Печалби:
- Разбиране на логиката на механизма за препоръки (купени заедно, подобни продукти, персонализиране) и неговото въздействие върху бизнес показателите
- Способност за изграждане на продуктови взаимоотношения, пакетиране и сценарии за кръстосани продажби с поддръжка на изкуствен интелект и превръщането им в тествани хипотези
- Възможност за виждане на рисковете от балон на филтъра, пристрастия и автоматична препоръка, неутрална по отношение на запасите/маржа, и свързване на правилата за препоръчване с търговския контрол
Значителна част от продажбите в големите сайтове за електронна търговия идват от продукта, препоръчан на клиента, а не от продукта, който той търси. Всички сте виждали блоковете „Тези, които купиха това, купиха и това“, „Нашият избор за вас“, „По-евтино заедно“. Системата зад тези блокове се нарича двигател за препоръки: това е софтуер, който произвежда отговори на въпроса „Какво да покажа на този човек сега?“ като разглеждаме поведението на клиента, връзката на продуктите и общите модели. Изкуственият интелект (AI) е полезен в тази област по два начина: той ви помага да генерирате сценарии и правила, когато конструирате логиката на препоръките, и анализира вашите собствени продуктови взаимоотношения в малки магазини и предлага идеи за пакети/кръстосани продажби. Но внимавайте: добрата система за препоръки трябва да разглежда не само „колко кликвания“, но също така инвентара, маржа и клиентското изживяване.
Нека изясним двата термина. Кръстосаната продажба е предлагане на друг продукт, който допълва продукт на купувач (калъф за купувач на телефон). Up-sell предлага по-висок/скъп модел, който отговаря на същата нужда (256 GB вместо 128 GB). И двата са законни начини за увеличаване на средната кошница (AOV); Но работи, когато е наистина полезно за клиента, и пречи, когато е принудено.
Три основни логики на системата за препоръки
Системите за препоръчване обикновено използват един или комбинация от три подхода.
1) Базиран на съдържание: Разглежда собствените характеристики на продукта. „Други маратонки, подобни на тази маратонка“. Работи дори с нови клиенти, защото не изисква история на поведението.
2) Съвместно филтриране: Разглежда модела на поведение. „Хората, които са купили този продукт, са купили и този.“ Той е мощен, но изисква много данни и страда от „студен старт“ (нов продукт/нов клиент).
3) Персонализиране: Той приспособява витрината към отделен клиент въз основа на миналото му поведение. Има мощен ефект, но крие риск за неприкосновеността на личния живот и „филтърни мехурчета“.
Следната таблица обобщава препоръчителните блокове и тяхната цел:
блок
логика
Цел
пример
Подобни продукти
базирани на съдържание
предложете алтернатива
Близки модели в същата категория
взети заедно
съвместен
кръстосани продажби
телефон + калъф + скрийн протектор
Нашите избори за вас
Персонализиране
ангажираност
Въз основа на предишна навигация
Любими / бестселъри
Популярност
Доверие + нов клиент
Бестселъри в категорията
където си спрял
данни за сесията
обръщане
Последно разглеждани продукти
Настройка на препоръка с AI в малък магазин
Дори малки и средни магазини, които не могат да създадат корпоративен двигател за препоръки, могат интелигентно да структурират продуктовите взаимоотношения с помощта на AI. Можете анонимно да дадете реалните данни за „продукти, продавани заедно“ (артикули за поръчка) на AI и той да анализира „кои продукти се купуват заедно, кои пакети мога да препоръчам?“ AI генерира кръстосани продажби и хипотези за пакетиране за вас; Вие ги филтрирате през наличност и марж и след това всъщност ги тествате. Ключовата дума тук е хипотеза: предложението на AI не е доказателство, а идея, която трябва да бъде тествана.
Съвет: Превърнете всяка идея за препоръка в хипотеза „ако-тогава“: „Ако препоръчаме Y на някой, който купува X, средната му кошница ще се увеличи.“ След това измерете това с малък експеримент (A/B тест или период от време). Препоръка без измерване е само предположение.
Търговски одит на правилата за препоръки
Системата за препоръки може да бъде опасна, ако бъде оставена на напълно автоматизирано „най-кликнато“. Наличност: препоръчването на продукт, който е изчерпан, ще разочарова клиента. Марж: продуктът с най-много кликове може да има най-нисък марж; Системата може да ви насочи към нерентабилни продукти. Безопасност и пригодност на марката: неуместна или неподходяща препоръка в чувствителни категории (бебе, здраве) губи доверие. Филтърен балон: постоянното показване на клиента на един и същ тип продукт убива откриването и стеснява продажбите. Ето защо автоматичните препоръки са задължително рамкирани от бизнес правила: „препоръчайте това, което е на склад“, „не представяйте продукта, чийто марж е под този праг“, „поддържайте съответствие на категорията“.
Пристрастията също са реален риск. Тъй като системата за препоръки се основава на минало поведение, тя може да засили минали неравенства; Например постоянно препоръчване на по-евтини/по-нискокачествени продукти на определена група. Това е както етичен, така и търговски въпрос. Необходимо е редовно да се проверяват резултатите от препоръките с оглед „какво на кого се препоръчва“.
Четири копируеми шаблона
1) Анализ на продуктите, продавани заедно:
Вашата роля: асистент анализатор на електронната търговия. По-долу са анонимни артикули за поръчка (кодове на артикули и брой пъти, взети заедно). Данни: [таблица]. Задача: намерете 10-те чифта артикули, които най-често се купуват заедно; За всяка двойка напишете хипотеза за кръстосани продажби („Предложете Y на купувачи X“). Забележка: Това са хипотези; Ще проверя също наличността и маржа.
