10 Strategi Rekomendasi Produk Untuk Melipatgandakan Penjualan E-Commerce Anda

Perkenalan

Dengan 900 juta pengguna internet, India adalah pasar online terbesar kedua di dunia. Pertumbuhan eksponensial dalam pengguna digital ini secara longgar diterjemahkan menjadi aktivitas online mereka yang meningkat, dan e-commerce adalah bagian penting darinya. Tetapi lebih banyak tidak selalu menyenangkan untuk bisnis – masuknya pengguna dan organisasi dalam pasar ritel telah membawa lebih banyak persaingan untuk merek, membuat e-commerce menjadi ruang yang sangat kompetitif.

Pelanggan modern ini sekarang menghadapi banyak pilihan untuk berbelanja. Ribuan situs web e-niaga mencoba menjual produk serupa, jika bukan produk yang sama kepada mereka setiap menit. Namun, pengeluaran online mereka dianggarkan dengan ketat lebih dari sebelumnya!

Jadi bagaimana situs e-niaga mendominasi industri dengan membobol dompet pelanggan dan memenuhi target penjualan? Salah satu metode yang dapat diandalkan adalah melalui rekomendasi produk – sistem prediksi dinamis yang digunakan untuk menampilkan item yang menarik bagi pelanggan secara jelas.

Lebih dari 71% situs e-niaga merekomendasikan produk di beranda mereka. Ini telah membantu mereka meningkatkan keterlibatan, konversi, dan pendapatan. Meskipun rekomendasi hanya berkontribusi pada 7% kunjungan, rekomendasi menyumbang 26% dari pendapatan.

Sementara kita akan menggandakan secara rinci apa itu sistem rekomendasi dan bagaimana cara kerjanya, mari kita pahami dasar-dasarnya sebelum melanjutkan. Corong di bawah ini menunjukkan bagaimana rekomendasi mengubah prospek hangat menjadi pembeli yang berniat tinggi dengan menyederhanakan penemuan produk untuk mereka.

Sistem rekomendasi dibangun menggunakan algoritme yang menganalisis tumpukan data untuk memahami perilaku pembeli dan mengantisipasi kebutuhan masa depan mereka. Persis seperti cara Netflix mengetahui film mana yang ingin Anda tonton selanjutnya. Menganalisis & memprediksi kebutuhan pelanggan seperti ini dikenal sebagai profil pelanggan, yang membantu mempersonalisasi rekomendasi.

Setelah pembeli mengklik rekomendasi tersebut, mereka 4,5x lebih mungkin untuk menambahkan item ke keranjang dan menyelesaikan transaksi mereka – ini karena sistem menyarankan produk mereka berdasarkan perilaku belanja mereka atau apa yang ditemukan pengguna maksimum yang dibeli bersama dengan produk.

Rekomendasi ini menghasilkan Nilai Pesanan Rata-Rata (AOV) 10% lebih tinggi. Jadi mari kita sepakati saja, rekomendasi tidak hanya memudahkan hidup pembeli, tetapi juga merupakan alat pamungkas bagi pemasar e-niaga untuk meningkatkan penjualan & memenuhi target!

Tarif Konversi E-Commerce: Perhitungan & Interpretasi

Tujuan dari sebagian besar rekomendasi adalah untuk mendorong pembelian. Namun, sasaran ini dapat bervariasi berdasarkan sifat situs web untuk menyertakan tindakan seperti menghubungi layanan pelanggan, berlangganan buletin, atau mengisi formulir perolehan prospek.

Akibatnya, konversi adalah rasio sesi situs web terhadap penyelesaian tujuan akhir ini (transaksi, formulir, hasil, dll.). Ini membantu mengukur persentase pengunjung yang menyelesaikan tindakan yang diinginkan situs. Katakanlah tujuannya adalah untuk membeli item, maka konversi dihitung dengan membagi 'total pengunjung yang membeli dengan total pengunjung website. Kalikan ini menjadi 100, dan itulah tingkat konversi Anda!

Misalnya, jika situs web Anda memiliki 80.000 pengunjung yang 6.000 di antaranya membeli produk, tingkat konversinya adalah 7,5%.

