1. Resumen
Parece que la era de los correos electrónicos interminables e irrelevantes ha terminado, ya que empresas como Netflix y Amazon, entre otras, han mejorado su juego al centrarse en la personalización, lo que hace que los consumidores ahora esperen este tipo de servicios de empresas de todos los tamaños. Invertir en esto resulta en la construcción de mejores relaciones con los clientes al tiempo que mejora su experiencia. Un estudio de Accenture revela que el 91% de los consumidores expresaron que es más probable que compren en sitios web que ofrecen recomendaciones de productos personalizadas. Las recomendaciones de productos sugieren qué productos pueden resultar interesantes para el cliente. Proporciona sugerencias de artículos o contenido que un usuario específico desea comprar o interactuar. McKinsey estima que el 35% de lo que los consumidores compran en Amazon y el 75% de lo que ven en Netflix proviene de recomendaciones de productos. Empresas de diferentes áreas de la empresa están comenzando a implementar sistemas de recomendación para mejorar la experiencia de compra en línea de sus clientes, aumentar las ventas y retener a los clientes. La personalización en línea implica recomendaciones de productos personalizadas, ofertas, productos relacionados y más. Analizando datos sobre productos y usuarios, el sistema crea una conexión entre ambos. La búsqueda visual es uno de los últimos avances. Está dejando una huella, especialmente en el ámbito del comercio electrónico. Esto brinda sugerencias a los compradores sobre productos similares.
2. Las necesidades empresariales [Por qué la personalización y las recomendaciones]
La personalización y las recomendaciones (PnR) se están convirtiendo en una estrategia de participación imprescindible para las marcas en el viaje de los clientes hacia las conversiones. Las recomendaciones y los anuncios pueden integrarse en esta tecnología para una mayor personalización. Estos son los artículos en los que un cliente podría estar interesado, y se basan en las diversas tendencias de compra del cliente. Las recomendaciones permiten a los clientes encontrar rápidamente su lista de productos favoritos. Una vez que los minoristas tienen datos, les resulta más fácil proporcionar a los clientes lo que desean y cumplir con sus expectativas. Las marcas buscan formas de personalizar y recomendar en función de atributos del cliente como: ubicación del cliente, vistas recientes del cliente, recomendaciones basadas en el clima, historial de pedidos anteriores, artículos similares y de color similar.
3. Ofertas y soluciones de Happiest Minds
La solución de personalización de productos de Happiest Minds se basa en SAP Hybris Commerce. Esto ayuda en las recomendaciones de productos basadas en datos transaccionales disponibles internamente (datos de lealtad, datos geográficos y meteorológicos, etc.) a través de una llamada a una API diferente. La recomendación de productos proporciona recomendaciones de productos personalizadas y relevantes en tiempo real y está bien conectada con la API para responder de manera adecuada. Se pueden enviar campañas ad hoc de forma dinámica en función de la ubicación del cliente, el clima o cualquier evento. En la página de inicio del cliente se mostrarán recomendaciones de productos basadas en su clima y ubicación, como la ciudad, la región, etc. Los productos que se vuelven especialmente relevantes con cierto clima se muestran en la página de inicio del cliente, promocionando ropa de abrigo en un clima frío, paraguas si está lloviendo o tal vez soleado. El clima se considera en función del país del comprador y su código postal o ciudad. Se crearon nuevos componentes y servicios personalizados que se extienden desde SAP Commerce OOTB para recomendaciones automáticas de productos basadas en el clima y la ubicación local. Hemos integrado JS y servicios para recuperar datos del cliente en función de su ubicación actual. Los resultados precisos de geocodificación son una parte esencial de muchos procesos geoespaciales. Esta API le permite asociar latitud y longitud con una dirección asociada. El modelo de datos y el código de SAP Commerce se personalizan para acomodar la asignación de productos con el clima y la ubicación específicos. Recomendación de productos basada en el historial de transacciones y productos vistos recientemente: el historial de transacciones pasadas de los clientes es un dato vital para la personalización del contenido y para proporcionar las mejores recomendaciones posibles. Al tener datos de ventas o navegación históricos del cliente, también podemos recomendar algunos productos personalizados. Nuevamente, esta recomendación ayuda a los especialistas en marketing a conocer un poco más el comportamiento de sus consumidores. Muchas personas navegan por una gran cantidad de productos que no compran, y el historial de compras aprovecha una señal mucho más fuerte para hacer una recomendación de alta calidad. Las recomendaciones basadas en el historial de navegación también utilizan el filtrado colaborativo para sugerir artículos que han llevado a clientes con historias similares a comprar. Para los clientes recurrentes, una estrategia personalizada como “visto recientemente” permite promocionar rápidamente y de manera sencilla sus productos de interés anteriores. Se crearon componentes de carrusel en la página de inicio y en la página de productos con productos frecuentemente ordenados y productos vistos recientemente. Se personalizó la base de código de SAP Commerce para manejar la sesión del usuario y la lógica empresarial para recuperar los pedidos frecuentes del cliente. Se extendieron los servicios y componentes de la caja para renderizar varias recomendaciones de productos. Recomendación visual: la búsqueda visual utiliza imágenes del mundo real como estímulos para búsquedas en línea. Estas recomendaciones pueden funcionar perfectamente en la página de productos; cuando un comprador está buscando un producto específico, es lógico sugerir productos similares. La búsqueda visual permite a los minoristas sugerir artículos relacionados temática o estilísticamente a los compradores de una manera que les resultaría difícil hacerlo solo con una consulta de texto. A los compradores les gusta la imagen, pueden hacer clic en la imagen para encontrar productos similares. Estas recomendaciones similares ayudan a los comerciantes a presentar productos sin comprometer el estilo original del producto. Ofrece un descubrimiento de productos sin problemas, ya que los compradores ahora compran estilos nuevos pero similares en un vasto catálogo de productos. La página de productos es el lugar más obvio para las recomendaciones; cuando alguien está navegando por un producto específico, es lógico sugerir artículos similares. La búsqueda visual utiliza la imagen cargada por el cliente para encontrar productos similares basados en el color y la forma utilizando el algoritmo de indexación Lire (Color Layout Descriptor (CLD), Edge Histogram Descriptor (EHD)). Filtra los resultados para mostrar las coincidencias relevantes para la imagen cargada. Ayuda a los clientes a encontrar productos relativos y similares.