2) Препоръка за пакет:
Продукт: [основен продукт]. Допълнителни продукти: [списък, с бележки по полето]. Задача: Предложете 3 разумни пакета; За всеки пакет обяснете ползата за клиента с едно изречение. Правило: всички продукти в пакета трябва да са в наличност; превръщайки продукта с нисък марж в основната привлекателност.
3) Най-продаван сценарий:
Клиентът разглежда: [продукт, цена, характеристики]. Висококачествени модели: [списък, с разлики в цена/функция]. Задача: начертайте честно съобщение за надценка: колко да платите за коя допълнителна полза. Правило: без преувеличение; Обяснете разликата чрез конкретни характеристики.
4) Проверка на правилото за предложение:
Проверете следните правила за препоръки. Правила: [списък]. Задача: оценете всяко правило спрямо следните рискове: консистенция на запасите, защита на маржа, съответствие на категорията, балон на филтъра, отклонение. Избройте рисковите правила и вашата препоръка за корекция.
три мини калъфа
Случай 1 — Печалба от кръстосани продажби. Магазин за електроника анализира данни за поръчки с AI и откри модел на „40% от тези, които са закупили телефон, са закупили и калъф в рамките на 30 дни“. Добавен е подходящ блок за препоръки за калъфи към страницата на телефона (филтриране на тези в наличност). Средната стойност на кошницата се увеличи осезаемо. AI даде хипотеза, магазинът я тества и потвърди.
Случай 2 — Прихващане на маржа. Един магазин изостави началната страница изцяло за „най-кликаните“ продукти. Продуктите с най-много кликвания бяха продуктите на кампанията с най-ниски маржове, някои дори продадени на загуба. Оборотът се увеличи, но печалбите намаляха. Решение: Филтърът „Представете продукта, чийто марж е под прага на началната страница“ е добавен към правилото за препоръки.
Случай 3 — Филтърен балон. В сайт за книги, тъй като на клиента постоянно се препоръчваше един и същи тип книга, клиентът никога не откриваше нови жанрове и интересът му намаляваше с времето. Когато правилото за разнообразие „поне 20% от предложенията трябва да са от различни категории“ беше добавено към правилото за предложения, откриването и продажбите се възстановиха.
Слаба подкана / Силна подкана
Слаба подкана:
Какво мога да препоръчам с този продукт, дайте ми някакви идеи.
Моделът дава общи препоръки, може би за изчерпани стоки, без да знае вашите действителни данни и марж.
Мощна подкана:
Вашата роля: анализатор на електронната търговия. Основен продукт: безжични слушалки (марж 28%, на склад). Допълнителни кандидати (с наличност/марж): чанта за носене (45%, на склад), комплект слушалки (50%, на склад), кабел за зареждане (20%, на склад). Задача: предложете 2 пакета за кръстосани продажби само с наличност и с маржове над 30%; Напишете ползата за клиента в едно изречение за всеки пакет.
Често срещани грешки
- Погрешно приемане на предложението за доказателство. Резултатът от AI е хипотезата; Не се превръща в решение, без да бъде тествано.
- Игнориране на инвентара и маржа. Автоматичната препоръка може да подчертае нерентабилен или разпродаден продукт.
- Просто го отдайте на популярността. Най-кликаното не винаги е най-печелившото или най-удобното.
- Създаване на филтърно балонче. Постоянното показване на един и същ продукт убива откриването и продажбите.
- Без проверка на пристрастия. Системата може да засили минали неравенства; Необходима е редовна проверка.
- Принудително наддаване. Натискането на скъп модел, който няма предимства, ще ви накара да загубите доверие.
В обобщение
Системите за препоръки увеличават средната стойност на кошницата и лоялността, като показват на клиента правилния продукт в точния момент. Има три основни логики: базирана на съдържание (подобни продукти), съвместна работа (купени заедно) и персонализация. Дори в малки магазини AI може да генерира хипотези за кръстосани продажби и пакети от данни за поръчки; Но това са идеи, които трябва да бъдат тествани, а не доказателства. Уверете се, че формулирате правилата за препоръки около наличност, марж, подходяща категория и разнообразие; Редовно проверявайте балончето на филтъра и рисковете от отклонение. Автоматичната препоръка създава стойност, когато се придържа към търговски контрол.
Задача за приложение
Извлечете 5-те чифта продукти, които най-често се купуват заедно, от вашите собствени данни за поръчка (с анонимни продуктови кодове). Помолете AI за хипотези за кръстосани продажби с шаблона „Анализ на съвместно продаден продукт“. Превърнете всяка хипотеза в изявление „ако-тогава“ и я филтрирайте през наличност и марж. Напишете тестов план за 2-те най-обещаващи хипотези (колко време, какъв показател да се измери). И накрая, оценете правилата си за препоръки за рискове с шаблона „Одит на правила за препоръки“.
контролен списък
- [ ] Отнасях се към идеите за предложения като към хипотези, които трябва да бъдат тествани, а не като доказателства.
- [ ] Филтрирах всяко предложение чрез наличност и марж.
- [ ] Освен популярността, взех предвид и рентабилността и пригодността.
- [ ] Избегнах филтърния балон с правилото за разнообразие.
- [ ] Проверих за пристрастия какво на кого показват препоръките.
- [ ] Планирах да измеря обещаващите предложения с реален тест.