سبد رهاشده و پیشبینی خرید بعدی - وقتی پنجره تصمیم ساعت است، نه ماه
پیشبینی رفتار مشتری در فروشگاه اینترنتی با همان کار در بیمه و مخابرات دو تفاوت بنیادی دارد: پنجره تصمیم ساعتی است نه ماهانه، و بخش بزرگی از بازدیدکنندگان ناشناساند. هر دو، نوع مدل و نوع مداخله را عوض میکنند.
در این صفحه
دو تفاوت بنیادی
در بیمه یک سال وقت دارید تا بفهمید مشتری در حال رفتن است. در مخابرات چند هفته. در فروشگاه اینترنتی، از لحظهای که کاربر سبد را رها میکند تا لحظهای که تصمیمش قطعی میشود، معمولاً چند ساعت فاصله است.
و تفاوت دوم: در بیمه و مخابرات همه مشتریان شناختهشدهاند. در فروشگاه اینترنتی، بخش بزرگی از بازدیدکنندگان هرگز وارد حساب نشدهاند و هیچ تاریخچهای ندارند.
پیشبینی درونجلسهای یعنی چه
بهجای تحلیل تاریخچه ماهها، مدل رفتار همین جلسه را میخواند: چند محصول دیده، چقدر روی هر کدام مانده، آیا به صفحه نقد و بررسی رفته، آیا هزینه ارسال را دیده و برگشته، سرعت حرکتش در قیف چطور بوده.
این ویژگیها در چند دقیقه ساخته میشوند و مدل باید در همان مقیاس زمانی پاسخ بدهد. معماری اینجا نزدیک به سامانههای بلادرنگ است، نه به پردازش دستهای شبانه.
و یک نکته که در طراحی مهم است: رها کردن سبد همیشه نشانه بد نیست. بخشی از کاربران عمداً سبد را بهعنوان فهرست علاقهمندی استفاده میکنند. مدلی که این دو را از هم جدا نکند، پیامهای بیمورد میفرستد و اثر معکوس میگذارد.
ترافیک ناشناس: چه میشود و چه نمیشود
برای کاربر ناشناس، تاریخچهای وجود ندارد ولی رفتار همین جلسه هست. کارهایی که ممکن است:
- تشخیص قصد ترک در همان جلسه و نمایش پیام درونسایتی
- پیشنهاد محصول بر پایه رفتار همین جلسه
- تحلیل تجمیعی برای بهبود خودِ قیف
و کاری که ممکن نیست: ارسال پیام بعدی. برای پیگیری پس از خروج، به شناسهای نیاز است که کاربر خودش داده باشد - ایمیل، شماره یا حساب کاربری.
پس بخشی از کار روی تبدیل ناشناس به شناختهشده متمرکز میشود، و این باید با ارزش واقعی برای کاربر همراه باشد نه با پنجرههای مزاحم.
نرخ رها شدن سبد شما چقدر است؟
در جلسه ارزیابی، داده رفتار کاربر و سفارش شما را بررسی میکنیم و میگوییم مدل درونجلسهای امروز شدنی است یا نه.
زمانبندی از پیام مهمتر است
در پیگیری سبد رهاشده، تجربه عملی این است که چه زمانی پیام میرود بیشتر از چه چیزی در آن نوشته شده اثر دارد.
پیام خیلی زود، کاربری را که هنوز در حال تصمیم است اذیت میکند. پیام خیلی دیر، به کاربری میرسد که قبلاً از جای دیگر خریده. و زمان بهینه از دسته محصول به دسته محصول فرق میکند: کالای ارزان تصمیم سریع دارد، کالای گران چند روز.
پس زمان ارسال باید یاد گرفته شود، نه اینکه یک عدد ثابت برای همه تعریف شود.
تخفیف، آخرین ابزار است نه اولین
ارسال کد تخفیف به هر سبد رهاشده، سادهترین کار و پرهزینهترین است. سه پیامد دارد:
- بخشی از کاربران به هر حال میخریدند و تخفیف فقط حاشیه سود را کم کرده
- کاربران یاد میگیرند سبد را رها کنند تا تخفیف بگیرند - و این رفتار پایدار میشود
- برای کاربری که مشکلش هزینه ارسال یا نبود روش پرداخت دلخواهش بوده، تخفیف پاسخ نیست
گردشکار
۱. جمعآوری رویداد در لحظه
رویدادهای جلسه - مشاهده، افزودن به سبد، مرحله پرداخت - بهصورت جریانی ثبت میشوند.
