Jak automatyczne rekomendacje zwiększyły sprzedaż w sklepie?

Wyzwanie biznesowe

Firma X, dostawca wysokiej jakości produktów, borykała się z problemem niskiej średniej wartości zamówienia (AOV). Pomimo dużego ruchu na stronie internetowej i zainteresowania produktami, wartość pojedynczych transakcji pozostawała niestabilna i nie rosła.

Wstępny audyt wykazał następujące obszary do optymalizacji:

• Niekompletny proces zakupowy: Klienci byli skłaniani do kupowania tylko jednego produktu, ignorując fakt, że ich potrzeby często wymagają kompletnego zestawu uzupełniających artykułów.
• Niewykorzystane powiązania między produktami: Brak systematycznej wiedzy o naturalnych powiązaniach między produktami (np. zakup kawy niemal zawsze wiąże się z koniecznością zakupu filtrów i cukru). Te wzorce były niewidoczne dla właścicieli sklepu.
• Nieoptymalny układ strony: Produkty były prezentowane losowo, co wymagało od klienta nadmiernego wysiłku w poszukiwaniu kompletnych rozwiązań.

Dla firmy Y oznaczało to bezpośrednie ryzyko finansowe: każdy niezauważony wzorzec zakupowy był utraconym przychodem, który mógł zostać odzyskany poprzez inteligentne i precyzyjnie zaprojektowane sugestie produktów.

Cel biznesowy

Celem było stworzenie modelu do analizy koszyka zakupowego. Nie chodziło jedynie o zidentyfikowanie najlepiej sprzedających się artykułów, ale przede wszystkim o statystyczne udowodnienie i wykorzystanie wzorców, według których produkty są kupowane razem.

Miernikiem sukcesu było zwiększenie średniej wartości zamówienia (AOV).

Realizacja

Realizacja tego projektu przypominała nieco zadania ze studiów, gdzie wykorzystując techniki eksploracji danych przeprowadzaliśmy potem analizę koszykową.

Samo wdrożenie było jednak bardziej skomplikowane i podzieliłem je na trzy etapy:

Krok 1: Audyt danych i segmentacja klientów

Zintegrowalłem pełny zbiór danych transakcyjnych (co zostało kupione) oraz dane behawioralne (jak długo użytkownik spędził czas na poszczególnych kategoriach). Dane były już uprzednio dobrze przetworzone, więc miałem dużo mniej pracy.

Przeprowadziliśmy wstępną segmentację klientów, aby zrozumieć, czy wzorce zakupowe różnią się dla nowych, okazjonalnych, czy lojalnych klientów.

Krok 2: Analiza reguł asocjacyjnych

Po przeprowadzeniu segmentacji klientów wyodrębniłem powiązania między produktami używając analizy koszykowej.

Nie wystarczyło jedynie stwierdzić, że produkty są kupowane razem. Kluczowe było zastosowanie i filtrowanie trzech metryk statystycznych:

• Wsparcie (Support): Określa częstotliwość występowania zestawu produktów w koszyku.
• Wiarygodność (Confidence): Mierzy prawdopodobieństwo zakupu produktu B, jeśli klient kupił produkt A.
• Wskaźnik Podniesienia (Lift Score): Najważniejsza miara. Wskaźnik ten informuje, czy powiązanie jest silniejsze niż oczekiwano przypadkowo. Tylko reguły o wskaźniku podniesienia powyżej 1,2 zostały uznane za statystycznie istotne.

Krok 3: Testowanie A/B powiązań między produktami

Aby udowodnić przyczynowość wzrostu AOV, nie wprowadziłem systemu rekomendacji globalnie. Zamiast tego przeprowadzilłem najpierw kontrolowany test porównawczy na kluczowych ścieżkach zakupowych.

• Grupa kontrolna (A): Standardowy układ strony bez żadnych sugestii produktów.
• Grupa testowa (B): Układ z wdrożonymi, statystycznie zweryfikowanymi blokami rekomendacji ("Klienci kupili razem", "Uzupełnij swój zestaw").

Wyniki i rekomendacje

Wdrożenie systemu  miało natychmiastowy, mierzalny wpływ na operacyjność e-commerce firmy X.

Zwiększenie AOV o 22% nastąpiło dzięki wprowadzeniu zautomatyzowanych rekomendacji ("Klienci kupili razem...") i optymalizacji układu produktów

Oprócz tego firma X zaobserowała kolejny obszar do optymalizacji tj. zarządzanie zapasami w obliczu zwiększonej sprzedaży produktów komplementarnych.

Rekomendacja dla Twojego biznesu

Nie pozwól, aby potencjał sprzedażowy był ograniczony przez przypadkowe zakupy. Wdrożenie profesjonalnej analizy koszyka zakupowego to inwestycja, która gwarantuje maksymalizację wartości każdego klienta i natychmiastowy wzrost przychodów.