А нас уже 502! Говорят, что надо отмечать даже небольшие вехи 😉

Спасибо, что читаете!❤️

#автор

Почему вы?

А причем здесь Бред Питт узнает тот, кто дочитает до конца.

Игорь Манн - автор заголовка этого поста. Сегодня будем говорить о позиционировании товара. Как только я написала это сложное слово, самой захотелось выключить компьютер.

Есть много книг на эту тему, куча сложных определений, масса действий, которые нужно сделать по правилам. Но если посмотреть в сухом остатке, то нужно ответить самому себе и покупателю на вопрос - А почему он должен купить твой товар, а не конкурента? Почему покупатель должен выбрать вас?

В прошлых постах про товар разбирали, что обязательно должно быть в карточке:

✅ Базовые свойства товара, чтобы покупатель понял, что именно вы продаете - об этом здесь

✅ Соответствие поисковому запросу покупателя - об этом здесь

Но вот покупатель отобрал 10 карточек, которые ему подходят. Как ему выбрать из них? И на этом этапе ваша карточка и должна объяснить, чем она лучше.

☝️Есть много умных концепций - позиционирование, УТП, отстройка. И даже много споров, какое слово правильнее использовать. Но какая по большому счету разница?

Если нам надо решить локальную задачу. Надо объяснить покупателю, почему из 10 подходящих карточек он должен выбрать нашу.

Как это сделать? Что и как мы должны сказать (написать, показать визуально), чтобы покупатель нас выбрал?

1️⃣ Смысл должен выглядеть уникальным. Желательно, чтобы конкуренты не смогли его повторить. Но мы же на маркетплейсах, где много одинаковых товаров. Поэтому и был пост о том, как знакомиться со своим товаром.

Невероятно, но факт - вы указали какое-то редкое свойство, а большинство ваших конкурентов даже не знают, что у их товаров оно тоже есть. Можно использовать смыслы, которые кажется, что не работают - поэтому их не повторят. Можно придумать какую-то технологию и дать ей название. Так сделал Nike с технологией Dri Fit, похожая ткань была и у Adidas, только они это не пиарили.

Пункт про уникальность - самый сложный. Но креатив - это процесс. За вами повторили? Придумайте снова.

2️⃣ Это должно быть важно клиенту. Что клиенту с того, что вы напишете, что вашей компании 20 лет? Ищите смыслы в поисковых запросах и отзывах, ищите острую проблему, которую действительно решает ваш товар. А не красивые и необычные слова.

Средства от прыщей обещают решить проблему за 21 день, за 7 дней. А рядом патчи, где написано - чистая кожа за 24 часа.

3️⃣ Понятно обычному человеку. Без терминов.

4️⃣ Правда и только правда. Иначе плохой % выкупа и отзывы.

5️⃣ Убедительно. Внутри карточки нужны доказательства. Если вы обещаете -16 кг после курса БАДа, то верится в это с трудом.

6️⃣ Эмоции/триггеры. Идеально, если аргумент не просто рациональный, а действительно откликается. Затронута важная проблема или наоборот показана положительная эмоция. Те же фото до и после хорошо использовать. Здесь в основном сыграет визуальная часть, но метафора, которая вызовет визуальный образ отлично сработает. Сравните надписи на карточках кофе - насыщенный вкус и Аромагия.

7️⃣ Короткая, конкретная и запоминающая формулировка. Защита от влаги - лучше, чем водонепроницаемый материал. Для мешка для сменной обуви: до 45 размера - лучше, чем большой размер.

И практически всё можно применить не только для товаров, но и для одежды. Смыслы - это не слова, а то, что вы транслируете.

Карточку с Бредом я обнаружила случайно, по запросу "шапка женская осенне-весенняя". Это самая продаваемая карточка из всех женских шапок.

Уникальность есть? Да, и повторить слабо. Триггерит - еще как, эмоции есть. Аудитории понятно? Да. Может и сомнительный прием, но, похоже, рабочий.

В следующий раз о нашей карточке среди конкурентов.

Всем удачи и хорошего настроения❤️

#товар
#смыслы_для_покупателя
#позиционирование

Действительно, всего на 2 карточках из 30 я смогла с телефона разобрать, что же написано в инфографике. Больше того - на части карточек не только в листинге, но и при открытии карточки ничего нельзя было разобрать.

Мы всё о высоком, а на деле часто достаточно сделать просто хорошо.

Конкуренты. Ты не один

Какой самый простой способ сделать продающую карточку? Посмотри, как у конкурентов, и сделай так же.

☝️У этого процесса есть даже умное название - бенчмаркинг.

Но хорошая ли идея - копировать конкурентов? Чьи идеи стоит использовать, а чьи - нет?

