Rekabetin zaten çok yüksek olduğu günümüz koşullarında, sadece müşterilerin dikkatini çekmek değil, aynı zamanda onların ilgisini devam ettirmek ve sitenizin/mağazanızın/ürünlerinizin sadece onlar için yaratıldığını hissetmelerini sağlamak da bir başka zorluk olarak karşımıza çıkıyor. Markalardan da artık, daha fazla satış ve marka sadakati için her temas noktasında kişiselleştirilmiş ürün tavsiyeleri (personalized product recommendations) ile ilginç, zengin ve hedeflenmiş bir müşteri deneyimi sunması bekleniyor.

Kişiselleştirilmiş ürün tavsiyesi, tabii ki içgüdüsel bir his değil. Bu tavsiyelere ulaşmak için algoritmalar müşteri satın alma davranışı, ilgi alanları, hobileri, görüntüleme geçmişi, sosyal medya üzerindeki hareketleri vb. gibi birçok veri kaynağını birleştiriliyor.  Bunlara ilaveten, hedefli ve ilgili ürünler/hizmetler sunabilmek için markalar müşteri benzerliklerini ve diğer müşterilerin davranışlarını da dikkate alıyor.

Bu kavramı daha derinden anlamak ve bunun günlük hayatımızda aslında nasıl yoğun bir şekilde yer aldığını kavramak için kişiselleştirilmiş tavsiyeler içeren bazı kullanım örneklerine ve kullanım örneklerine (use case) göz atalım:

Amazon

Sözlükte “kişiselleştirilmiş ürün tavsiyeleri”nin karşılığına baktığımızda tanım olarak Amazon’u görsek herhalde çok da şaşırmayız. Amazon, gelirlerinin dikkate değer bir kısmını (hatta tam olarak %35’ini) ürün tavsiyelerini satın alma sürecinin neredeyse her bölümüne uygulayarak elde ediyor.   

Amazon, çeşitli davranışları izlemek için milyarlarca veri noktasına sahip ve tavsiyelerin başarılı olup olmadığını hızlıca test edebiliyor. Satın alma geçmişi, alışveriş sepetindeki ürünler, alışveriş sepetini terk etme geçmişi, istek listesi, ürün puanlamaları gibi kullanıcı davranışlarını kullanıp,  diğer kullanıcıların davranışları ve tercihleriyle bu verileri harmanlıyor. Buna ek olarak başarıları, müşterilerin yanıt verme olasılıklarının en yüksek olduğu yerlerde, otomatik olarak üretilen tavsiyelerin verilmesinde de yatıyor. Bu, ürün sayfalarında, alışveriş sepetinde veya özel indirim ve kategori sayfalarında karşımıza çıkabiliyor.

Oturum açtığınız andan itibaren Amazon sizi bazı kişiselleştirilmiş tavsiyelerle karşılıyor:

a.Alışveriş trendlerinize uygun tavsiyeler: Bu tavsiyeler sizin alışveriş trendlerinizi baz alıyor. Örneğin, bir yoga matı satın aldığınız zaman aşağıdaki ürünler karşınıza çıkıyor;

b. Görüntülediğiniz ürünlere uygun tavsiyeler:  Bu tavsiyeler daha önce baktığınız ürünleri baz alıyor:

c. Ayrıca, Amazon ana sayfasında bazı kategorilerdeki en çok satanları ve size özel tavsiyeleri de gösteriyor.

Amazon, siz bir ürün detay sayfasındayken satın almayı seçtiğiniz ürünle bağlantılı ek ürünler/aksesuarlar önererek çapraz satış yöntemini kullanıyor. Örneğin, bir kozmetik ürünü satın alıyorsanız (aşağıdaki gibi), size “görünümü tamamlamak için” birlikte kullanılabilecek diğer ürünleri gösteriyor.

Hala mı sepetinize bir şey eklemiyorsunuz? Belki de baktığınız ürüne bakan diğer müşteriler tarafından görüntülenen başka ürünlere göz atarsanız fikriniz değişebilir. (Aşağıdaki gibi)

Amazon, bir ürünü satın aldığınızda da benzer bir tavsiye yöntemi kullanıyor (Bu ürünü satın alan müşteriler bunları da satın aldı). Yani, akıllı tavsiye motorları, diğer müşteriler gösterilen ürünleri bir arada aldıkları için sizin de hoşunuza gidebileceğini tahmin ediyorlar.

Amazon’un tavsiyeleri, kullanıcıların alışveriş davranışları üzerinde oldukça büyük bir etkiye sahip. Bir müşteriye gerekli ürünleri hatırlatarak kişisel asistan gibi davranıyorlar ve bir sonraki satın almaları gereken ürün konusunda müşterilerin bir nevi zihinlerini okuyorlar. Sonuç olarak, bu ispatlanmış tavsiye yöntemleri e-ticaret sitelerinin çoğunda çok yaygın olarak kullanılıyor.

Netflix

En büyük kişiselleştirilmiş streaming hizmeti olan Netflix, yalnızca kişiselleştirilmiş ürün tavsiyesinin ilk ve başarılı benimseyicilerinden değil, aynı zamanda kullanıcılarının beğeneceği programlar oluşturmak için Büyük Veri (Big Data) de kullanıyor.

Netflix algoritmaları, kullanıcının tür (genre) tercihlerine, puanlamalarına, son görüntülenen içeriklere, geri bildirimlere ve diğer etkileşimlere veya çeşitli kullanıcı anketleri vasıtasıyla doğrudan alınan geri bildirime dayalı olarak kullanıcıya ana sayfasında içerik gösteriyor. Hatta Netflix, kişiselleştirme algoritmalarını uyarlamasının sonucu olarak, şimdi kullanıcılarının izledikleri programların %75’inin tavsiyeler sonucu gerçekleştiğini söylüyor.