Rumusnya: Rasio konversi e-niaga (7,5%) = Total pengunjung yang membeli (80.000) / Total pengunjung situs web (6.000) x 100

Meskipun keberhasilan rekomendasi produk paling baik diukur dengan rasio konversi, Nilai Pesanan Rata-Rata (AOV) dan Rasio Klik-Tayang (RKT) juga mencerminkan manfaat membantu pelanggan dengan produk yang paling sesuai dengan kebutuhan mereka.

Nilai pesanan rata-rata adalah jumlah dolar (rupee) rata-rata yang dibelanjakan oleh pelanggan situs web. Ini dihitung dengan membagi pendapatan dengan jumlah pesanan, membuktikan seberapa sukses rekomendasi dalam upselling / cross-selling.

Rumusnya: Nilai Pesanan Rata-rata (AOV) = Pendapatan / Urutan Angka

Demikian pula, Rasio Klik-Tayang menunjukkan berapa kali tautan tertentu di situs web telah diklik. Ini dihitung dengan membagi klik dengan tayangan (yaitu berapa kali tautan terlihat).

Cara kerja rumus : CTR = Clicks (Jumlah orang yang mengklik iklan) / Impressions (Jumlah orang yang melihat iklan) x 100

CTR menunjuk ke % pembeli niat tinggi, karena mereka yang mengklik rekomendasi hampir 2x lebih mungkin untuk kembali! Singkatnya, jika sebuah rekomendasi telah diklik, itu sangat produktif dalam meningkatkan tingkat konversi dan pendapatan.

Apa itu Rekomendasi Produk?

Sekarang kami memahami bahwa rekomendasi produk melakukan keajaiban di balik layar dengan menganalisis ribuan transaksi masa lalu pembeli dan memprediksi kebutuhan masa depan mereka. Analisis ini kemudian ditampilkan dalam bentuk rekomendasi kepada pengunjung situs web, mendorong mereka untuk membeli lebih banyak dan lebih cepat.

Mari kita lihat sekilas gambar di bawah ini dari situs web FirstCry. Judul 'Anda mungkin juga suka' dan 'sering dibeli bersama' adalah rekomendasi dari merek yang mendorong penggunanya saat membeli atau memilih.

Sementara sebagian besar situs e-niaga berjuang dengan tingkat konversi antara 2,5 hingga 3%, rekomendasi produk dapat mendorong lebih dari 49% pengunjung untuk membeli produk yang awalnya tidak mereka inginkan.

Jika Anda belum yakin, simak empat alasan penting mengapa Anda harus menyertakan rekomendasi produk di situs e-commerce Anda –

1. Pengalaman pengguna yang ditingkatkan –

Dalam kehidupan offline kami, kami sering mengandalkan saran penjaga toko di supermarket lokal. Mengapa? Karena nyaman dan cepat. Rekomendasi produk online memiliki tujuan yang sama dengan memudahkan perjalanan pelanggan di situs Anda mulai dari menjelajah hingga membayar.

Mereka menjadi sangat penting sehingga 56% pelanggan kembali ke situs yang merekomendasikan dan 71% merasa frustrasi jika pengalaman berbelanja tidak dipersonalisasi.

2. Keterlibatan pelanggan yang lebih baik –

Pelanggan berkembang dengan kepercayaan dan perasaan dipahami. Pemasar dapat melakukannya dengan memberikan rekomendasi produk yang dipersonalisasi yang melengkapi pola pembelian mereka. Ini membantu menghasilkan klik yang lebih tinggi di situs, lebih banyak kunjungan, dan aktivasi saluran komunikasi lain seperti email.

Misalnya, ALTBalaji, layanan streaming India, mengirimkan rekomendasi yang dipersonalisasi melalui email untuk mendorong langganan yang lebih tinggi. Ini bukan rekomendasi situs, tapi email, sms, dan push notification semuanya bisa digunakan sebagai media untuk membangkitkan atau meningkatkan pembelian berulang.



