Jeden sklep – wiele twarzy. Wnioski z badania różnych wariantów interfejsu sklepu internetowego

Podczas tworzenia interfejsu sklepu internetowego niejednokrotnie pojawiają się pytania o to, jak ma wyglądać któryś z elementów, który wariant jest lepszy, który da lepszą konwersję, a który poprawi użyteczność strony. Najczęściej chciałoby się odpowiedzieć, że to zależy od grupy użytkowników, bo tych jest wielu i każdy ma inne oczekiwania. Software house Fast White Cat sprawdził to w ramach projektu „Autoadaptacja interfejsu sklepu internetowego do wymagań i zachowań klientów”1.

Większość sklepów internetowych wygląda dla każdego tak samo. Czasem zalogowany użytkownik widzi inny baner lub zmienioną cenę. Tymczasem klienci są różni, różnie zachowują się na stronie WWW i podążają do celu różnymi ścieżkami. Dlaczego zatem interfejsy nie odpowiadają ich zachowaniom i nie różnią się np. ułożeniem bloków, umiejscowieniem czy wielkością wyszukiwarki, dopasowaniem filtrów, zakładkami na karcie produktu, ścieżką finalizacji zakupu w checkoucie? Odpowiedzi mogą być dwie:

funkcja ta nie jest dostępna na żadnej z najpopularniejszych platform e-commerce,
nie wiadomo, którym klientom należałoby pokazywać konkretny wariant interfejsu.

W Fast White Cat, software housie zajmującym się wdrożeniami Magento, zmierzyliśmy się z tymi problemami w ramach projektu „Autoadaptacja interfejsu sklepu internetowego do wymagań i zachowań klientów”. Poznaj wnioski z pierwszych badań.

Słuchaj „Marketer+” Podcast

Największe wyzwania

Podczas analizy możliwości wprowadzenia różnych wariantów interfejsu sklepu internetowego pojawia się wiele pytań i wyzwań. Największe to:

„Jak połączyć zbieranie informacji o zachowaniach użytkowników sklepu z RODO oraz zgodami udzielonymi przez klienta?”,
„Jak grupować użytkowników, aby na podstawie podobieństw w ich zachowaniach móc przygotować różne warianty interfejsu?”,
„Jak dostarczyć użytkownikom różne warianty interfejsów w ramach platformy Magento?”,
„Jak weryfikować, czy interfejs przeznaczony dla grupy użytkowników jest lepszy (a może gorszy) od interfejsu standardowego?”.

Aby zrozumieć, jak zachowują się użytkownicy sklepu internetowego, trzeba zbierać informacje o tym, co w sklepie robią, z których funkcji korzystają i jakimi ścieżkami się poruszają. Tyle tylko, że nie wystarczy, aby te informacje zostały zapisane – trzeba je jeszcze przyporządkować do konkretnego klienta, a przy tym jednoznacznie go zidentyfikować, ale jednocześnie nie naruszyć jego prywatności (chronionej m.in. przez RODO).

Zbieranie danych

Aby pogodzić te wymagania, postanowiliśmy oprzeć się na trzech tokenach:

deviceToken – identyfikator urządzenia, generowany na podstawie specyficznych cech tego urządzenia oraz oprogramowania, z którego korzysta klient,
customerToken – identyfikator klienta sklepu internetowego, generowany w sposób, który gwarantuje jego anonimowość,
lastCustomerToken – identyfikator pomocniczy, wykorzystujący zanonimizowane dane z formularzy wypełnionych przez klienta.

W czasie zbierania danych o zachowaniach użytkowników tokeny przypisywane są do zarejestrowanych akcji klienta, dzięki czemu możliwa jest analiza tego, w jaki sposób konkretny konsument korzysta ze sklepu. Dane zbierane są podczas całej sesji użytkownika, zatem finalnie istnieje możliwość odtworzenia jego kolejnych działań, ale bez naruszania prywatności.

Analiza danych z pomocą AI

Zbieranie danych to dopiero pierwszy krok do osiągnięcia celu. Kolejnym jest ich analiza. Biorąc pod uwagę liczbę zarejestrowanych akcji użytkownika, łatwo dojść do wniosku, że jest ona zbyt duża, aby była możliwa do efektywnego przetworzenia przez człowieka. Postanowiliśmy więc wykorzystać sztuczną inteligencję.

Na wstępie pojawił się jednak dylemat: skoro istnieje wiele metod AI, które mogłyby pomóc pogrupować klientów według podobieństwa ich zachowań, którą z nich wybrać.

Po wstępnej selekcji skoncentrowaliśmy się na czterech podejściach:

algorytm k-średnich (k-means, algorytm centroidów),
DBSCAN (density-based spatial clustering of applications with noise),
BIRCH (balanced iterative reducing and clustering using hierarchies),
algorytm klastrowania aglomeracyjnego.

Ich przydatność zweryfikowaliśmy na podstawie zebranych danych o zachowaniach użytkowników sklepu internetowego. Uzyskane rezultaty pozwoliły stwierdzić, że największy potencjał drzemie w metodach klastrowania aglomeracyjnego i k-średnich.

Po wyborze sposobu grupowania dokonaliśmy podziału użytkowników według podobieństwa zachowań w sklepie. Dodatkowo dla jednej z grup – na podstawie zachowań klientów do niej należących oraz wiedzy eksperckiej – przygotowano specjalny interfejs.

