লাভ:
- সুপারিশ ইঞ্জিনের যুক্তি বোঝা (একত্রে কেনা, অনুরূপ পণ্য, ব্যক্তিগতকরণ) এবং ব্যবসার মেট্রিক্সের উপর এর প্রভাব
- কৃত্রিম বুদ্ধিমত্তা সমর্থন সহ পণ্য সম্পর্ক, প্যাকেজ এবং ক্রস-সেলিং দৃশ্যকল্প তৈরি করার ক্ষমতা এবং তাদের পরীক্ষাযোগ্য অনুমানে পরিণত করার ক্ষমতা
- ফিল্টার বুদ্বুদ, পক্ষপাত এবং স্টক/মার্জিন-নিরপেক্ষ স্বয়ংক্রিয় সুপারিশ এবং বাণিজ্যিক নিয়ন্ত্রণের সাথে লিঙ্ক সুপারিশ নিয়মের ঝুঁকি দেখার ক্ষমতা
বড় ই-কমার্স সাইটগুলিতে বিক্রয়ের একটি উল্লেখযোগ্য অংশ গ্রাহকের কাছে প্রস্তাবিত পণ্য থেকে আসে, তিনি যে পণ্যটি খুঁজছেন তা নয়। আপনি সকলেই "যারা এটি কিনেছেন তারাও এটি কিনেছেন", "আপনার জন্য আমাদের পছন্দ", "একসাথে সস্তা" ব্লকগুলি দেখেছেন৷ এই ব্লকগুলির পিছনের সিস্টেমটিকে একটি সুপারিশ ইঞ্জিন বলা হয়: এটি এমন একটি সফ্টওয়্যার যা এই প্রশ্নের উত্তর তৈরি করে "আমি এখন এই ব্যক্তিকে কী দেখাব?" গ্রাহকের আচরণ, পণ্যের সম্পর্ক এবং সাধারণ নিদর্শন দেখে। কৃত্রিম বুদ্ধিমত্তা (AI) এই ক্ষেত্রে দুটি উপায়ে উপযোগী: সুপারিশ লজিক তৈরি করার সময় এটি আপনাকে পরিস্থিতি এবং নিয়ম তৈরি করতে সহায়তা করে এবং এটি ছোট দোকানে আপনার নিজস্ব পণ্যের সম্পর্ক বিশ্লেষণ করে এবং প্যাকেজ/ক্রস-সেলিং আইডিয়া নিয়ে আসে। কিন্তু সতর্ক থাকুন: একটি ভাল সুপারিশ ব্যবস্থাকে শুধু "কতটি ক্লিক" নয় বরং ইনভেন্টরি, মার্জিন এবং গ্রাহকের অভিজ্ঞতার দিকেও নজর দিতে হবে।
এর দুটি পদ স্পষ্ট করা যাক. ক্রস-সেলিং অন্য একটি পণ্য অফার করছে যা ক্রেতার কাছে একটি পণ্যের পরিপূরক (একটি ফোন ক্রেতার জন্য একটি কেস)। আপ-সেল একটি উচ্চতর/ব্যয়বহুল মডেল অফার করছে যা একই চাহিদা পূরণ করে (128 জিবির পরিবর্তে 256 জিবি)। উভয়ই গড় ঝুড়ি (AOV) বাড়ানোর বৈধ উপায়; কিন্তু এটি কাজ করে যখন এটি গ্রাহকের জন্য সত্যিকারের উপকারী হয়, এবং যখন এটি বাধ্য হয় তখন এটি বিরক্ত করে।
সুপারিশ ব্যবস্থার তিনটি মৌলিক যুক্তি
সুপারিশকারী সিস্টেমগুলি সাধারণত একটি বা তিনটি পদ্ধতির মিশ্রণ ব্যবহার করে।
1) বিষয়বস্তু-ভিত্তিক: এটি পণ্যের নিজস্ব বৈশিষ্ট্যগুলি দেখে। "এই চলমান জুতার অনুরূপ অন্যান্য চলমান জুতা"। এটি এমনকি নতুন ক্লায়েন্টদের সাথে কাজ করে কারণ এটি আচরণগত ইতিহাসের প্রয়োজন হয় না।
2) সহযোগী ফিল্টারিং: আচরণের ধরণ দেখে। "যারা এই পণ্যটি কিনেছেন তারাও এটি কিনেছেন।" এটি শক্তিশালী, তবে প্রচুর ডেটার প্রয়োজন হয় এবং এটি একটি "কোল্ড স্টার্ট" (নতুন পণ্য/নতুন গ্রাহক) থেকে ভুগছে।
3) ব্যক্তিগতকরণ: এটি তাদের অতীত আচরণের উপর ভিত্তি করে একটি একক গ্রাহকের জন্য শোকেস তৈরি করে। এটি একটি শক্তিশালী প্রভাব আছে কিন্তু গোপনীয়তা এবং "ফিল্টার বুদবুদ" ঝুঁকি বহন করে।
নিম্নলিখিত সারণী সুপারিশ ব্লক এবং তাদের উদ্দেশ্য সংক্ষিপ্ত করে:
ব্লক
যুক্তি
উদ্দেশ্য
উদাহরণ
অনুরূপ পণ্য
বিষয়বস্তু ভিত্তিক
একটি বিকল্প প্রস্তাব
একই বিভাগে মডেল বন্ধ করুন
একসাথে নেওয়া
সহযোগী
ক্রস বিক্রয়
ফোন + কেস + স্ক্রিন প্রটেক্টর
আপনার জন্য আমাদের বাছাই
ব্যক্তিগতকরণ
অঙ্গীকার
অতীত নেভিগেশন উপর ভিত্তি করে
প্রিয়/বেস্টসেলার
জনপ্রিয়তা
বিশ্বাস + নতুন গ্রাহক