3. Peningkatan pendapatan –

Jelas, rekomendasi produk memberikan peluang besar untuk melengkapi preferensi pembeli dengan produk serupa atau yang ditingkatkan. Pemasar harus menggunakan kesempatan ini untuk melakukan cross-sell dan up-sell menggunakan bagian seperti 'Sering dibeli bersama' & 'Pelanggan yang berbelanja ini juga membeli'. Di bawah ini adalah rekomendasi lain dari Amazon untuk buku-buku dengan genre serupa.



4. Membangun kesetiaan –

Karena rekomendasi mempersonalisasi perjalanan pelanggan di setiap titik kontak, kepuasan mereka secara keseluruhan meningkat. Pelanggan yang puas lebih mungkin untuk kembali serta mempromosikan situs dari mulut ke mulut.

Bagaimana mesin rekomendasi dibuat?

Kami membahas secara singkat bagaimana algoritme digunakan untuk menampilkan rekomendasi hasil personalisasi kepada pengunjung situs e-niaga. Mari selami lebih dalam.

Mesin rekomendasi produk menganalisis & memodelkan banyak sekali data pengguna menggunakan Machine Learning (ML). Pertama, data (input) mengenai transaksi pengguna sebelumnya, riwayat browser, klik tautan, dan keterlibatan lainnya diterima. Setelah data ini dibersihkan dan pengguna dengan perilaku serupa tersegmentasi berdasarkan parameter yang berbeda, sistem rekomendasi akan dibuat.

Sebagian besar sistem rekomendasi diimplementasikan menggunakan salah satu dari tiga pendekatan ini:

1. Penyaringan kolaboratif : Model ini bekerja berdasarkan asumsi bahwa pengguna yang membeli produk serupa di masa lalu, kemungkinan besar akan mengulangi pola tersebut di masa mendatang. Jadi, jika Jasmine membeli pizza dan salad, sedangkan Aliya membelikannya plus diet Coke, Jasmine juga akan melakukannya.
2. Model berbasis konten : Model ini menggunakan data dari cookie dari semua situs yang dikunjungi untuk memahami suka dan tidak suka dari setiap pengguna. Produk yang direkomendasikan kemudian difilter dengan asumsi bahwa Anda akan menikmati item yang mirip dengan interaksi Anda sebelumnya.

Misalnya, jika Nick membeli sepatu kuning, kemeja, dan celana chino, dia kemungkinan besar akan mencari celana kuning di kemudian hari.


3. Pemfilteran hibrid : Metode ini menggabungkan konten dan pemfilteran berbasis kolaboratif untuk memperhitungkan preferensi bersama di antara pengguna, tetapi menampilkan hasil setelah memfilternya berdasarkan preferensi masing-masing pengguna. Ambil Netflix misalnya, itu memfilter film berdasarkan kebiasaan pengguna serupa tetapi hanya menampilkan film yang cocok dengan interaksi pengguna ini di masa lalu.

10 strategi rekomendasi produk untuk meningkatkan konversi e-niaga Anda

COVID-19 mengubah cara kita berbelanja. Di negara berkembang saja, proporsi pembelanja online melonjak dari 33% menjadi 60%. Akibatnya, beberapa bisnis terpaksa online. Namun, banyak dari mereka yang masih kesulitan dalam mempersonalisasi rekomendasi, sehingga kehilangan lalu lintas karena persaingan.

Di sisi lain, bisnis sukses yang menunjukkan rekomendasi yang dipersonalisasi memiliki kemungkinan 91% lebih besar untuk melakukan pembelian oleh pelanggan. Kuncinya adalah mengetahui siapa yang menunjukkan apa . Jadi, inilah beberapa jenis rekomendasi produk yang dapat membantu menjawab pertanyaan ini –

• Personalisasi – Apakah Anda menonton film thriller aksi atau membeli gaun biru? Apakah Anda berulang kali memesan makanan dari restoran yang sama? Semua data ini dianalisis untuk memahami kesukaan dan ketidaksukaan pelanggan & membuat rekomendasi yang relevan.

Semakin dekat rekomendasi ini dengan selera pelanggan, semakin tinggi konversi mereka. Rekomendasi yang dipersonalisasi juga meyakinkan 54% pembeli untuk meningkatkan nilai pesanan rata-rata mereka.