۲. ساخت ویژگی درونجلسه
عمق مشاهده، سرعت حرکت، بازگشت به صفحه قبل، مکث روی هزینه ارسال.
۳. تشخیص قصد ترک و دلیل محتمل
نه فقط احتمال، بلکه دلیل - چون مداخله از دلیل میآید.
۴. انتخاب مداخله متناسب
پیام درونسایتی، یادآوری بعدی، یا هیچکدام. «هیچکدام» هم یک انتخاب معتبر است.
۵. سنجش با گروه کنترل
بخشی از موارد بدون مداخله میمانند تا اثر واقعی قابل اندازهگیری باشد.
سنجش و نقطه شروع
معیار درست، نرخ تبدیل گروه مداخله در برابر گروه کنترل است - نه نرخ باز شدن پیام یا کلیک، که هیچکدام درآمد نیستند.
پیشنهاد ما شروع با یک دسته محصول است. زمان بهینه پیگیری در همان دسته یاد گرفته میشود و بعد به دستههای دیگر تعمیم پیدا میکند.
و پیش از شروع: نرخ رها شدن سبد به تفکیک مرحله قیف. اگر بیشترین ریزش در صفحه هزینه ارسال باشد، مسئله شما مدل نیست - قیمتگذاری ارسال است، و هیچ مدلی آن را حل نمیکند.
جزئیات فنی پلتفرم در صفحه تحلیل هوشمند مشتری است و توضیح خودِ مدلها در یادگیری ماشین در محصولات کارن.
بقیه کاربردها در صفحه راهکارهای تجارت الکترونیک است.
پرسشهای متداول
چون برای مسئله دیگری ساخته شده. مدل ریزش سالانه تاریخچه ماهها را میخواند و پاسخش تا فردا هم به کار میآید. در فروشگاه اینترنتی پنجره تصمیم چند ساعت است و مدل باید رفتار همین جلسه را در همان مقیاس زمانی بخواند.
تشخیص قصد ترک در همان جلسه، پیام درونسایتی و پیشنهاد محصول بر پایه رفتار همان جلسه. آنچه ممکن نیست پیگیری پس از خروج است، چون شناسهای وجود ندارد. بخشی از کار روی تبدیل ناشناس به شناختهشده متمرکز میشود - با ارزش واقعی برای کاربر، نه با پنجره مزاحم.
نه، و این تفکیک مهم است. بخشی از کاربران سبد را بهعنوان فهرست علاقهمندی استفاده میکنند. مدلی که این دو رفتار را از هم جدا نکند، پیام بیمورد میفرستد و اثر معکوس میگذارد.
عدد ثابتی ندارد و باید یاد گرفته شود. کالای ارزان تصمیم سریع دارد و کالای گران چند روز؛ زمان بهینه از دسته به دسته فرق میکند. تجربه عملی این است که زمانبندی بیشتر از متن پیام اثر دارد.
بهعنوان آخرین ابزار، نه اولین. بخشی از کاربران به هر حال میخریدند و تخفیف فقط حاشیه سود را کم میکند؛ و اگر الگو تکرار شود کاربران یاد میگیرند سبد را رها کنند تا تخفیف بگیرند. اول دلیل رها شدن را بفهمید.
با گروه کنترل و با معیار نرخ تبدیل، نه نرخ باز شدن پیام یا کلیک. باز شدن پیام درآمد نیست و میتواند بالا باشد در حالی که فروش تغییری نکرده.
از یک دسته محصول، و پیش از آن نرخ رها شدن سبد را به تفکیک مرحله قیف اندازه بگیرید. اگر بیشترین ریزش در صفحه هزینه ارسال باشد، مسئله شما مدل نیست - قیمتگذاری ارسال است و هیچ مدلی آن را حل نمیکند.