1️⃣ Не стоит копировать большие бренды. Да, продают большие бренды сами маркетплейсы, которые лучше всех знают, как устроены алгоритмы. Да, у этих карточек тоже своя междубрендовая конкуренция. И им тоже важны продажи.

Но к обычным карточкам это имеет мало отношения.

Если в вашей категории есть бренды, которые известны каждому покупателю, вы видите, какие у них высокие конверсии. И гнаться за ними нет смысла.

Не для того корпорации десятилетиями вкладывали в свои бренды огромные деньги, чтобы ваша прекрасная карточка их обошла на маркетплейсе. Это утопия. Покупатели приходят на маркетплейс за конкретным товаром известного бренда и даже не смотрят на остальное. Такая лояльность зарабатывается не один год, и не нужно иллюзий, что без построения бренда и сопоставимых инвестиций можно добиться таких результатов.

Поэтому карточки бытовой химии выглядят так. Бренды купят с любыми карточками. А остальным не стоит на них смотреть. Нужно жить своим умом и делать качественно.

2️⃣ Смотрите не на тех, кто в ТОПе, а на тех, кто в ТОПе по органике. Это видно с помощью многих плагинов. ТОП по органике покажет лидеров конверсии. Если карточка имеет адекватную цену, не известного бренда и не дает внешнюю рекламу, то стоит присмотреться вдвойне, а лучше втройне.

❗️Исключение - карточки товаров с регулярными повторными продажами (макароны покупают постоянно). Здесь история, похожая на бренд. В ТОПе не те, у кого хорошие конверсии для новых покупателей, а кого привыкли покупать.

Нет смысла копировать хорошую карточку напрямую. Надо понять логику - какую аудиторию и чем цепляет эта карточка, какую потребность она закрывает и какие преимущества подсвечивает.

В карточке из примера помимо низкой цены очень простой и понятный контент. Здесь не в чем особо сомневаться и чему-то не верить. Растительное средство намекает - тут ты ничего не потеряешь. А наш мозг риск потери оценивает более значительно, чем гипотетические возможности.

Хороших конверсионных стратегий в любой нише больше, чем одна. Посмотрите на конкурентов и выберите, что ближе вашему товару и вашей стратегии.

3️⃣ Посмотрите другие ниши с похожей аудиторией. Высокая конкуренция гарантирует рост результатов. Когда у одного тренера несколько сильных спортсменов - все очень быстро прогрессируют.

Так и на маркетплейсах. Есть ниши, где практически нет слабых карточек. А есть ниши, где как будто попал в прошлый век. Поэтому если вам повезло, и конкуренция пока не очень высока - сходите к соседям и заберите хорошие идеи.

4️⃣ Смотрите только конкурентов по целевым запросам, в органике. Не по самым частотным общим. Смотрите свои целевые запросы с учетом целевой аудитории.

2 запроса "кабель для Iphone" и "шнур для айфона" означают одно и то же. Только набирают их абсолютно разные люди. Во втором случае человек даже не знает слово кабель. Какой смысл для него писать на главном фото про силу тока и мощность?

5️⃣ Очень важно, что написано/транслируется в карточках ТОП4 по вашему запросу. Эти карточки корректируют или даже формируют критерии выбора у всех покупателей по этому запросу. Об этом было здесь. Сюда же эффект прайминга.

Поэтому если ваши ТОПы указывают какие-то базовые свойства товара, то и вам лучше это сделать. Вашу карточку будут сравнивать с первыми, опираясь на информацию, которая была у них.

У ТОПов детских шампуней указано - без слез. Придется и вам указать, иначе покупатель может решить, что у вашего шампуня нет такого свойства.

❗️Но обязательно учитывайте свою целевую аудиторию. У ТОПов могут быть другие целевые сегменты.

ТОПы в шампунях от перхоти ориентированы на широкую аудиторию, но если кому-то нужен лечебный шампунь - он будет искать именно такую карточку. Повторять базу ТОПов здесь не нужно.

Хороших выходных! Берегите себя❤️

#товар
#отстройка

Про нехватку данных

Размышляю о посте про аналитику на понедельник. Насколько же у нас на маркетплейсах связаны руки. Мы не знаем о покупателях ничего. За исключением средних данных по полу/возрасту/региону.

Сделали интеграции с блогерами на ВБ, но свечки продаж нет. И все, никаких данных, чтобы найти причину, нет.

Мы не знаем, какой процент людей смотрит наши описания. А вдруг их реально много? Не знаем, сколько слайдов просматривают покупатели и на каком добавляют в корзину. Не понимаем, нужен ли кому-то Рич-контент. Может до него вообще никто не доходит?