• Produk terkait: Dengan ribuan tersedia untuk berbelanja, pelanggan dapat dengan mudah merasa frustrasi karena harus menavigasi dari satu halaman ke halaman lainnya. Namun di sinilah kategori rekomendasi 'Produk Serupa' membantu kami.

Pelanggan tidak hanya dapat melihat lebih banyak produk tetapi juga dengan mudah membandingkan pilihan mereka dan menyelesaikan transaksi dengan lancar.



• Cross-selling & up-selling: Hampir intuitif untuk berpikir bahwa pelanggan yang baru saja membeli ponsel akan segera membutuhkan casing. Demikian pula, seseorang yang sedang mengeksplorasi jaket mungkin membutuhkan lebih banyak pakaian musim dingin.

Rekomendasi produk memanfaatkan peluang ini dengan melakukan up-selling atau cross-selling item menggunakan kategori seperti 'Apa yang orang suka Anda beli' & 'Sering dibeli bersama'.

• Bukti sosial: Pembeli menyukai ulasan karena memberi mereka rasa aman dan membantu membangun kepercayaan. Menurut penelitian, lebih dari 47% pembeli mencari bukti sosial (visual) di situs e-niaga.

Jadi merekomendasikan produk yang dinilai tinggi oleh pelanggan lama membantu menutup transaksi lebih cepat. Kategori umum mencakup 'produk peringkat teratas' atau 'pilihan influencer'.



• Musiman – Wajar jika pelanggan perlu berevolusi dengan perubahan musim. Kategori rekomendasi ini bekerja dengan baik untuk produk makanan & fashion.

Misalnya, musim panas mengundang mania mangga dan pakaian berbunga-bunga menjadi tren di musim semi.

• Pendatang baru: Di era mode cepat dan teknologi yang berkembang pesat ini, rekomendasi berdasarkan 'pendatang baru' adalah strategi promosi produk yang efektif.



Rekomendasi tersebut menciptakan rasa takut ketinggalan (FOMO) di antara pelanggan. Lagipula, siapa yang tidak suka memamerkan ponsel/gaun baru?

• Pengelompokan: Tren belanja yang cenderung berulang di basis pelanggan yang luas dapat dimanfaatkan untuk menampilkan rekomendasi dalam kategori seperti "Pelanggan yang melihat ini juga melihat" atau "Sering membeli bersama". Oleh karena itu, produk digabungkan menjadi satu, biasanya saat pembayaran, meningkatkan penjualan dan Nilai Pesanan Rata-Rata (AOV).



• Berdasarkan riwayat penjelajahan – Ini adalah kecenderungan manusia untuk menjelajahi situs web e-niaga tanpa niat serius untuk membeli. Oleh karena itu, algoritme menggunakan data penjelajahan sebelumnya untuk mengidentifikasi kebutuhan/keinginan mereka dan menampilkan rekomendasi yang sesuai.
• Produk kembali tersedia: Umum di situs e-niaga furnitur, jenis rekomendasi ini memanfaatkan produk yang terjual lebih cepat untuk mendorong penjualan.

Tidak hanya menciptakan rasa urgensi di antara pelanggan yang mengkhawatirkan stok, tetapi juga membantu membangun loyalitas merek di antara pelanggan tetap.

Apapun jenis rekomendasi yang Anda pilih, pastikan Anda memposisikannya dengan tepat. Jika tidak, mereka semua hanya kehilangan peluang penjualan.

Contoh rekomendasi produk dari merek terkemuka

Memecahkan penemuan produk menghasilkan peningkatan yang dijamin dalam pengalaman pengguna untuk situs e-niaga. Tidak heran jika para dominator pasar seperti Amazon, Myntra, atau Netflix memenangkan perlombaan 'rekomendasi produk' untuk tetap menjadi yang teratas. Mari pelajari 3 merek secara mendetail untuk memahami manfaat rekomendasi bagi mereka –

Contoh 1: Amazon

Amazon menggunakan berbagai gaya rekomendasi yang ditempatkan secara strategis di sepanjang perjalanan pengguna untuk mencapai klik-tayang dan konversi yang lebih tinggi.

