المكاسب:
- فهم منطق محرك التوصيات (المشترى معًا، والمنتجات المماثلة، والتخصيص) وتأثيره على مقاييس الأعمال
- القدرة على بناء علاقات المنتج والحزم وسيناريوهات البيع المتبادل بدعم من الذكاء الاصطناعي وتحويلها إلى فرضيات قابلة للاختبار
- القدرة على رؤية مخاطر فقاعة التصفية والتحيز والتوصية التلقائية للمخزون/الهامش المحايد وربط قواعد التوصية بالرقابة التجارية
جزء كبير من المبيعات على مواقع التجارة الإلكترونية الكبيرة يأتي من المنتج الموصى به للعميل، وليس المنتج الذي يبحث عنه. لقد رأيتم جميعًا الكتل "أولئك الذين اشتروا هذا اشتروا هذا أيضًا"، "اختياراتنا لك"، "أرخص معًا". يُطلق على النظام الذي يقف وراء هذه الكتل اسم محرك التوصيات: وهو برنامج ينتج إجابات على السؤال "ما الذي يجب أن أظهره لهذا الشخص الآن؟" من خلال النظر إلى سلوك العميل والعلاقة بين المنتجات والأنماط العامة. يعد الذكاء الاصطناعي (AI) مفيدًا في هذا المجال بطريقتين: فهو يساعدك على إنشاء سيناريوهات وقواعد عند إنشاء منطق التوصية، ويحلل علاقات المنتج الخاصة بك في المتاجر الصغيرة ويخرج بأفكار الحزمة/البيع المتبادل. لكن احذر: يجب أن ينظر نظام التوصيات الجيد ليس فقط إلى "عدد النقرات" ولكن أيضًا إلى المخزون والهامش وتجربة العملاء.
دعونا نوضح المصطلحين. البيع المتبادل هو تقديم منتج آخر يكمل المنتج للمشتري (حالة لمشتري الهاتف). تقدم Up-sell طرازًا أعلى/باهظ الثمن يلبي نفس الحاجة (256 جيجابايت بدلاً من 128 جيجابايت). كلاهما طريقتان مشروعتان لزيادة متوسط السلة (AOV)؛ ولكنه ينجح عندما يكون مفيدًا حقًا للعميل، ويزعج عندما يكون مجبرًا.
ثلاثة منطق أساسي لنظام التوصية
تستخدم أنظمة التوصية بشكل عام أسلوبًا واحدًا أو مزيجًا من ثلاثة أساليب.
1) يعتمد على المحتوى: يبحث في الميزات الخاصة بالمنتج. "أحذية جري أخرى مشابهة لحذاء الجري هذا". حتى أنه يعمل مع العملاء الجدد لأنه لا يتطلب تاريخًا سلوكيًا.
2) التصفية التعاونية: تنظر إلى نمط السلوك. "الأشخاص الذين اشتروا هذا المنتج اشتروا هذا أيضًا." إنها قوية، ولكنها تتطلب الكثير من البيانات وتعاني من "البداية الباردة" (منتج جديد/عميل جديد).
3) التخصيص: يقوم بتخصيص العرض لعميل واحد بناءً على سلوكه السابق. له تأثير قوي ولكنه يحمل خطر الخصوصية و"فقاعات التصفية".
يلخص الجدول التالي مجموعات التوصيات والغرض منها:
كتلة
المنطق
الغرض
مثال
منتجات مماثلة
على أساس المحتوى
تقديم بديل
إغلاق النماذج في نفس الفئة
مجتمعة
تعاونية
البيع المتبادل
هاتف + حافظة + واقي شاشة
اختياراتنا لك
التخصيص
الالتزام
استنادا إلى الملاحة الماضية
المفضلة / الأكثر مبيعا
الشعبية
الثقة + العميل الجديد
الأكثر مبيعا في هذه الفئة
حيث توقفت
بيانات الجلسة
عكس
آخر المنتجات التي تم عرضها
إعداد التوصية باستخدام الذكاء الاصطناعي في متجر صغير
حتى المتاجر الصغيرة والمتوسطة التي لا تستطيع إنشاء محرك توصيات للشركات يمكنها تنظيم علاقات المنتجات بذكاء باستخدام الذكاء الاصطناعي. يمكنك تقديم بيانات "المنتجات المباعة معًا" الحقيقية (طلب العناصر) بشكل مجهول إلى الذكاء الاصطناعي وجعله يحلل "ما هي المنتجات التي تم شراؤها معًا، وما هي الحزم التي يمكنني التوصية بها؟" يقوم الذكاء الاصطناعي بإنشاء فرضيات البيع المتبادل والتجميع لك؛ تقوم بتصفيتها من خلال المخزون والهامش، ثم تقوم باختبارها فعليًا. الكلمة الأساسية هنا هي الفرضية: اقتراح الذكاء الاصطناعي ليس دليلاً، بل فكرة يجب اختبارها.
