Tiempo de lectura: 4 minutos
Shares

En 2011, tres mayoristas holandeses de renombre se juntaron para dar vida al eCommerce THR, un comercio electrónico relacionado con productos de bricolaje y materiales de construcción profesionales. A día de hoy, cuentan con una gama de más de 80.000 productos y marcas.

Por tanto, al tener tantos productos, para lograr el equilibrio perfecto entre oferta y demanda, THR necesitaba adoptar un enfoque diferente y personalizado con sus clientes; es decir, necesitaba que la experiencia de éstos fuese totalmente única.

Cómo logró el eCommerce THR personalizar la experiencia

Con la finalidad de lograrlo y ofrecer al cliente una experiencia personalizada, THR recurrió a Retail Rocket, una herramienta que dispone de una serie de algoritmos de autoaprendizaje que permiten crear experiencias de compra personalizadas en las tiendas online. Basándose en los tests A/B con los clientes, Retail Rocket extrae conclusiones que le dan la oportunidad de ofrecer una experiencia de navegación diferente, así como convertir a los usuarios que llegan al site en clientes potenciales.

Así consiguió Decathlon.nl aumentar sus ingresos un 10,7% gracias a las recomendaciones personalizadas [Caso de éxito]

¿Cómo se consiguió?

A través de recomendaciones en tiempo real sobre las páginas de productos que estaban siendo vistas por los usuarios en ese momento, mostrando productos similares y productos relacionados a los que se estaba observando en ese mismo instante. 

¿Cómo saber si la recomendación era realmente efectiva?

El equipo de Growth Hacking de Retail Rocket realizó un test A/B para averiguar, en efecto, cómo estaban influyendo las recomendaciones personalizadas en la conducta y navegación del usuario. Para ello, se dividieron aleatoriamente en cinco grupos: 

Grupo 1

Al primer grupo se le mostraron en su navegación productos similares a los que estaba observando en el momento, basados en las propiedades del mismo (como precio, marca o categoría), así como en el filtrado colaborativo (lo que otros clientes, que también empezaron con ese producto, acabaron comprando)

Cómo THR logró aumentar su conversión en un 25,6% gracias a recomendaciones personalizadas

Grupo 2

A este segundo grupo, por el contrario, se mostraron productos relacionados o complementarios a los que el usuario estaba viendo en tiempo real. Para hacer esa selección, Retail Rocket se basa en el análisis de la base de datos de productos, así como en el comportamiento de los usuarios (carritos, pedidos, etc).

Grupo 3

En relación al grupo 3, se aplicó una subdivisión en dos bloques:

  • Productos similares, colocados en la parte superior de la navegación.
  • Productos relacionados de categorías distintas colocados en la parte inferior, justo después de la descripción del artículo.

Grupo 4

En el grupo 4 se aplicó la misma subdivisión que en el grupo anterior, pero con el orden inverso:

  • Productos relacionados en la parte superior.
  • Productos similares debajo de la descripción del artículo.

Grupo 5

El grupo 5, por último, no registró ninguna recomendación.

Conclusiones del Case Study de THR

El test A/B aplicado a la marca THR demostró un aumento de conversión del 25,6% dentro del grupo 3 (enseñando productos similares y productos relacionados) con una significación estadística del 100%. Pero, además, Google Analytics mostró evidencias de que las recomendaciones en la página de producto generaban un mayor número de sesiones por parte del usuario, que regresaba en más ocasiones al eCommerce.

Pero además… recomendaciones en cada página de categoría

Por otro lado, se añadieron recomendaciones de productos en las páginas de cada categoría, de modo que los usuarios pudiesen ver los productos más populares de cada una de ellas. 

Formularios inteligentes de salida en eCommerce: convierte a tus usuarios en suscriptores

Una vez aplicada esta recomendación, se realizó un nuevo test A/B para averiguar la efectividad real de la acción así como su tasa de conversión, creando de nuevo otros 4 grupos de forma aleatoria, atendiendo a tres tipologías diferentes de recomendación:

  • Sin una barra deslizante.
  • Con una barra deslizante estándar.
  • Con una barra deslizante que se desplazaba automáticamente después de 10 segundos.

Los grupos siguieron la siguiente clasificación:

Grupo 1

Usuarios a los que se les mostró un bloque de recomendaciones sin una barra deslizante.

Grupo 2

Usuarios a los que se les mostró un bloque de recomendaciones con una barra deslizante estándar.

Grupo 3

Usuarios a los que se les mostró un bloque de recomendaciones con una barra deslizante con desplazamiento automático después de 10 segundos. 

Grupo 4

Grupo de control que no vió ninguna de las recomendaciones.

Conclusiones

La tecnología empleada por Retail Rocket en esta ocasión -que no empleó recursos de IT ni requirió de un periodo de implementación excesivamente largo- logró aumentar la conversión en un 8,4% en las páginas de categorías.

Para Krista Gerhartl, Manager del eCommerce THR, la tecnología de Retail Rocket y su personalización directa de productos logró facilitar y acelerar el proceso de compra de sus clientes: A través del método de trabajo de Retail Rocket, todos los datos pueden interpretarse con bastante rapidez y precisión. Esto ha resultado en sugerencias que son relevantes para nuestros clientes, lo que facilitó y aceleró su proceso de compra”.

Mantente informado de las noticias más relevantes en nuestro canal de Telegram