Berikut beberapa contoh rekomendasi 'Pelanggan yang membeli ini juga membeli' dari Amazon India. Menurut Mckinsey, jenis rekomendasi yang dipersonalisasi ini berkontribusi lebih dari 35% dari total pendapatan dan menyebabkan peningkatan penjualan sebesar 29%.

Contoh 2: Nykaa

Salah satu retailer kecantikan & kesehatan terbesar di India, Nykaa menggunakan jenis rekomendasi 'Anda Mungkin Juga Menyukai' untuk menjual silang produk berdasarkan minat yang sama di antara grup pengguna. Hasilnya, 50% pelanggan Nykaa menjadi pengunjung rutin pada tahun 2020 dan rekomendasi gaya panduan pembelian mereka menyumbang 3% dari Nilai Barang Dagangan Kotor (GMV) pada tahun tersebut.

Kesalahan yang harus dihindari

Menampilkan rekomendasi produk saja tidak cukup. Segala sesuatu yang lain dari waktu hingga penempatan memainkan peran penting dalam kesuksesan mereka. Berikut adalah 5 kesalahan yang harus dihindari –

• Penempatan yang salah – Menampilkan rekomendasi celana pendek di halaman produk laptop tidak akan membantu. Sebaliknya, menampilkan produk terkait seperti tas laptop akan menghasilkan konversi yang lebih tinggi.
• Rekomendasi yang luar biasa – Terlalu banyak informasi adalah kebisingan. Dan terlalu banyak rekomendasi yang tidak diterjemahkan sama sekali. Jadi, jangan memenuhi layar pembeli dengan rekomendasi.
• Rekomendasi yang tidak sensitif konteks – Setiap rekomendasi harus sesuai dengan konteks pembeli – lokasi, demografi, atau riwayat pembelian. Hanya dengan begitu pembeli akan merasa dipahami dan tidak di-spam.

Berikut adalah contoh rekomendasi produk yang tidak sensitif oleh Amazon.


• Kurangnya pengujian A/B: Pengujian A/B merupakan prasyarat untuk mengoptimalkan parameter seperti jumlah, tampilan, dan pemosisian rekomendasi. Melakukannya akan membantu mengidentifikasi & mempertahankan rekomendasi dengan tingkat konversi yang lebih tinggi.
• Navigasi yang buruk: Rekomendasi hanya sebaik konversi yang dihasilkannya. Oleh karena itu, gesekan apa pun dalam postingan perjalanan pengguna yang mengklik tautan harus dihilangkan. Semua halaman penting seperti hubungi kami, katalog produk, dan keranjang harus selalu dapat diakses dengan mudah.

Kesimpulan

Memahami potensi sebenarnya dari rekomendasi produk dalam mendorong penjualan, meningkatkan nilai pesanan, dan melibatkan pelanggan dengan lebih baik dapat bertindak sebagai pembuka mata. Tetapi bahkan pemasar berpengalaman pun gagal menggunakan rekomendasi secara maksimal.
Jika menurut Anda itu karena menjalankan rekomendasi terlalu mahal atau terlalu rumit, inilah momen kebenaran Anda – bukan! Alat rekomendasi produk WebEngage sangat mudah dan telah membantu banyak klien menghasilkan pendapatan tambahan.

Hampir 81% pembeli setuju untuk membeli setelah menerima email pemasaran rekomendasi produk yang dipersonalisasi, sebuah fasilitas yang membantu klien WebEngage unggul. Dengan menggunakan templat kami yang telah diisi sebelumnya di saluran pemasaran, pengguna WebEngage dapat menemukan cara yang sangat menarik dan kreatif untuk berhubungan dengan pelanggan mereka.

WebEngage memiliki paket komprehensif untuk memenuhi persyaratan sistem rekomendasi situs e-niaga Anda. Jika Anda mencari opsi untuk meningkatkan pendapatan, ikuti demo bersama kami hari ini dan saksikan bisnis Anda berubah!