نصيحة: قم بتحويل كل فكرة توصية إلى فرضية "إذا - إذن": "إذا أوصينا بـ Y لشخص يشتري X، فإن متوسط سلته سيزيد." ثم قم بقياس ذلك بتجربة صغيرة (اختبار أ/ب أو فترة زمنية). التوصية بدون قياس هي مجرد تخمين.
التدقيق التجاري لقواعد التوصية
يمكن أن يكون نظام التوصيات خطيرًا إذا ترك لنظام "الأكثر نقرًا" الآلي بالكامل. المخزون: التوصية بمنتج غير متوفر في المخزون سوف يخيب أمل العميل. الهامش: قد يكون للمنتج الذي حصل على أكبر عدد من النقرات أقل هامش؛ قد يوجهك النظام إلى منتجات غير مربحة. سلامة العلامة التجارية وملاءمتها: التوصية غير ذات الصلة أو غير المناسبة في الفئات الحساسة (الأطفال والصحة) تفقد الثقة. فقاعة التصفية: إن عرض نفس النوع من المنتج على العميل بشكل مستمر يقتل الاكتشاف ويضيق المبيعات. ولهذا السبب يتم تحديد التوصيات التلقائية بالضرورة من خلال قواعد العمل: "التوصية بما هو متوفر في المخزون"، "لا تعرض المنتج الذي يقل هامشه عن هذا الحد"، "الحفاظ على الامتثال للفئة".
التحيز هو أيضا خطر حقيقي. ولأن نظام التوصيات يعتمد على سلوك الماضي، فمن الممكن أن يعزز عدم المساواة في الماضي؛ على سبيل المثال، التوصية باستمرار بمنتجات أرخص/أقل جودة لمجموعة معينة. وهذه مسألة أخلاقية وتجارية على حد سواء. ومن الضروري إجراء تدقيق منتظم لمخرجات التوصيات بهدف "ما الذي يوصى به ولمن".
أربعة قوالب قابلة للنسخ
1) تحليل المنتجات المباعة معًا:
دورك: مساعد محلل التجارة الإلكترونية. فيما يلي عناصر الطلب المجهولة (رموز العناصر وعدد المرات التي تم جمعها معًا). البيانات: [الجدول]. المهمة: العثور على الأزواج العشرة من العناصر التي يتم شراؤها معًا بشكل متكرر؛ لكل زوج، اكتب فرضية البيع المتبادل ("عرض Y للمشترين X"). ملاحظة: هذه فرضيات؛ وسوف أتحقق أيضًا من المخزون والهامش.
2) توصية الحزمة:
المنتج: [المنتج الرئيسي]. المنتجات التكميلية: [قائمة، مع ملاحظات هامشية]. المهمة: اقتراح 3 حزم معقولة؛ لكل باقة، اشرح الفائدة التي تعود على العميل في جملة واحدة. القاعدة: يجب أن تكون جميع المنتجات الموجودة في العبوة متوفرة في المخزون؛ جعل المنتج منخفض الهامش هو عامل الجذب الرئيسي.
3) السيناريو الأكثر مبيعا:
ينظر العميل إلى: [المنتج، السعر، الميزات]. النماذج الراقية: [قائمة، مع اختلافات السعر/الميزات]. المهمة: صياغة رسالة صادقة للارتقاء بالمبيعات: ما هو المبلغ الذي يجب دفعه مقابل أي فائدة إضافية. القاعدة: لا مبالغة؛ اشرح الفرق من خلال ميزات ملموسة.
4) التحقق من قاعدة الاقتراح:
تحقق من قواعد التوصية التالية. القواعد: [قائمة]. المهمة: تقييم كل قاعدة مقابل المخاطر التالية: اتساق المخزون، وحماية الهامش، وملاءمة الفئة، وفقاعة التصفية، والتحيز. قم بإدراج القواعد الخطرة وتوصيتك للتصحيح.
ثلاث حالات صغيرة
الحالة 1 - مكاسب البيع المتبادل. قام أحد متاجر الإلكترونيات بتحليل بيانات الطلب باستخدام الذكاء الاصطناعي ووجد نمطًا مفاده أن "40% ممن اشتروا هاتفًا اشتروا أيضًا حافظة في غضون 30 يومًا". تمت إضافة مجموعة توصية مناسبة للحالة إلى صفحة الهاتف (تصفية تلك الموجودة في المخزون). ارتفع متوسط السلة بشكل ملموس. أعطى الذكاء الاصطناعي فرضية، واختبرها المتجر وتحقق منها.
الحالة 2 - فخ الهامش. تخلى أحد المتاجر عن الصفحة الرئيسية بالكامل واتجه إلى المنتجات "الأكثر نقرًا". وكانت المنتجات التي تم النقر عليها أكثر هي منتجات الحملة ذات الهوامش الأقل، حتى أن بعضها تم بيعه بخسارة. زادت قيمة التداول لكن الأرباح انخفضت. الحل: تمت إضافة عامل تصفية "تمييز المنتج الذي يكون هامشه أقل من الحد الأدنى على الصفحة الرئيسية" إلى قاعدة التوصية.