Данные по конверсиям тоже очень скупые. Но спасибо, что хоть Джем теперь есть. 30 запросов - хорошо, но самое интересное дальше. В целом данные по рекомендательным полкам - хорошо, но хотелось бы видеть, откуда конкретно трафик.

А ещё мы не видим главного. Новых и повторных покупателей. Без этого все данные о CTR и других конверсиях очень искажены. Может весь прекрасный CTR - это повторные клиенты, а с новыми большая проблема и карточка на самом деле плоха.

То ли дело на сайтах и в мобильных приложениях. Есть Яндекс Метрика с конструктором любых отчётов, вебвизором и тепловыми картами, где ты можешь узнать вообще всё. И опираться на факты, а не на фантазии.

Направили рекламу на маркетплейсы через сайт. Не идёт, мало переходов с сайта на маркетплейсы. Посмотрели аналитику - всё понятно, не видят кнопку, надо изменить. Изменили - стало гораздо лучше.

Хочется так и на маркетплейсах.

А каких данных вам не хватает?

#конверсии_аналитика
#аналитика_отчеты

Предиктивная аналитика для маркетплейсов

Обещанный пост. Будем разбираться, что это и кому полезно.

Однажды по дороге в детский сад мой папа объяснил мне устройство ядерного реактора. И я всё поняла. Примерно такого же уровня задача сегодня передо мной. Попробую справиться. Поехали.

Самое простое - объяснить слово "предиктивная". Это предсказание, что будет в будущем на основании предыдущих данных.

Еще в 90-х годах я получала диплом по этой специальности. Сейчас это называлось бы искусственным интеллектом. То есть математический аппарат систем прогнозирования и моделирования активно развивается не менее 30 лет, и его используют все нейросети. Нет никаких секретных формул и методик, дьявол в деталях. При этом Россия особенно в прошлые годы была в прогнозировании на переднем крае науки.

Все системы аналитики можно разделить:

✔️ Системы поддержки принятия решений. Это, например, BI системы - когда обрабатывается огромный массив данных и на дашборды выводятся ключевые вычисленные показатели в реальном времени. И человек принимает решение, что с этим делать.

Это также большинство отчетов аналитики, например, MPStats и других, когда вы видите обработанные данные, но не готовое решение, что с этим делать.

✔️ Системы принятия решений. Когда вам выдается уже готовое решение. Например, ChatGpt на запрос выдает готовое решение, которое считает наиболее подходящим. Здесь я уже касалась этой темы.

Или, например, навигатор строит вам лучший (не всегда) маршрут - тоже выдается 1 готовое решение.
Нам бы всем хотелось, чтобы машина подсказывала нам правильные решения. Например, в шахматах это прекрасно работает, и компьютер обыгрывает гроссмейстеров.

Почему в бизнесе такие системы до сих пор не широко не используются?

Здесь мы переходим к страшной картинке, которую я прикрепила к посту для отпугивания злых духов. Это самый простой вариант написания формулы, без которой нам не обойтись - показывает величину возможного отклонения от прогнозного значения.

🦉Например, система дает нам прогнозное значение 50, но вообще с вероятностью 95% значения могут быть в интервале от 0 до 100. То есть отклонение - 50. Мы узнали, что вероятность встретить динозавра 50% - или встретишь, или не встретишь.

Всё дело в том, что давая нам конкретную рекомендацию, система выбирает из большого множества вариантов. И точность рекомендации зависит от:

✅ Количество предыдущих данных, на основании которых мы делаем вывод. Это буква n в формуле. Чем больше данных, тем более достоверным будет наш прогноз.

🦉Допустим, мы встретили на улице 3-х мужчин роста 175 см, 180 см, 178 см. И основании этого решили, что мужчины не могут быть выше 180 см. Количество данных 3 - слишком мало, чтобы сделать адекватный вывод.

Малое количество данных - наверно самая частая причина неверных аналитических выводов. Мы протестировали CTR на 1000 показов и сделали вывод, а на 10 000 показов получили диаметрально противоположные значения. Кто-то придумал гипотезу, как составить наименование для SEO - и на 3 карточках были хорошие результаты. Но это вообще не означает, что гипотеза рабочая.

Когда говорят, что нейросеть обучается, в первую очередь имеется в виду, что в нее загружается огромный объем данных.

✅ Разброс самих данных (дисперсия). Чем сильнее могут варьироваться данные - тем сложнее сделать прогноз. Эта часть с буквами Х в формуле. Если отклонения от среднего большие - нужно намного больше данных.

