Поведенческие паттерны пользователей на сайте и их влияние на выбор способа доставки

Но какой способ доставки выбирают именно ваши пользователи и, главное, почему? Например, почему пользователи, попадая под условия бесплатной доставки курьером, все равно едут в пункты самовывоза и забирают заказ самостоятельно? Почему пользователи готовы оплатить услугу курьером в 300 рублей, но не готовы дозаказать товар ровно на эту сумму на сайте и в результате получить доставку курьером на бесплатной основе? Что влияет на выбор пользователя – неосведомленность об условиях заказа? Непонимание формирования конечной цены заказа? Прорабатывать такие вопросы полезно и важно. Формируя и проверяя различные гипотезы, со временем вы найдете самое оптимальное решение, которое подходит именно вашим клиентам, что повлечет за собой сокращение процента брошенных корзин или заказов, и поможет наладить логистику.

Поэтому в этой статье мы расскажем о том:
1. как с помощью простых настроек можно получить дополнительные знания о вашей аудитории;
2. с какими данными можно комбинировать полученные знания с целью выявления паттернов поведения аудитории (на примере «Яндекс.Карт», среднего пассажиропотока в метро, размеру ТРК);
3. как быстро выявлять и формировать гипотезы и, главное, каким образом их проверять;
4. какие возможности дают дополнительные знания о вашей аудитории с точки зрения сегментации и персонализации аудитории, как это использовать при рекламных размещениях;
5. как можно гибко отладить логистику, формируя четкое понимание о потребностях ваших клиентов.
Условия получения заказа в интернет-магазинах абсолютно разные и каждый из них имеет, как плюсы, так и минусы. Но не стоит забывать, что условия способа доставки, как ни что иное, влияют на принятие решения о покупке.

То, что пользователи активно интересуются описанием условий доставки и оплаты – нет никаких сомнений. Ниже представлена статистика по количеству сеансов, в ходе которых пользователи интересовались условиями доставки в разделах «Доставка», «Доставка и оплата», «Условия доставки» различных интернет-магазинов:

Рис.1 Уникальные просмотры страниц с условиями доставки (период – 3 месяца)

Важно понимать, что вопрос способов доставки актуален в сфере всего онлайн-шоппинга, независимо от товаров, которые предоставляют интернет-магазины. По этой причине необходимо тщательно:

— изучать спрос (например, если заказывают только доставку курьером, то почему);
— изучать потребность (если на сайте есть вариант доставки до постомата, но им не пользуются, то зачем он используется в ИМ);
— оценивать, насколько удобен тот или иной способ доставки (доставка курьером, например, одной книги не должна превышать стоимости самого товара);
— отслеживать поведение пользователей на сайте (как при выборе способа доставки ведут себя пользователи – выбирают тот вариант, что стоит по умолчанию или меняют свой выбор).

Конечно, какой способ доставки чаще всего выбирают пользователи, можно увидеть в CRM, но такой блок данных не совсем подходит для структурированного, постоянного и глубокого анализа. Для полного и гибкого анализа данных рекомендуется использовать специально созданные для этого инструменты. Это могут быть бесплатные инструменты, как «Яндекс.Метрика», так и Google Analytics. Настроив в дополнение к расширенной электронной торговле передачу дополнительных параметров, появится возможность получать колоссальное количество дополнительной информации о ваших клиентах. Ниже приводится пример настроенной передачи данных в Google Analytics, эти данные автоматически в систему не попадают и требуют дополнительной настройки:

Рис.2 Пример кастомного отчета в GA с передачей дополнительных параметров

Настроить можно все параметры заказа, которые есть на странице корзины. Это могут быть:

• способ оплаты;
• способ доставки;
• способ заказа;
• адрес доставки;
• название и адрес пункта самовывоза;
• заказ дополнительной услуги (аренда оборудования, вывоз мусора);
• время доставки.

Это может быть абсолютно любая информация – если она есть на странице корзины или на странице заказа – используйте ее. Только за счет кропотливого сбора данных у вас появится возможность лучше понимать вашу аудиторию и разговаривать с ней на языке ее потребностей.

