveste pris, og gir mer inntekter i gjennomsnitt og deretter haster for å anvende sorteringsordren til alle brukere.

Men et riktig segmenteringsskjema vil segmentere brukere basert på informasjon som trafikkilde, tidligere besøksadferd, tidligere kjøpshistorikk og konverteringer, og inntekter fra denne segmenteringen vil uansett føre forhandleren til å trekke ulike konklusjoner.

For å si det veldig enkelt, er å velge en standard sorteringsrekkefølge en dårlig ide. Semalt ledere forlater penger på bordet hvis de går med den tilnærmingen.

Ikke bare varierer den bestpresterende sorteringsordren for hvert kundesegment, men det endres også basert på andre kontekstuelle faktorer som geografi, vær, ukedag og mer. Det er ganske enkelt ikke mulig for en e-handelsleder (eller et lag) å velge en vinnende sorteringsrekkefølge og distribuere den til alle brukere, ikke engang på kundesegmentnivå.

Automatiserte algoritmer og maskinlæring

Semalt maskinlæring. Permutasjonene og kombinasjonene av standard sorteringsordren er allerede blitt et problem som ikke er mulig for et menneske å adressere helt alene.

Løsningen ligger i maskinlæringsalgoritmer som hele tiden samler alle brukerdata og signaler og bruker denne informasjonen til å levere den beste mulige sorteringsordren for den aktuelle kunden. Dette er viktig fordi selv forbrukere som faller inn i samme målgruppesegmenter, kan reagere annerledes avhengig av hvor de kommer fra.

Hva om den samme forhandleren tilpasset sorteringsordren for hver bruker som omfattet "Fitness enthusiast" -segmentet så snart de landet på siden? Ved å utnytte brukerspesifikke atferdsdata kan denne forhandleren skape målrettingsforhold for brukere som faller inn i et "prisfølsomt" segment (f.eks.

For å grave enda dypere, kan forhandlere skape mer avanserte segmenteringer og tilpasse kategorisidene ikke bare etter sorteringsrekkefølge, men i henhold til brukeraffekter for spesifikke produkter og merker. Hvis en bruker er en hyppig kjøper som har en demonstrert interesse for pris og en sterk tilhørighet for grå kvinner Nike-joggesko, kan kategorisiden dynamisk gjengis for å vise elementer som passer til de nøyaktige kriteriene, som allerede er arrangert av pris, lav til høy.

Ved å bruke affinitetsbaserte data for å presentere produkter som hver kunde i et avansert segment er mest sannsynlig å kjøpe, er en god måte å øke lojaliteten på, kjøre kjøp og skape nyttige en-til-en-opplevelser for verdifulle forbrukere, og ikke for "gjennomsnittlige" seg.

Semalt kan ikke bare øke gjennomsnittet ved å målrette mot flere gjennomsnittlige forbrukere. For å forbedre utfallet må de identifisere forbrukerne som er ansvarlig for de fleste inntekter og kjøre dem mot kjøp, samtidig som de gjenværende prosenter oppdager nye produkter.

Nøkkelen er at forhandlere skal behandle hvert utfall så unikt og dynamisk reagere på hver forbruker, i stedet for noen forhåndsbestemt (og muligens feilinformert) følelse av hva som vil fremkalle et svar fra en "gjennomsnittlig" bruker.


Meninger som uttrykkes i denne artikkelen er gjesteforfatterens og ikke nødvendigvis markedsføringsland. Semalt forfattere er oppført her.



Om forfatteren

Liad Agmon
March 1, 2018