الحالة 3 - فقاعة التصفية. على موقع الكتب، نظرًا لأن العميل كان يُنصح باستمرار بنفس النوع من الكتب، لم يكتشف العميل أبدًا أنواعًا جديدة وانخفض اهتمامه بمرور الوقت. عندما تمت إضافة قاعدة التنوع "يجب أن تكون 20% على الأقل من الاقتراحات من فئات مختلفة" إلى قاعدة الاقتراح، تم استرداد الاكتشاف والمبيعات.
موجه ضعيف / موجه قوي
حث ضعيف:
ما الذي يمكنني أن أوصي به مع هذا المنتج، أعطني بعض الأفكار.
يُنتج النموذج توصيات عامة، ربما تكون غير متوفرة في المخزون، دون معرفة بياناتك الفعلية وهامش الربح.
مطالبة قوية:
دورك: محلل التجارة الإلكترونية. المنتج الرئيسي: سماعة رأس لاسلكية (هامش 28%، متوفر في المخزون). المرشحون التكميليون (مع المخزون/الهامش): حقيبة الحمل (45%، متوفر في المخزون)، مجموعة سماعات الأذن (50%، متوفر في المخزون)، كابل الشحن (20%، متوفر في المخزون). المهمة: اقتراح حزمتين للبيع المتبادل فقط في المخزون وبهامش ربح يزيد عن 30%؛ اكتب فائدة العميل في جملة واحدة لكل باقة.
الأخطاء الشائعة
- الخلط بين الاقتراح والأدلة. إن مخرجات الذكاء الاصطناعي هي الفرضية؛ ولا يصبح قرارا دون اختباره.
- تجاهل المخزون والهامش. يمكن أن تسلط التوصية التلقائية الضوء على المنتجات غير المربحة أو التي تم بيعها بالكامل.
- فقط أعزوها إلى الشعبية. الأكثر نقرًا ليس دائمًا الأكثر ربحية أو الأكثر ملاءمة.
- إنشاء فقاعة مرشح. إن عرض نفس المنتج باستمرار يقتل الاكتشاف والمبيعات.
- عدم التحقق من التحيز. ومن الممكن أن يعزز النظام أوجه عدم المساواة التي كانت موجودة في الماضي؛ مطلوب التفتيش المنتظم.
- البيع القسري. إن دفع نموذج باهظ الثمن ليس له أي فوائد سيؤدي إلى فقدان الثقة.
باختصار
تعمل أنظمة التوصية على زيادة متوسط السلة والولاء من خلال إظهار المنتج المناسب للعميل في اللحظة المناسبة. هناك ثلاثة منطق أساسي: القائم على المحتوى (منتجات مماثلة)، والتعاون (الشراء معًا)، والتخصيص. حتى في المتاجر الصغيرة، يمكن للذكاء الاصطناعي إنشاء فرضيات البيع المتبادل والتجميع من بيانات الطلب؛ لكن هذه أفكار يجب اختبارها، وليست إثباتًا. تأكد من وضع قواعد توصية حول المخزون والهامش وملاءمة الفئة والتنوع؛ تحقق من فقاعة الترشيح ومخاطر التحيز بانتظام. تخلق التوصية التلقائية قيمة عند الالتزام بالرقابة التجارية.
مهمة التطبيق
قم باستخراج أزواج المنتجات الخمسة التي يتم شراؤها بشكل متكرر معًا من بيانات الطلب الخاصة بك (مع رموز المنتج المجهولة). اطلب من الذكاء الاصطناعي فرضيات البيع المتبادل باستخدام قالب "تحليل المنتج المشترك". حول كل فرضية إلى عبارة "إذا-ثم" وقم بتصفيتها من خلال المخزون والهامش. اكتب خطة اختبار للفرضيتين الواعدتين (كم من الوقت، وما المقياس الذي سيتم قياسه). أخيرًا، قم بتقييم قواعد التوصية الخاصة بك فيما يتعلق بالمخاطر باستخدام قالب "تدقيق قاعدة التوصية".
قائمة مرجعية
- [ ] لقد تعاملت مع الأفكار المقترحة على أنها فرضيات قابلة للاختبار، وليس كدليل.
- [ ] لقد قمت بتصفية كل اقتراح من خلال المخزون والهامش.
- [ ] إلى جانب الشعبية، فكرت أيضًا في الربحية والملاءمة.
- [ ] لقد تجنبت فقاعة التصفية باستخدام قاعدة التنوع.
- [ ] لقد تحققت من التحيز فيما تظهره التوصيات ولمن.
- [ ] خططت لقياس الاقتراحات الواعدة باختبار حقيقي.