Рассчитаем стоимость интеграции
Отправляя заявку, я соглашаюсь на обработку персональных данных
Спасибо за заявку, мы свяжемся с вами с оценкой интеграции
Кейс «Мир Крепежа»: снизили количество нулевых запросов в 20 раз

Партнер:


Артем Круглов
Генеральный директор платформы any
Задача:
Внедрение полного поиска
Результат:
÷20
×
2
Уменьшение количества нулевых запросов
Увеличение количества сессий из поиска
16%
+52%
+
Рост количества заказов из поиска
Доля заказов с использованием автоподсказок
Кейс «Мир Крепежа»: снизили количество нулевых запросов в 20 раз
Магазин «Мир Крепежа», специализирующийся на продаже крепежных и метизных изделий, столкнулся с проблемами неэффективного поиска на своем сайте. Пользователи испытывали трудности при поиске нужных товаров, что приводило к недовольству клиентов и потере потенциальных продаж.
Команда сайта хотела решить такие проблемы:
  1. Релевантность поиска.
  2. Исправление опечаток.
  3. Создание посадочных страниц, которые вели бы из рекламы на поисковую выдачу — эту задачу команда проекта в ходе интеграции взяла на себя.
Решение:

Внедрили полный поиск, который состоит из множества маленьких систем, выполняющих различные задачи. Во время интеграции мы работаем с товарным фидом, который предоставляет полную информацию о товарном дереве, категориях, брендах и тд.

Про нулевые запросы
Работа над снижением нулевых запросов представляет из себя обогащение фида синонимами, транслитерациями и артикульными запросами. Чтобы снизить этот показатель до минимума, необходимо периодически обновлять все эти базы. Ведь ассортимент обновляется, а язык пользователя меняется. Наш большой опыт работы позволяет достигать минимального количества нулевых результатов почти сразу после внедрения AnyQuery. Но всегда есть, к чему стремится, и мы обновляем базу при каждой интеграции.
Доранжирование на основе ML-алгоритма
Одна из систем, которые мы интегрируем — ранжирование поисковых результатов, при котором используются две независимые модели машинного обучения. Одна модель обучена на общих данных всех клиентов, а вторая специально адаптирована под конкретный магазин. Обе модели используют данные из фидов товаров и пользовательских данных, таких как просмотры, покупки и запросы.
Это позволяет создать сложную систему ранжирования, основанную на нелинейных алгоритмах, которая гибко адаптируется под структуру каталога и поведение пользователей.
Результаты:
  • Уменьшение количества нулевых запросов в 20 раз. Улучшенный поиск и автоподсказки значительно снизили количество запросов, приводящих к пустой товарной выдаче, что повысило эффективность поиска для клиентов.
  • Рост количества заказов из поиска на 16.6%. Улучшение поискового опыта и релевантности результатов привели к росту числа заказов, выполненных через поиск, повышая тем самым выручку магазина.
  • Увеличение количества сессий из поиска в 2 раза. В первую очередь это связано с появлением посадочных страниц для рекламного трафика и настройкой рекламы на страницы выдачи.
  • Доля заказов с использованием автоподсказок — 52%. Функция автоподсказок стала удобней и эффективней для пользователей, что привело к росту количества заказов. Популярные блоки автоподсказок: на десктопе популярны блоки «Часто ищут», «Товары» и «Категории», а на мобильных устройствах — «Тапы» и «Категории».
Итоговые показатели подтвердили универсальность продукта для всех сфер икома. Универсальность и гибкость систем, которые подстраиваются под направленность магазина и поведение пользователей, помогают достигать лучших показателей.
Рассчитать эффективность
Отправляя заявку, я соглашаюсь на обработку персональных данных
Отправляя заявку, я соглашаюсь
на обработку персональных данных
Сообщение об успешной отправке!