Настройка отслеживания

Для того, чтобы со страницы корзины или страницы оформления заказа передавать дополнительные параметры в Google Analytics, необходимо выполнить три шага настройки.

Шаг 1. Настройка параметров в Google Analytics
Для начала необходимо в дополнительных параметрах Google Analytics создать параметры, отвечающий передаче дополнительных данных. Эти данные, как правило, расположены на странице оформления заказа.

Рис.3 Пример настройки передачи дополнительных параметров в GA

Шаг 2. Настройка параметров в модуле расширенной электронной торговли
В плагин электронной торговли, который отвечает за передачу транзакционных данных, необходимо внедрить те параметры (в соответствии с номерами), которые прописаны в Google Analytics (шаг 1)

Рис.4 Пример настройки передачи дополнительных параметров в модуле электронной торговли

Шаг 3. Настройка передачи параметров в Google Tag Manager
Если плагин электронной торговли стоит через GTM, то в тег события, которое отвечает за передачу транзакционных данных, необходимо вписать те параметры, которые вписаны в параметрах Google Analytics и коде сайта:

Рис.5 Пример передачи дополнительных параметров при передаче данных о транзакции в GoogleTagManager

В результате корректно настроенной передачи данных в консоли появится несколько дополнительных строк, которые и укажут на то, что все данные передаются в необходимый счетчик Google Analytics.

Рис.6 Пример передачи дополнительных параметров при передаче данных о транзакции в GoogleAnalytics

Но какую информацию можно получить из тех данных, что приводятся на рис.6? Да, безусловно, можно агрегировать данные и сравнить между собой (курьер vs самовывоз), но, во-первых, этого будет недостаточно для принятия каких-либо решений, во-вторых, этого будет мало для понимания потребности и выбора ваших пользователей.

Практическое применение данных: исследования поведения аудитории и ее предпочтений

Ниже мы приведем пример того, с какими данными можно комбинировать полученные знания с целью выявления нетривиальных паттернов поведения аудитории. Все данные изменены и не являются реальными, но приближены к достоверным значениям. В основе примера лежит подход, который применим к большинству интернет-магазинов.

Предположим, на рынке есть интернет-магазин мелкой бытовой техники. Средний чек на сайте составляет 3 650 руб.  Из условий доставки ИМ предоставляет доставку курьером (бесплатная от 4 000 руб.) – доставка осуществляется в любой район города и за пределы КАД, стоимость доставки рассчитывается, исходя из адреса, который пользователь указывает при оформлении заказа. Второй способ доставки, который предлагает ИМ, –   самовывоз из фирменного магазина (всегда бесплатно). По городу разбросано 45 фирменных магазинов.

Получив первые результаты за n период времени и проанализировав их, получились следующие данные:

80% пользователей выбирает способ доставки – самовывоз. 40% из них попали под условия бесплатной доставки курьером, но при этом всё равно поехали забирать товар самостоятельно.

Первый вопрос, который возникает при полученных результатах – почему? Почему пользователи выбирают самовывоз – это ведь бытовая техника: это как минимум габаритная коробка в заказе с чайником, вентилятором или утюгом – ехать с такой коробкой самостоятельно не так удобно.  А если два товара в заказе – еще неудобнее.  А если три? Как правило, это, конечно, один товар в заказе, поэтому, возможно, пользователям просто удобнее забрать товар по дороге с работы, чтобы не подстраиваться под часы приезда курьера?

Выдвинув эту гипотезу, мы решили ее проверить, найдя ответ на следующий вопрос, – как привязаны эти пользователи к инфраструктуре?

Чтобы понять, на сколько сильно пользователи привязаны к инфраструктуре, мы прошли следующие шаги:
1.  Для удобства работы с данными таблицу с пунктами самовывоза, которые с сайта забираются в значениях адреса (dimension 10, рис.6), перевели в значения названий Торговых комплексов (ТК) и Торгово-развлекательных Комплексов (ТРК), в которых и находятся пункты самовывоза.

