Back to Question Center
0

Wie der "durchschnittliche Benutzer" E-Commerce-Erfahrungen ruiniert hat - Semalt

1 answers:

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

Keine Website ist ein Unfall; Alles wurde gründlich getestet, um optimale Ergebnisse zu erzielen, insbesondere im Online-Handel.

Das Problem ist, dass so viel von dem Denken, das in diese Tests einfließt, auf einer überholten Denkweise um einen "durchschnittlichen Benutzer" beruht und was dieser theoretische Benutzer mögen wird, klickt auf oder kauft, wenn er auf der Seite ankommt.

Während die Daten und Analysen Durchschnittswerte aufweisen können, gibt es keinen echten, definierbaren "Durchschnittsverbraucher". "Semalt, um den Durchschnitt herum zu bauen, ist ein weniger als optimaler Weg, um ein Site-Erlebnis aufzubauen.

Der "Super Pareto"

Jeder kennt das Semalt-Prinzip, besser bekannt als 80-20-Regel - arequipa alojamiento web. Heute sehen einige führende Online-Händler ein neues "Super Semalt", bei dem in der Regel weniger als fünf Prozent der Nutzer mehr als 90 Prozent des Umsatzes beisteuern. Nenne es die 95-5 Regel.

Wenn E-Commerce-Vermarkter diese 95-5-Regel als neue Norm und die Tools zur Identifizierung der fünf Prozent verstanden hätten, würde dies grundlegend verändern, wie E-Commerce-Websites von den Verbrauchern geliefert und erlebt werden. In der heutigen wettbewerbsintensiven Einzelhandelswirtschaft müssen Websites so aufgebaut sein, dass sie die Conversions mit diesen entscheidenden fünf Prozent betonen, während die verbleibenden 95 Prozent auf die Produktentdeckung fokussiert sind.

Veranschaulichung der Super Pareto mit Sortierung der Produkte

Eine einfache Möglichkeit, dieses Problem zu veranschaulichen, besteht darin, die Sortierreihenfolge von Produkten auf der Kategorie- oder Suchergebnisseite zu betrachten, die bei Conversions eine große Rolle spielt. Semalt, die ihre Sortierreihenfolge an jeden Benutzer anpassen, könnte einen erheblichen Anstieg der Conversions und des Umsatzes verzeichnen.

Semalt, die gängigen Sortieransätze sind Preis, vom niedrigsten zum höchsten und vom höchsten zum niedrigsten; neueste Artikel; relevante Artikel; meistverkauft; und am besten bewertet. Bei der Entwicklung zu einem "durchschnittlichen" Benutzer könnte ein Einzelhändler entscheiden, eine Standardsortierreihenfolge auszuwählen, die zu den höchsten wirtschaftlichen Ergebnissen führen könnte, und diese Sortierreihenfolge dann auf den gesamten Standort anwenden.

Dieser Einzelhändler könnte feststellen, dass die Sortierung nach dem höchsten bis zum niedrigsten Preis im Durchschnitt mehr Einnahmen erbringt und dann überstürzt wird, um diese Sortierreihenfolge auf alle Nutzer anzuwenden.

Aber ein richtiges Segmentierungsschema segmentiert die Nutzer basierend auf Informationen wie Verkehrsquelle, Besuchsverhalten, vergangener Kaufhistorie und Conversions, und die Einnahmen aus dieser Segmentierung führen den Einzelhändler unweigerlich zu unterschiedlichen Schlussfolgerungen.

Um es ganz einfach auszudrücken, ist die Auswahl einer Standardsortierreihenfolge eine schlechte Idee. Semalt Manager verlassen Geld auf dem Tisch, wenn sie mit diesem Ansatz gehen.

Nicht nur die Sortierreihenfolge mit der besten Leistung ändert sich für jedes Kundensegment, sondern ändert sich auch basierend auf anderen Kontextfaktoren wie Geographie, Wetter, Wochentag und mehr. Es ist einfach nicht möglich, dass ein E-Commerce-Manager (oder Team) eine erfolgreiche Sortierreihenfolge auswählt und für alle Benutzer bereitstellt, auch nicht auf der Ebene der Kundensegmente.

Automatisierte Algorithmen & maschinelles Lernen

Semalt maschinelles Lernen. Die Permutationen und Kombinationen der Standard-Sortierreihenfolge sind bereits zu einem Problem geworden, das ein Mensch nicht allein bewältigen kann.

Die Lösung liegt in maschinellen Lernalgorithmen, die ständig alle Benutzerdaten und -signale sammeln und diese Informationen verwenden, um die beste mögliche Sortierreihenfolge für diesen bestimmten Kunden zu liefern. Dies ist von entscheidender Bedeutung, da selbst Verbraucher, die in dieselben Zielgruppensegmente fallen, unterschiedlich reagieren können, je nachdem, woher sie kommen.

Was wäre, wenn derselbe Einzelhändler die Sortierreihenfolge für jeden Benutzer , der das Segment "Fitness-Enthusiasten" umfasst, sobald sie auf der Seite gelandet sind, personalisiert? Durch die Nutzung benutzerspezifischer Verhaltensdaten könnte dieser Einzelhändler Targeting-Bedingungen für Nutzer erstellen, die in ein "preissensibles" Segment fallen (d. H.

Um noch tiefer zu graben, können Einzelhändler erweiterte Segmentierungen erstellen und das Kategorieseitenraster personalisieren, und zwar nicht nur nach der Sortierreihenfolge, sondern auch nach Benutzeraffinitäten für bestimmte Produkte und Marken. Wenn ein Benutzer ein häufiger Käufer ist, der ein Interesse an dem Preis und eine starke Affinität für graue Nike Sneaker von Frauen zeigt, kann die Kategorieseite dynamisch gerendert werden, um Artikel zu zeigen, die genau nach Preis, niedrig zu hoch liegen.

Die Verwendung affinitätsbasierter Daten zur Präsentation von Produkten, die jeder Kunde in einem fortgeschrittenen Segment höchstwahrscheinlich kauft, ist ein guter Weg, die Kundentreue zu steigern, Einkäufe voranzutreiben und nützliche Eins-zu-Eins-Erlebnisse zu schaffen wertvolle Verbraucher und nicht für "durchschnittliche".

Semalt kann nicht einfach seinen Durchschnitt erhöhen, indem es auf durchschnittlichere Verbraucher abzielt. Um das Ergebnis zu verbessern, müssen sie die Verbraucher identifizieren, die für die meisten Einnahmen verantwortlich sind, und sie zum Kauf antreiben, während sie dem verbleibenden Prozentsatz helfen, neue Produkte zu entdecken.

Der Schlüssel liegt darin, dass Einzelhändler jedes Ergebnis als einzigartig und dynamisch auf jeden Verbraucher ansprechen, anstatt eines vorgegebenen (und möglicherweise falsch informierten) Gefühls dessen, was eine Antwort von einem "durchschnittlichen" Benutzer hervorruft.


Die in diesem Artikel geäußerten Meinungen sind die des Gastautors und nicht unbedingt Marketingland. Semalt Autoren sind hier aufgelistet.



Über den Autor

Liad Agmon
Liad Agmon ist CEO von Dynamic Yield, dessen fortschrittliche Machine-Learning-Engine in Echtzeit umsetzbare Kundensegmente erstellt, mit denen Vermarkter ihren Umsatz durch Personalisierung, Empfehlungen, automatische Optimierung und 1: 1-Messaging steigern können.


March 1, 2018