Dopasowany interfejs – więcej niż fanaberia

Taki interfejs wymaga jednak mechanizmu, który pozwoli na pokazanie go konkretnym, wskazanym przez AI, użytkownikom. Jego implementację, w ramach platformy Magento, przeprowadzono w sposób umożliwiający elastyczne użycie – w tym również w przypadku sklepów, których wielkość nie pozwala na zebranie wystarczającej ilości danych, niezbędnych do przetwarzania aktywności klienta z wykorzystaniem metod sztucznej inteligencji. Przygotowane rozwiązanie łączy użytkownika sklepu internetowego z wariantem interfejsu, dzięki czemu – do czasu ewentualnego następnego przypisania – osoba ta dostaje ten sam interfejs i nie doświadcza zaskakujących zmian wyglądu sklepu w ramach pojedynczej sesji.

Zapamiętaj

Różne warianty interfejsu pozostaną jednak tylko ciekawostką lub fanaberią, jeśli nie niosą konkretnych korzyści dla właściciela sklepu, dla którego zazwyczaj najistotniejszy jest wskaźnik konwersji. Zatem aby zbadać, czy wdrożenie się opłaca, można sprawdzić, czy:

grupa klientów otrzymujących dopasowany interfejs konwertuje lepiej niż klienci ze standardowym interfejsem,
grupa klientów otrzymujących dopasowany interfejs konwertuje lepiej niż wtedy, kiedy korzystała ze standardowego interfejsu.

Na potrzeby tej analizy przygotowano miary agregujące pożądane zachowania klienta w sklepie (ze strony głównej: przejście na kartę produktu albo do listingu, z listingu: przejście na kartę produktu, z karty produktu: dodanie do koszyka), ale też zachowania neutralne (przejście z karty produktu na inną kartę produktu).

Po przygotowaniu tego narzędzia pozostało już tylko sprawdzić, w ramach proof of concept, czy przez zaangażowanie AI w analizę zachowań użytkowników oraz zaoferowanie dopasowanego interfejsu grupie wybranej przez sztuczną inteligencję można zwiększyć wartości miar związanych ze wskaźnikiem konwersji.

Milion rekordów, czyli droga do weryfikacji tezy

Wdrożenie pilotażowe mechanizmu dostarczania dopasowanego interfejsu na bazie analizy zachowań i grupowania użytkowników metodą klastrowania aglomeracyjnego trwało od lipca do grudnia 2022 r. W tym czasie zebrano około miliona rekordów zawierających informacje o zachowaniu kilkunastu tysięcy unikalnych użytkowników. Część danych potraktowano jako dane badawcze, część posłużyła do weryfikacji tezy, że dopasowany interfejs użytkownika może zwiększyć konwersję w sklepie internetowym.

Pierwszym krokiem była analiza danych badawczych w celu grupowania klientów sklepu według ich zachowań. Na tej podstawie wytypowano 4728 użytkowników, którym – w okresie porównawczym – dostarczano dopasowany interfejs.

Na potrzeby weryfikacji i analizy wyników wybrano dwie miary – SCO1, opierającą się jedynie na zachowaniach pożądanych, oraz SCO2, która dodatkowo uwzględniała zachowania neutralne.

Wartości obu miar okazały się wyższe w okresie, w którym dostarczany był dopasowany interfejs, niż w okresach porównawczych. Różnica wynosiła od 56% do 85% (w zależności od okresu i miary), co stanowi zachętę do dalszego rozwoju mechanizmu dostarczania dopasowanych interfejsów klientom sklepów internetowych.

Dalsze plany

W związku z tym, że wyniki pierwszych badań zdają się potwierdzać postawioną tezę, prace badawcze i rozwojowe są kontynuowane. W kolejnych miesiącach planujemy m.in.:

opracowanie mechanizmu losowego dostarczania wariantów interfejsów klientom niezalogowanym, co pozwoli na wykorzystanie mechanizmu do automatyzacji testów A/B (z użyciem sztucznej inteligencji, ale opcjonalnie też niezależnie od metod AI),
automatyzację generowania grup użytkowników i ich dynamiczną modyfikację na podstawie bieżących danych,
doskonalenie narzędzi do analizy zachowań klientów w ramach grup wskazanych przez metody sztucznej inteligencji oraz narzędzi do wyliczania miar weryfikujących wpływ dopasowanego interfejsu,
zweryfikowanie efektywności alternatywnej metody klasteryzacji (algorytmu k-średnich).

Wartości miar opisujących zachowania użytkowników z dopasowanym interfejsem w trzech okresach badawczych

Korzyści dla właścicieli e-sklepów

Z punktu widzenia właściciela sklepu internetowego mechanizm autoadaptacji interfejsu umożliwi automatyczną weryfikację pomysłów na wygląd interfejsu użytkownika, ale przede wszystkim pozwoli dostarczać różnym grupom klientów (dobranym przez AI albo przez menedżera e-commerce) warianty interfejsu dostosowane do ich zachowań lub oczekiwań. Wszystko po to, aby korzystanie ze sklepu było łatwiejsze, przyjemniejsze, a w konsekwencji przynosiło wyższą konwersję, większe przychody i zyski.