2. Добавили к данным по ТК и ТРК данные по расположению комплексов в зависимости по удаленности от ближайшего метро. Конечно, у одного Торгового Комплекса могут быть несколько станций метро – мы брали ближайшую (мерная шкала – метры)

3. Наложили ID заказов, которые были оформлены на сайте и забраны из определённых пунктов самовывоза, на агрегированные данные по названиям ТК/ТРК и удаленности от метро.

То, что мы увидели на графике, не позволило сделать нам определенных выводов о паттернах поведения пользователей и о влиянии удаленности от ближайшей станции метро на их выбор:

Рис.7 Отсутствие корреляции покупок в зависимости от удаленности пункта самовывоза от метро

Если левая часть позволяет нам сделать вывод о том, что, чем ближе пункт выдачи к метро – туда пользователи и едут забрать товар (до 1,2 от метро), то средняя и правая части графика вводят в заблуждение. Поэтому, чтобы проверить гипотезу о влиянии инфраструктуры на выбор пользователя была предпринята попытка выявить и влияние размера ТРК на выбор пользователя – возможно, пользователи едут в крупные Торговые центры с целью совершения основных покупок, где второстепенной целью и является получения оформленного на сайте заказа, то есть посещение ТРК не является единственной целью его посещения.

Для этого нам понадобилось:
1. Агрегировать данные по ТК и ТРК, сопоставив их по размерам (м2)
2. Наложить ID заказов, которые были оформлены на сайте и забраны из пунктов самовывоза, на агрегированные данные по названиям ТК и их масштабу, а также по удаленности от метро.

Благодаря полученным данным мы пришли к выводу о том, что пользователи чаще выбирают оффлайн магазины, которые расположены наиболее близко к метро (до 1,2 км), но при этом размер ТК значения не имеет:

Рис.8 Пример наложения на график данных по транзакциям в разрезе данных по названию ТК, его размеру и удаленности от метро.

Поскольку каждый торговый центр мы «привязали» к определенному метро (ближайшее по удаленности на Яндекс.Картах), то появилась необходимость анализа данных по объему пассажиропотока станций метро. Очевидно, что в городе много станций метрополитена и все они обсуживают абсолютно разное количество пассажиров в сутки. Возможно, статистика по бронированию товара в определенных пунктах самовывоза диктуется не выбором пользователя в зависимости от каких-либо факторов и условий, а просто эти точки находятся вблизи наиболее оживленных станциях метрополитена, которые в сутки обслуживают по статистике наибольшее количество пассажиров? Эту гипотезу мы тоже проверили. Для этого нам понадобилось:

1. Обратиться к статистике метрополитена (данные за месяц)
2. Наложить ID заказов, которые были оформлены на сайте и забраны из пунктов самовывоза, на агрегированные данные по названиям ТК и их удаленности от метро, а так по загруженности станций метрополитена (объем пассажиропотока в месяц):

Рис.9 Пример наложения на график данных по транзакциям в разрезе данных по названию ТК, его размеру, удаленности от метро и объему пассажиропотока этого метро.

Эти данные позволили нам прийти к выводу о том, что объем пассажиропотока в месяц влияет на объем покупок в пункте самовывоза, который находится не более чем в 1 200 метрах от него. Такого рода данные можно использовать при подключении геолокационной рекламы и гиперлокальном таргете, тем самым включая в список пользователей, которые находятся, например, в определенном ТРК или рядом с ним прямо сейчас или же регулярно посещают определенный ТРК или близлежащие объекты.

Практическое применение данных: А/Б тестирования

Если вернуться к нашим результатам исследования – 40% попали под условия бесплатной доставки курьером, но остальная часть пользователей, которая тоже поехала в пункты самовывоза, попала под условия платной доставки. Что покупали эти пользователи? Если бы мы повлияли на их заказ, и они попали под условия бесплатной доставки курьером, – воспользовались ли бы они этим предложением?