🦉Никакой Гидрометцентр не скажет, какой будет температура 1 мая 2025 года в Москве. Хотя есть многолетняя история наблюдений. Температура будет примерно в интервале от 0 до +30 градусов, в последние годы бывали любые варианты из этого интервала.

Чаще всего причина большого разброса данных - во влиянии внешних факторов. И вроде бы задача сводится к тому, чтобы найти, какие внешние факторы влияют, насколько сильно (найти коэффициенты) и составить формулу.

Возникает слово корреляция. Мы можем статистически узнать, есть ли зависимость между двумя факторами. А если есть - ура, включаем фактор в формулу.

Продолжение👇

#аналитика_тренды_рынка
#интересные_материалы

Продолжение, начало 👆

В корреляции снова 2 вещи, которые спутают все карты:

✔️ Снова нужно много данных, если мало - можно забыть о достоверности.

✔️ Корреляция может быть, и даже очень высокой. Но на деле оба фактора зависят от какого-то третьего. А скорее всего - от микса взаимосвязанных факторов. Ещё можно перепутать причину и следствие.

🦉Пример. 2 фактора - 1. Девушки стали надевать легкие платья, 2. Выросли продажи мороженого. Корреляция очень высокая. Значит можно сделать вывод, что для роста продаж мороженого достаточно одеть девушек в летние платья. На самом деле оба фактора зависят от третьего - температуры воздуха.

Поэтому большие нейросети дополнительно обучают на людях. Показывают людям результаты, а они говорят - верно или нет. Потому что машина настроила модели, которые могут не иметь никакого отношения к реальности. Без этого этапа обучения нейросети выдают полную ерунду.

К чему были все эти сложные объяснения?

К тому, что система предиктивной аналитики, чтобы ей можно было как-то верить, должна:

1️⃣ Базироваться на огромном объеме данных. Причем достоверных.

2️⃣ Данные должны быть однородными, без больших отклонений. Любой сбой маркетплейса - и вот у нас большие отклонения в данных. Любое нововведение - аналогично. Изменили алгоритм - все прошлые данные потеряли свою ценность.

3️⃣ Математические модели должны быть обучены и протестированы на очень большом количестве реальных людей/бизнесов.

Поэтому системы предиктивной аналитики, конечно, существуют. Владельцами хороших систем являются сами маркетплейсы. Потому что:

1️⃣ Обладают максимальным объемом достоверных собственных данных (а не полученных через какие-то внешние сервисы).

2️⃣ Владеют сведениями о большинстве внешних факторов, потому что являются их авторами. Маркетплейсы знают свои алгоритмы, а не строят об этом догадки.

3️⃣ Обладают большими ресурсами - программистами, математиками, серверами и пр.

4️⃣ Могут тестировать свои системы на большом количестве реальных людей.

И даже в этих идеальных условиях ВБ только подступается к персонализации и генерации с помощью ИИ. На деле ничего нормально не работает.

Что касается автоматических рекомендаций по карточкам, то здесь вообще нет необходимых данных, не существует в природе.

⚡️Теперь возьмем внешнюю систему. Например, компанию JVO.

Компания обещает, что они анализируют данные маркетплейсов, в том числе конкурентов. И на основании этого говорят вам, что конкретно нужно изменить в карточке и в SEO, чтобы увеличились продажи.

При этом компания существует всего год, в штате 5 человек. Судя по отчетности, мощных вычислительных ресурсов у нее нет.

Из всего, что я написала выше, несложно сделать вывод, что использовать такую систему неплохо. Но как дашборд с данными для принятия решений - такой функционал у них есть. Если бы система не давала конкретных рекомендаций, а показывала каким-то образом набор вариантов с вероятностями, а еще лучше - саму формулу с внешними факторами - тоже можно было бы использовать её в дело.

Но компания сама нам отвечает на все вопросы. Потому что на сайте сначала пишет: оборот наших клиентов увеличивается на 68,7% в первый месяц. А потом чуть ниже приводит кейсы (по идее самые выдающиеся результаты), где рост продаж за весь период использования - 40%, 50%. Я бы не отдала ни 1 рубля сервису с таким гибким подходом к достоверности данных.

Какой вывод? Пока в условиях неопределенности придется использовать самую совершенную нейросеть - человеческий мозг. Но желательно данные для мозга максимально обработать (структурировать, сгруппировать, посчитать показатели и пр.). Для этого использовать проверенную и удобную лично для вас аналитическую систему.

Для регулярных операционных задач, у которых есть правила и алгоритмы - без аналитических систем никуда. Те же логистические задачи, unit-экономика. Но для хороших карточек - пока только голова.

Надеюсь, кто-то дочитал до конца. Хорошей недели вам, мужественные люди❤️

#аналитика_тренды_рынка
#интересные_материалы