Product Recommendations & Personalization: Memakai Riwayat Penelusuran dan Pembelian untuk Menjual Lebih Banyak

Oleh Harry Nguyen · Diperbarui 12 Desember 2025

Seorang pelanggan melihat sepatu lari di situs Anda tiga kali minggu ini. Dua bulan lalu ia juga membeli matras yoga dari Anda. Satu fakta saja tidak banyak memberi tahu. Bersama-sama, keduanya menjadi sinyal yang jelas: tampilkan pakaian olahraga kepada orang ini, bukan promosi dekorasi rumah yang hari ini dikirim ke semua orang lain.

Itulah gagasan inti di balik product recommendations dan personalization: riwayat penelusuran dan pembelian bukan sekadar catatan historis di dalam database, melainkan bahan mentah bagi setiap rekomendasi relevan yang akan Anda tampilkan kepada pelanggan. Algoritmenya tidak sepenting yang diasumsikan kebanyakan tim. Data yang memasok algoritma itu, dan seberapa konsisten Anda menindaklanjutinya di berbagai channel, jauh lebih penting.

Panduan ini membahas dari mana data itu berasal, cara mengubahnya menjadi rekomendasi yang benar-benar mengonversi, dan di mana mengaktifkannya di situs serta channel pesan Anda.

Apa yang Menggerakkan Rekomendasi: Dua Sumber Data Inti

Setiap rekomendasi, secanggih apa pun sistem di baliknya, pada akhirnya berpangkal pada dua kategori sinyal pelanggan.

Riwayat penelusuran menangkap intent sebelum pembelian terjadi: produk yang dilihat, kategori yang dijelajahi, kueri pencarian, waktu yang dihabiskan di halaman tertentu, dan item yang ditambahkan ke keranjang tetapi tidak dibeli. Di sinilah Anda menangkap minat pelanggan secara real time, bahkan ketika mereka tidak pernah membeli.

Riwayat pembelian menangkap perilaku yang sudah terkonfirmasi: apa yang benar-benar dibeli pelanggan, seberapa sering, pada titik harga berapa, dan dalam kombinasi apa. Data pembelian adalah sinyal yang lebih kuat daripada data penelusuran karena mencerminkan belanja yang nyata, bukan sekadar rasa penasaran, itulah sebabnya segmentasi pelanggan berbasis nilai sangat bertumpu padanya.

Sebuah recommender system, istilah umum untuk perangkat lunak yang mengubah sinyal-sinyal ini menjadi saran, biasanya memadukan keduanya: pendekatan berbasis konten yang mencocokkan atribut produk dengan apa yang dilihat atau dibeli pelanggan, dan pendekatan kolaboratif yang menemukan pola dari perilaku gabungan banyak pelanggan.

Fakta Kunci: Rekomendasi dan Personalization

• Recommender system menggabungkan content-based filtering, yang mencocokkan atribut produk dengan riwayat penelusuran dan pembelian, dengan collaborative filtering, yang menemukan pola dari banyak pelanggan.
• 89% pemimpin menyatakan personalization krusial bagi bisnis mereka dalam tiga tahun ke depan. (Twilio, State of Personalization Report)
• Riwayat pembelian adalah sinyal prediktif yang lebih kuat daripada riwayat penelusuran saja, karena mencerminkan belanja yang nyata dan bukan rasa penasaran, itulah sebabnya segmentasi berbasis nilai biasanya dibangun dari data pesanan terlebih dahulu.

Mekanisme algoritma rekomendasi tertentu (collaborative filtering, content-based filtering, model hybrid) dibahas mendalam dalam panduan kami tentang product recommendations. Panduan ini berfokus pada lapisan data di bawahnya: bagaimana sinyal penelusuran dan pembelian benar-benar ditangkap, disatukan, dan diubah menjadi tindakan di berbagai channel.

Mengubah Riwayat Penelusuran Menjadi Rekomendasi

Perilaku penelusuran tersedia sebelum pelanggan sempat melakukan konversi, sehingga ini adalah sinyal paling awal yang bisa Anda tindaklanjuti.

Produk yang baru dilihat adalah rekomendasi berbasis penelusuran yang paling sederhana: tampilkan apa yang sudah dilihat pelanggan, karena 25 hingga 30% pembeli mengunjungi kembali produk sebelum membeli dan tidak langsung membeli pada kali pertama melihat.

Category affinity terbentuk dari penelusuran berulang dalam satu kategori, bahkan tanpa pembelian. Pelanggan yang sudah melihat belasan item di kategori skincare Anda, terlepas dari apakah ia sudah membeli sesuatu, sebaiknya melihat konten beranda yang mengedepankan skincare, bukan daftar bestseller generik.