Yukarıda bahsettiğimiz klasik ortak ürün tavsiyesi kullanımını artık yeterli bulmayan Netflix, kullanıcıların içgörülerini analiz edip TV dizisi House of Cards’ın Amerika versiyonunu yaratarak bunu bir adım öteye taşıdı. David Fincher’ın yönettiği, Kevin Spacey’nin oynadığı dizi (çok beğenilen bir yönetmen ve oyuncu ikilisi ve senaryosu da ayrıca eskiden popüler olan bir İngiliz dizisine dayanıyor) şaşırtıcı olmayacak şekilde IMDB’de 9/10 puan almayı başardı.

Bu nedenle, böyle güçlü bir tavsiye motoruna ve kullanıcı içgörülerine sahip olmanın, kullanıcıların Netflix’te içerik akışı sağlamak için harcadıkları süreyi sürekli olarak artırdığını kolayca söyleyebiliriz.

LinkedIn

İş dünyası ve istihdam odaklı networking sitesi LinkedIn, çoğumuzun da bildiği üzere ilgilenebileceğiniz işlere, takip edebileceğiniz şirketlere/gruplara ve tanıyabileceğiniz kişilere göre öneriler sunuyor.

450 milyonun üzerinde kullanıcısıyla, kullanıcıların 1. derecedeki bağlantılarına referans olmalarına olanak sağlayan “tavsiye et” ve 1. derece bağlantılarından referans istemelerine olanak sağlayan “tavsiye iste” gibi özelliklere de sahip.

Helly Hansen

Yelken, su sporları, kayak ve yağmur ürünleri temin edebileceğiniz bir spor giyim markası olan Helly Hansen’ın hava tahminlerini kendi önerileriyle eşleştirerek coğrafi hedefleme temelli ürün tavsiye etmek gibi ilginç bir yaklaşımları var. Örneğin, Almanya’da bir haftalık yağmur tahmini varsa ana sayfaları bu süre zarfında yağmurluk gösteriyor. Bu tavsiyeler sayesinde %170 dönüşüm oranı (conversion rate) ve yeni kullanıcılar arasında %52 dönüşüm oranı yakalamayı başardılar.

DXL

Büyük beden erkek giyim satan DXX, daha az alışılmış bir şekilde ürün tavsiyelerini kullanıyor. Çevrimiçi prova ve beden bulma araçlarını (online fitting and finding tools)  kullanarak müşterileri için bir mağaza içi deneyim sağlıyorlar. Basitçe anlatmak gerekirse, bir müşteri ayarlardan bu özelliği kapatmadığı sürece beden tahmin motoru kullanarak sadece kendi bedenine uyan ürünleri görüyor.

Son olarak, Google, Facebook, Twitter, Hulu, Spotify vb. gibi diğer büyük oyuncuların da kişiselleştirilmiş ürün tavsiyesi algoritmalarını standart bir unsur olarak sürekli kullandıklarını söylememize gerek yok.

Kişiselleştirilmiş Ürün Tavsiyelerinin İşletmelere Olan Etkisi

Kullanım örneklerinin kanıtlanmış sonuçlarından da görmüş olduğumuz gibi, kişiselleştirilmiş ürün tavsiyelerinin sayısız avantajı mevcut.

1. Müşteri Davranışı ve Tercihleri Üzerine İçgörü Elde Etmek: Kişiselleştirilmiş tavsiyeler; satın alma, sayfa görüntüleme ve beraber satın alınan/ görüntülenen öğeler gibi kullanıcı davranışlarına dayandığından, gerçek müşterilerin tercihlerine ve daha önce dikkate almamış olabileceğiniz ürün eşleşmelerine ilişkin size daha derin ve detaylı bilgi sağlarlar.
2. Daha İyi Bir Kullanıcı Deneyimi: Kullanıcılara kişiselleştirilmiş ve alakalı ürünler gösterilmesi, onları sitenizi arama ve keşfetmenin güçlüklerinden kurtarır ve ihtiyaç duydukları şeyleri kolayca görmelerine olanak tanır.
3. Satışları Artırmak: Kişiselleştirilmiş tavsiyelerin sepete ne ekleneceği konusunda büyük bir etkisi olabilir. Çapraz satış ve satış arttırma (upselling) yöntemleriyle birleştirildiğinde Ortalama Sipariş Değeri ve Sipariş Başına Öğe Sayısını artırmaktadır. Basit bir deyişle, müşterilere ilgili ürünler sunulduğunda, müşterilerin ürün ekleme olasılığı daha yüksektir. Bir MarketingSherpa anketi, dünya çapındaki web sitesi geliri ortalamalarının %12’sinin ürün tavsiyelerinden elde edildiğini belirtmiştir.
4. “Tarayıcıları” “Müşterilere” Dönüştürme: Kişiselleştirilmiş ürün tavsiyeleri, sürekli ilgili ürünler sunarak bir şey satın almadan sitelerden çıkan müşterilerin oranını düşürür. Kişiselleştirilmiş e-postayla/pazarlamayla desteklenince, bu aynı zamanda gelecekteki satın almalar için müşteriyi elde tutma ve dönüşüm oranlarını da artırır.

Tavsiye sistemini bir işletmeye entegre etmenin avantajları büyük oyuncular tarafından zaten kanıtlandığından, ürün tavsiye motorları KOBİ’lerde de popülerlik kazanmaktadır. Tavsiye sistemleri, şirketlerin daha sofistike müşteri hizmetleri sunmasını ve rekabette güçlü bir avantaj sahibi olmalarını sağlayan en güçlü stratejilerden birisidir.