Проанализировав поведенческие характеристики пользователей, мы получили следующие данные:

Рис.10 Сводная статистика по доходу от покупок пользователей, кто не попал под условия бесплатной доставки

Напомним, что бесплатная доставка курьером начинается от 4 000 руб., а на графике видно, что пользователям в совокупности не хватает менее 1 000 рублей до попадания в число пользователей, которые могут воспользоваться услугой доставки курьером на бесплатной основе.

По статистике, данный сегмент пользователей совершает покупки, где в чеке есть наименование одного товара. В 25 % случаев пользователям не хватает менее 500 руб., но в действительности это товары, до бесплатной доставки курьером которых не хватает 100 руб., 10 руб., а то 1 руб. Происходит это за счет таких товаров, как чайники стоимостью 3 990 руб., обогреватели, стоимость которых составляет 3 999 руб. и т. д.  Поскольку это наиболее ходовые товары в ИМ, то факт влияния среднего чека покупки на условия доставки не рекомендуется оставлять без внимания.

Для того, чтобы проверить, как изменится поведение пользователей в зависимости от изменения итоговой суммы покупки, рекомендуется проводить различные А/Б тестирования.

А/Б тестирования могут быть различного функционала, но все они должны быть направлены на повышение среднего чека транзакции с целью попадания пользователей под условия бесплатной доставки курьером.

Например:
1. Определите группу востребованных и наиболее часто приобретаемых товаров, стоимость которых не попадает под условия бесплатной доставки курьером.
2. Определите товары, которые могут быть предложены в качестве дополнительных к каждому из товаров из определенной выше группы.
3. Стоимость дополнительного товара не должна превышать 500 руб. или стоимости условий платной доставки курьером.
4. Запустите А/Б тест карточки товара, где в качестве эксперимента будет участвовать товар + дополнительный к нему аксессуар, стоимостью ниже (или равной) платной стоимости доставки курьером.

Рис.11 Пример А/Б теста карточки товара – повышение среднего чека

Разного рода эксперименты можно проводить как в самом Google Analytics, так и в другом, специализированном продукте от Google – Google Optimize.

Рис.12 Пример А/Б теста карточки товара – повышение среднего чека

Такого рода тестирования можно проводить как в карточке товара, так и на странице корзины. Что касается страницы корзины, то рекомендуется для разных сегментов аудитории проводить различные тестирования. Например, если у вас на сайте по умолчанию стоят все заполненные графы, и пользователи при заказе их не изменили, рекомендуется провести А/Б тест с этими элементами для данного сегмента аудитории с целью замера, как повлияет спрос на способ доставки в зависимости от ручного управления полями:

Рис.13 Пример элемента сайта для потенциального А/Б тестирования

Еще одним вариантом А/Б тестирования может быть следующий вариант: группа пользователей А купила на 5000, но поехала в пункт самовывоза сама, хотя попала под условие бесплатной доставки. При следующем касании с сайтом этой группе пользователей можно в варианте страницы корзины предложить плюшку при самовывозе – таким образом компания может работать над увеличением лояльности ценных клиентов. Для группы Б – те пользователи, кто заказывает только курьера бесплатно, им можно показывать вариант страницы корзины типа Б, где будет предложен курьер на бесплатной основе не от 4 000 руб., а от 2 000 руб.

Таким образом, проводя различные А/Б тестирования, появится возможность:
1. сегментировать аудиторию на различные паттерны поведения;
2. информировать каждый сегмент аудитории по отдельности разными способами об условиях доставки в зависимости от их паттернов поведения (пользователи, которые прежде покупали у вас на сайте через корзину – напомните им об условиях доставки в корзине, а новым пользователям – прямо в карточке товара (как показано в примере рис.11));
3. выявлять наиболее удобные и короткие конверсионные пути до заказа на сайте;
4. выявлять наиболее удобные способы доставки для каждого сегмента;
5. влиять на увеличение среднего чека заказов, делая вашу аудиторию еще более лояльной.