Sinyal menelusuri-tapi-tidak-membeli menggerakkan sebagian retargeting Anda yang paling tinggi konversinya, karena pelanggan sudah menunjukkan minat pada produk tertentu. Ini beririsan langsung dengan pemulihan keranjang yang ditinggalkan bagi sebagian penelusur yang sudah sampai menambahkan item ke keranjang.

Data kueri pencarian mengungkap intent bahkan lebih presisi daripada tampilan halaman. Pelanggan yang mencari "sepatu hiking tahan air" memberi tahu Anda persis apa yang mereka inginkan dengan kata-kata mereka sendiri, sinyal yang bisa langsung ditindaklanjuti content-based filtering, bahkan untuk pelanggan tanpa riwayat pembelian sama sekali.

Mengubah Riwayat Pembelian Menjadi Rekomendasi

Setelah pelanggan membeli sesuatu, riwayat pembelian menjadi input rekomendasi Anda yang paling andal.

Rekomendasi replenishment bekerja untuk produk habis pakai dengan siklus pembelian ulang yang dapat diprediksi: tampilkan produk persis yang dibeli sebelumnya, dengan waktu yang disesuaikan saat stok mereka kemungkinan menipis.

Rekomendasi produk pelengkap memetakan apa yang secara alami berpasangan dengan pembelian sebelumnya: pembeli kamera butuh kartu memori, pembeli kopi mungkin menginginkan penggiling. Ini adalah fondasi program upsell dan cross-sell yang efektif.

Ekstensi varian dan lini menyarankan opsi terkait dalam kategori yang sudah pernah dibeli pelanggan: aroma, warna, atau ukuran berbeda dari produk yang terbukti mereka sukai.

Pengurutan pasca-pembelian memakai waktu pesanan sebelumnya untuk menentukan apa yang direkomendasikan berikutnya, dan kapan. Waktu pembelian kedua pelanggan adalah salah satu prediktor terkuat retention jangka panjang, itulah sebabnya urutan email pasca-pembelian biasanya dibangun di sekitar pemicu hari-sejak-pembelian tertentu dan bukan satu tindak lanjut generik.

Fondasi Data: Menyatukan Sinyal Penelusuran dan Pembelian

Data penelusuran biasanya berada di alat analytics dan pelacakan on-site Anda. Data pembelian berada di riwayat pesanan platform e-commerce Anda. Rekomendasi baru bekerja dengan baik setelah kedua sumber ini digabungkan menjadi satu tampilan pelanggan, yang merupakan tugas khusus dari customer data platform.

Tanpa penyatuan itu, Anda berakhir dengan dua sistem setengah buta: platform email Anda merekomendasikan hanya berdasarkan pesanan lampau, dan personalization on-site Anda hanya bereaksi pada sesi saat ini, tidak ada yang tahu apa yang diketahui pihak lain tentang pelanggan yang sama.

Melakukan ini dengan benar menuntut penyiapan analytics dan pelacakan yang solid sebagai prasyarat, menangkap tampilan produk, event add-to-cart, dan kueri pencarian dengan konsistensi yang cukup agar bisa digabungkan dengan catatan pembelian pelanggan yang sama, bukan sekadar data sesi anonim yang hilang begitu browser ditutup.

Di Mana Ini Muncul: Mengaktifkan Rekomendasi di Berbagai Channel

Data penelusuran dan pembelian baru menciptakan nilai ketika menggerakkan sesuatu yang benar-benar dilihat pelanggan.

Beranda dan halaman kategori sebaiknya berubah berdasarkan riwayat penelusuran dan pembelian untuk pengunjung yang kembali: pelanggan dengan riwayat pembelian skincare melihat merchandising yang mengedepankan skincare, bukan tampilan default generik.

Kampanye email yang dibangun dari riwayat pembelian dan penelusuran secara konsisten mengungguli pengiriman generik, karena email marketing untuk e-commerce yang dibangun di sekitar minat yang terbukti mengirim lebih sedikit pesan yang lebih relevan, bukan menyebarkan setiap promosi ke seluruh daftar.

Titik sentuh pasca-pembelian, termasuk halaman konfirmasi pesanan dan penawaran upsell pasca-pembelian, adalah lokasi utama untuk rekomendasi berbasis riwayat pembelian, karena pelanggan sudah berada dalam mindset membeli. Upsell pasca-pembelian yang dibangun dari apa yang baru saja dibeli pelanggan mengonversi pada tingkat yang jauh lebih tinggi daripada penawaran tambahan yang generik.

