Brian Holmgård Kristensen, CEO & Founder af tech-virksomheden Relewise, der har udviklet en motor til personalisering og anbefalinger, giver her et indblik i de fem største faldgruber ved produktanbefalinger.

21.12.20 DI Handel Nyheder

De fem største faldgruber: Produktanbefalinger i din webshop

Har du en webshop, hvor du viser produktanbefalinger eller skal du i gang med at sælge online? Få de fem største faldgruber, så du undgår dårlige brugeroplevelser og manglende mersalg.

Ifølge Danmarks Statistik har 89 pct. af den danske befolkning foretaget et køb via internettet indenfor det sidste år. Dette tal har været stødt stigende siden opgørelsens oprindelse i 2008, hvor det tilsvarende tal var på 59 pct. Mobilen bliver i stigende grad brugt til de digitale indkøb.

Hvilke produktanbefalinger du viser i din webshop er derfor mere relevant end nogensinde før. Med begrænset skærmplads, kan den forkerte produktanbefaling have stor betydning for både brugeroplevelsen og mersalg. Brian Holmgård Kristensen, CEO & Founder af tech-virksomheden Relewise, der har udviklet en motor til personalisering og anbefalinger, giver her et indblik i de fem største faldgruber ved produktanbefalinger:

Læs også: Nye tal: Hvad køber de danske forbrugere online?

1. Undgå dubletter i dine anbefalingsbånd

Viser du mere end ét anbefalingsbånd på produktdetaljesiden, f.eks. et bånd som viser hvad ”Andre har købt”, samt et andet bånd ”Andre har set”, bør du sikre at den samme vare kun vises i ét af båndende – og selvfølgelig i dét bånd, hvor den er mest relevant.

Bliver samme produktanbefaling vist i begge bånd spilder du plads – vigtig plads, der kunne have været brugt på at vise en anden relevant anbefaling.

Læs også: Amazon som eksportkanal: En sælgers historie

2. Undgå at anbefale varer, der allerede er lagt i kurv

Det lyder simpelt og banalt – men går alligevel ofte galt. Har brugeren allerede lagt en vare i kurven, bør varen selvfølgelig ikke optage plads i anbefalingsbåndene, under resten af købsforløbet.

Anbefalingsmotoren bør altid kende til indholdet af kurven, og dermed selv sørge for at anbefalingerne ikke indeholder varer der allerede er lagt i kurv.

Læs også: E-handel anno 2021?

3. Undgå at anbefale udsolgte varer

Varer der ikke kan købes, fx hvis varen er udsolgt, bør som udgangspunkt ikke fremgå af et anbefalingsbånd. Hvis varen i stedet kan reserveres i en butik, kan der i nogle tilfælde gøres en undtagelse.

Tilsvarende hvis det er en B2B-shop og man har kundespecifikke sortimenter, er det naturligvis også vigtigt, at der ikke vises anbefalinger, som den aktuelle kunde ikke har lov at købe.

Anbefalingsmotoren bør give dig mulighed for at opsætte databaserede regler for de varer, og dét indhold der anbefales – ofte kaldet Merchandising. Med Merchandising forstås muligheden for at påvirke de resultater, som kommer ud af anbefalingsmotoren, baseret på regler og data om brugeren og om varerne.

Læs også: Danskerne bruger færre penge i udenlandske netbutikker

4. Undgå at anbefale samme vare, blot i en anden størrelse

Hvis du ikke har varianter i dit varekatalog, kan du roligt springe denne faldgrube over, men sælger du tøj, sko, møbler eller en anden type vare, som er konfigurerbar eller har varianter, så kan det være afgørende for brugernes oplevelse.

Sælger du sko, vil der ofte være defineret en række data på styleniveau, f.eks. skoens navn, brand og salgspris, samt en række data ned på variantniveau, fx skostørrelse, antal stk. på lager og SKU. Er varen en sofa, er produktkonfigurationen ofte endnu mere kompleks med dimensioner som farve, højre/venstre chaiselong, materiale, ben m.fl.