Практическое применение данных: сегментирование аудитории

Что касается сегментации пользователей, то, настроив несколько дополнительных параметров на сайте, у вас так же появится возможность экспериментировать с различным функционалам систем. Например, разделив аудиторию на два крупных кластера – выбирающих при заказе только курьера, или только самовывоз – можно протестировать ремаркетинг в Google AdWords на сумму брошенной корзины:

Рис.14. Пример списков ремаркетинга на брошенную корзину с ранжированием по сумме чека в GoogleAnalytics.

Если ваша аудитория покупает в интернет-магазине часто и вы знаете ее предпочтения по продуктам, среднему чеку и доставке, то к подобному роду знаниям можно постепенно добавлять эксперименты в виде тестирования нестандартных списков ремаркетинга. Например, если мы понимаем, что какой-то сегмент аудитории бросил корзину с недобором в сумме до бесплатной доставки, то делаем объявления только под них и показываем им информацию о бесплатной доставке в определенный период с подходящим уровнем управления ставками.

С помощью таких экспериментов также можно возвращать аудиторию по ценовому приоритету:

Рис.15 Пример расставления приоритета по сегментам в зависимости от суммы брошенных корзин

Ремаркетинг на тех, кто «добавил в корзину НА СУММУ, но не купил» позволит:
1. подбирать условия под сегмент и приоритет сегмента;
2. прогнозировать доход с каждого сегмента аудитории;
3. группировать объявления по категориям товаров;
4. управлять ставками и оптимизировать рекламные бюджеты под каждый тип пользователей.
Таким образом, через рекламные каналы появится возможность «общаться» с вашей аудиторией с выгодой для вашего бизнеса и клиентов.

Практическое применение данных: логистика

В онлайн-ритейле логистика делится на три основных блока: движение товаров от поставщика, хранение на складе и перемещение со склада к покупателю. Поскольку в статье рассмотрен материал с точки зрения удобства перемещения товара со склада до покупателя только глазами потребителя, то хотелось бы в заключении затронуть вопрос логистики и посмотреть на него глазами управляющих компании.

Маленький интернет-магазин с небольшими объемами продаж, как правило, старается справиться с логистикой собственными силами. Когда заказы исчисляются сотнями – появляется потребность в сторонних логистических сервисах. Если интернет-магазин превращается в гиганта, ему выгоднее выстраивать собственную логистику и даже покупать логистических операторов.

Для вариантов, акцент на которые делается в статье, подойдут такие уровни доставки как аусорсинговая и собственная доставка для способа доставки курьером, и точки выдачи для способа доставки в пункт самовывоза. Но все они имеют как свои плюсы, так и свои минусы.

Например, если для вашего бизнеса используется такой способ доставки как самовывоз, то тут одним из плюсов будет являться возможность допродажи товара на месте. Плюсом будет являться и управление запасами в точках пунктов самовывоза для фирменных магазинов. Но в противовес этих плюсов есть риски высокого процента невыкупленных заказов – однако такой весомый минус скрывает в себе определенные сигналы для бизнеса в целом (пользователь не готов ждать предложенное количество дней, что позволит выявить оптимальный срок ожидания для ваших клиентов). А самовывоз, например, из пункта выдачи партнеров ведет к ряду сложностей: затраты на денежные и человеческие ресурсы, непрозрачная система мотивации для сотрудников, установка KPI сотрудников и т. д.  Но, как правило, способ доставки самовывозом при прочих равных обходится дешевле для интернет-магазина – не нужно тратиться на логистику до покупателя, а, наладив внутренние процессы, вы сделаете его приемлемым для бизнеса в целом. Такие же плюсы и минусы будут на весах и при ближайшем рассмотрении остальных способов доставки. Доставка курьером, например, будет обходиться компании дороже (за счет ресурсов на персонал (водители/грузчики, на автопарк (амортизация/лизинг)), при аутсорсинговой доставке появятся риски для имиджевой составляющей компании с точки зрения человеческого фактора наемных сотрудников. Однако при данном типе доставки, скорее всего, будет наблюдаться сокращение невыкупленных заказов, поскольку такие заказы более тщательно прорабатываются и согласуются с клиентами.