Как динамическая сортировка товаров с помощью Метрики принесла +30% заказов

Поначалу мы расставляли карточки товаров вручную. Нам казалось, что мы можем угадать вкусы наших клиентов — и они будут чаще просматривать и покупать те модели, которые мы поставим на самые заметные места.

Когда мы подключили веб-аналитику и решили проверить эффективность такого метода сортировки, оказалось, что он не работал. Люди чаще просматривали не те товары, которые мы размещали на первых страницах, а модели в глубине каталога.

Значит, мы могли недополучать конверсий. Посетители, которые не проходили дальше первой страницы, просто не имели возможности увидеть — и купить — популярные модели на следующих страницах. Нужно было менять подход к расстановке товаров.

Чтобы понять, эффективна ли ручная расстановка товаров, мы сравнили два соседних предложения на первой странице одного из разделов с помощью Карты кликов в Метрике.

Несмотря на то, что товары стояли рядом, их трафик сильно отличался: у первой модели было больше 200 кликов в месяц, а у второй — всего 18.*

* Расположение товаров фиксировалось на месяц.
Если бы мы часто меняли расстановку предложений в «плитке», понадобился бы более сложный отчёт, а не стандартная Карта кликов.

Мы предположили, что недополучаем конверсий — потому что самые «кликабельные» предложения оказываются запрятанными вглубь каталога, куда добираются не все посетители.

Чтобы это исправить, мы решили расставлять товары исходя из того, насколько они на самом деле популярны.

В нашей CMS была предусмотрена сортировка по популярности, но работала она слишком просто: чем больше кликов было по карточке товара, чем выше он бы показывался. Значит, один и тот же посетитель мог нечаянно «накрутить» клики для какой-то одной модели.

Мы решили попробовать сортировать товары так: чем больше уникальных посетителей просматривали товар, тем выше он показывается. А для такой сортировки нужны были данные веб-аналитики.

Для запроса к API Метрики мы использовали пресет top_products, сортировку по количеству посетителей, просмотревших товар, и временной промежуток в две недели.

Чтобы CMS могла обработать ответ API, мы написали специальный модуль. Место товара на сайте соответствовало расположению записи в ответе: если товар шёл в массиве седьмым, то и в каталоге он выводился на седьмом месте.

Так мы автоматизировали сортировку товаров в соответствии с реальным поведением посетителей — а не с нашими предположениями о том, какие товары могут понравиться нашим клиентам.

Чуть позже мы усовершенствовали решение: добавили повышающие коэффициенты для товаров, которые посетители добавили в корзину и заказали. Так что теперь лучшие места достаются тем моделям, которые не только часто просматривают, но и часто покупают.