Når anbefalingsmotoren ”forstår variantstrukturen”, opnår du bl.a. følgende fordele:

  • Du vil aldrig få vist anbefalinger af samme style, blot i en anden størrelse – det er nemlig ikke særlig relevant at anbefale fx størrelse 40, af samme sko som du kigger på i størrelse 38. Ønsker brugeren at finde varen i en anden størrelse eller farve, så er der allerede lavet en variantvælger til netop dét formål.
  • I alle anbefalinger vil anbefalingsmotoren indikere, hvilken variant der er mest relevant, hvis man fx kigger på en hvid undertrøje, vil man blive anbefalet de hvide underbukser dertil, eller foreslå lige netop sofabordet valgt med ben i eg til sofaen med samme ben i eg.
  • Du kan undgå at vise alternativer, som ikke findes i den ønskede variant. Hvorfor vise andre sko, som ikke findes i den størrelse brugeren søger. Det giver en ringe brugeroplevelse.

Anbefalingsmotoren bør understøtte datamodellen for dit varekatalog, uanset om du sælger sko, møbler eller noget helt tredje. Hvis dit sortiment består af et mix af varer som har varianter, og andre varer som ikke har varianter, bør det ligeledes være understøttet.

Læs også: Sociale medier er 2021s handelsplatforme

5. Sørg for at vælge den rigtige anbefalingstype

Denne sidste faldgrube handler mere om, hvordan du undgår blindgyder i kunderejsen, ved at du forholder dig til de anbefalingstyper, som du vælger at vise på webshoppen og hvornår.

På produktdetaljesiden bør anbefalingerne anvendes som en relevant guide og som inspiration for brugeren i sin købsoplevelse. Du vil gerne undgå at brugeren klikker på browserens ”Tilbage”-knap, da det ofte resulterer i, at kunden lander tilbage på søgeresultatsiden hos Google.

Der findes forskellige typer af anbefalinger, hvor jeg i andre faldgruber, indtil videre, har været inde på to typer indenfor produktanbefalinger: ”Andre har købt” og ”Andre har set”. Ofte ser man begge bånd på produktdetaljesiden. Det ene bånd ”Andre har købt” anbefaler andre varer som går godt sammen med varen man kigger på, hvor ”Andre har set” viser varer som kan erstatte varen man kigger på. Derudover findes der også anbefalingstyper som kan kigge på indholdet af kurven, og sammensætte anbefalinger baseret på netop dét indhold.

Her følger et par konkrete eksempler inkl. hvilke anbefalingsbånd du bør vælge:

  • Hvis varen kunden kigger på ikke kan købes online, fx hvis varen er udsolgt, bør man kigge på at prioritere dét anbefalingsbånd, som viser alternative varer. Her skal du selvfølgelig huske faldgrube nr. 3: ”Undgå at anbefale udsolgte varer”.
  • Når kunden har lagt en vare i kurv, bør man i PowerSteppet vælge anbefalingstypen ”Andre har købt”, hvor man igen skal huske faldgrube nr. 2: ”Undgå at anbefale varer, der allerede er lagt i kurv”, faldgrube nr. 3: ”Undgå at anbefale udsolgte varer” og endeligt faldgrube nr. 4: ”Undgå at anbefale samme vare, blot i en anden størrelse”.

Anbefalingsmotoren bør give dig mulighed for at få indsigt i, hvordan de enkelte anbefalingsbånd performer på de enkelte sider. Du bør fx kunne se, hvor mange varer og hvor stor en omsætning, der lægges i kurven fra henholdsvis ”Andre har set” og ”Andre har købt” båndende på produktdetaljesiden, ligesom du bør kunne se, hvor stor en del af omsætningen der kommer fra varer, der lægges i kurv fra anbefalingerne på PowerSteppet.

Læs også: Hvad koster det at sælge via en online markedsplads?

Vil du vide mere?

Ønsker du, at få et dybere indblik i hvordan produkt- og indholdsanbefalinger kan være med til at skabe bedre brugeroplevelse på din webshop og samtidig hæve ordrestørrelsen, kan du deltage i DI Handels webinar den 12. januar 2021, hvor bl.a. Brian Holmgård Kristensen er oplægsholder. Du kan også møde UX-designer Cathrine Tavs Andersen fra SmartPage A/S.

Det er gratis at deltage.

Læs mere og tilmeld dig her: Skab mersalg med de rigtige produktanbefalinger i din webshop

Hold dig opdateret

Modtag DI Handels nyhedsbrev og få relevante nyheder, analyser og events inden for salg, marketing, kundeservice og e-handel direkte i din mailboks hver uge.

Tilmeld dig nyhedsbrevet her

Relateret