Keranjang dan checkout sebaiknya mencerminkan isi keranjang saat ini ditambah riwayat pembelian, menampilkan item pelengkap yang paling mungkin menyelesaikan pesanan, bukan bestseller yang tidak berkaitan.

Personalization Membutuhkan Kesadaran Segmen, Bukan Hanya Data Individual

Riwayat penelusuran dan pembelian individual memberi tahu Anda tentang satu pelanggan. Menyandingkannya dengan model segmentasi yang lebih luas memberi tahu seberapa besar upaya personalization yang layak diberikan kepada pelanggan itu.

Pengunjung pertama kali tanpa riwayat penelusuran atau pembelian sebaiknya melihat konten tren yang menarik secara luas, bukan slot rekomendasi yang kosong atau generik. Pelanggan Juara yang kembali dengan riwayat pembelian yang kaya membenarkan personalization paling granular dan digerakkan riwayat pembelian, karena kualitas data dan potensi hasilnya sama-sama tertinggi di sana.

Di sinilah rekomendasi dan segmentasi bersinggungan langsung: segmentasi menentukan seberapa besar investasi personalization yang layak diterima seorang pelanggan, sedangkan riwayat penelusuran dan pembelian menentukan apa yang sebenarnya ditampilkan personalization itu kepada mereka.

Kesalahan Umum

Memperlakukan data penelusuran dan pembelian sebagai sistem terpisah. Rekomendasi email yang dibangun hanya dari riwayat pesanan dan rekomendasi on-site yang dibangun hanya dari data sesi sama-sama berkinerja di bawah apa yang bisa diberikan tampilan terpadu.

Merekomendasikan berdasarkan data yang sudah usang. Minat pelanggan bergeser. Rekomendasi yang terlalu condong pada pembelian setahun lalu akan melewatkan apa yang sebenarnya diminati pelanggan hari ini.

Mengabaikan sinyal negatif. Pelanggan yang berulang kali melihat produk tetapi tidak pernah membelinya, atau yang mengembalikan item yang dibeli, sedang memberi tahu Anda sesuatu. Logika rekomendasi yang hanya memakai sinyal positif melewatkan hal ini.

Terlalu cepat melakukan personalization berlebihan. Pengunjung baru dengan riwayat penelusuran atau pembelian minimal belum punya cukup sinyal untuk personalization yang granular. Memaksakannya menghasilkan rekomendasi yang terasa acak dan bukan relevan, yang menggerus kepercayaan pada rekomendasi yang ditampilkan nanti ketika data nyata sudah ada.

Tidak ada fallback untuk data yang hilang. Setiap slot rekomendasi membutuhkan default yang masuk akal (produk tren, bestseller kategori) untuk saat-saat ketika riwayat penelusuran dan pembelian memang belum tersedia.

Memulai

1. Pastikan pelacakan Anda menangkap kedua sinyal dengan bersih. Tampilan produk, pencarian, dan event add-to-cart harus dilacak dengan pengidentifikasi pelanggan yang sama dengan riwayat pesanan Anda, bukan terkotak-kotak di alat yang berbeda.
2. Mulai dengan rekomendasi berbasis riwayat pembelian, karena itu sinyal yang lebih kuat dan paling mudah diimplementasikan tanpa tim data science: pengingat replenishment dan saran produk pelengkap di halaman konfirmasi pesanan.
3. Tambahkan rekomendasi berbasis penelusuran di tahap kedua, dimulai dari produk yang baru dilihat dan pemicu email browse-abandonment setelah rekomendasi berbasis pembelian berjalan dan terukur.

Tujuannya bukan algoritma yang lebih canggih. Tujuannya memastikan data di balik algoritma apa pun yang Anda pakai lengkap, mutakhir, dan dibagikan di setiap channel yang disentuh pelanggan.

Pelajari Lebih Lanjut

Pelajari lebih dalam tentang algoritma, platform, dan infrastruktur di balik rekomendasi:

• Product Recommendations - Algoritma, penempatan, dan platform di balik rekomendasi on-site
• Personalization Engine - Roadmap AI dan infrastruktur lengkap untuk personalization dalam skala besar
• Customer Data Platform - Satukan data penelusuran dan pembelian menjadi satu tampilan pelanggan
• Customer Segmentation - Tentukan seberapa besar investasi personalization yang layak untuk setiap segmen pelanggan
• Post-Purchase Upsells - Ubah riwayat pembelian menjadi penawaran pasca-pembelian yang lebih tinggi konversinya
• Upsell & Cross-Sell - Bangun rekomendasi produk pelengkap dari data pembelian
• Email Marketing for E-commerce - Aktifkan rekomendasi melalui kampanye email yang tertarget