বিভাগে সেরা বিক্রেতা
যেখানে আপনি ছেড়ে গেছেন
সেশন ডেটা
বিপরীত
সর্বশেষ দেখা পণ্য
একটি ছোট দোকানে AI সহ প্রস্তাবনা সেটআপ
এমনকি ছোট এবং মাঝারি দোকানগুলি যেগুলি কর্পোরেট সুপারিশ ইঞ্জিন স্থাপন করতে পারে না তারা বুদ্ধিমত্তার সাথে AI ব্যবহার করে পণ্য সম্পর্ক গঠন করতে পারে। আপনি বেনামে আসল "একসাথে বিক্রি হওয়া পণ্য" ডেটা (অর্ডার আইটেম) AI কে দিতে পারেন এবং এটি বিশ্লেষণ করতে পারেন "কোন পণ্যগুলি একসাথে কেনা হয়, আমি কোন প্যাকেজগুলি সুপারিশ করতে পারি?" AI আপনার জন্য ক্রস-সেলিং এবং বান্ডলিং হাইপোথিসিস তৈরি করে; আপনি স্টক এবং মার্জিন মাধ্যমে তাদের ফিল্টার, এবং তারপর আপনি আসলে তাদের পরীক্ষা. এখানে মূল শব্দটি হাইপোথিসিস: এআই এর পরামর্শটি প্রমাণ নয়, তবে পরীক্ষা করার জন্য একটি ধারণা।
টিপ: প্রতিটি সুপারিশ ধারণাকে একটি "যদি-তাহলে" অনুমানে পরিণত করুন: "যদি আমরা এমন কাউকে Y সুপারিশ করি যিনি X কেনেন, তাদের বাস্কেট গড় বৃদ্ধি পাবে।" তারপর একটি ছোট পরীক্ষা (A/B পরীক্ষা বা সময়কাল) দিয়ে এটি পরিমাপ করুন। পরিমাপ ছাড়া একটি সুপারিশ শুধুমাত্র একটি অনুমান.
সুপারিশ নিয়মের বাণিজ্যিক নিরীক্ষা
একটি সুপারিশ সিস্টেম বিপজ্জনক হতে পারে যদি সম্পূর্ণরূপে স্বয়ংক্রিয়ভাবে "সবচেয়ে বেশি ক্লিক করা" ছেড়ে যায়। স্টক: স্টক নেই এমন একটি পণ্যের সুপারিশ গ্রাহককে হতাশ করবে। মার্জিন: সর্বাধিক ক্লিক সহ পণ্যের মার্জিন সর্বনিম্ন থাকতে পারে; সিস্টেম আপনাকে অলাভজনক পণ্যের দিকে পরিচালিত করতে পারে। ব্র্যান্ড নিরাপত্তা এবং উপযুক্ততা: সংবেদনশীল বিভাগে (শিশু, স্বাস্থ্য) অপ্রাসঙ্গিক বা অনুপযুক্ত সুপারিশ বিশ্বাস হারায়। ফিল্টার বুদ্বুদ: ক্রমাগত গ্রাহককে একই ধরণের পণ্য দেখানো আবিষ্কারকে হত্যা করে এবং বিক্রয়কে সংকুচিত করে। এই কারণেই স্বয়ংক্রিয় সুপারিশগুলি অগত্যা ব্যবসায়িক নিয়ম দ্বারা তৈরি করা হয়: "স্টকে যা আছে তা সুপারিশ করুন", "যে পণ্যটির মার্জিন এই থ্রেশহোল্ডের নীচে রয়েছে সেটিকে বৈশিষ্ট্যযুক্ত করবেন না", "বিভাগের সম্মতি বজায় রাখুন"।
পক্ষপাতও একটি বাস্তব ঝুঁকি। কারণ সুপারিশ ব্যবস্থা অতীত আচরণের উপর ভিত্তি করে, এটি অতীতের অসমতাকে শক্তিশালী করতে পারে; উদাহরণস্বরূপ, একটি নির্দিষ্ট গোষ্ঠীকে ক্রমাগত সস্তা/নিম্ন মানের পণ্যের সুপারিশ করা। এটি একটি নৈতিক এবং বাণিজ্যিক উভয় সমস্যা। "কাকে কী সুপারিশ করা হচ্ছে" এই লক্ষ্যে সুপারিশের আউটপুটগুলি নিয়মিত অডিট করা প্রয়োজন।
চারটি অনুলিপিযোগ্য টেমপ্লেট
1) একসাথে বিক্রি হওয়া পণ্যের বিশ্লেষণ:
আপনার ভূমিকা: ই-কমার্স বিশ্লেষক সহকারী। নীচে বেনামী অর্ডার আইটেম (আইটেম কোড এবং একসাথে নেওয়ার সংখ্যা)। ডেটা: [টেবিল]। কাজ: প্রায়শই একসাথে কেনা 10 জোড়া আইটেম খুঁজুন; প্রতিটি জোড়ার জন্য, একটি ক্রস-সেলিং হাইপোথিসিস লিখুন ("অফার Y টু ক্রেতাদের X")। দ্রষ্টব্য: এগুলি অনুমান; আমি স্টক এবং মার্জিনও পরীক্ষা করব।
2) বান্ডিল সুপারিশ:
পণ্য: [প্রধান পণ্য]। পরিপূরক পণ্য: [তালিকা, মার্জিন নোট সহ]। টাস্ক: 3টি যুক্তিযুক্ত প্যাকেজ সাজেস্ট করুন; প্রতিটি প্যাকেজের জন্য, গ্রাহককে এক বাক্যে সুবিধা ব্যাখ্যা করুন। নিয়ম: প্যাকেজের সমস্ত পণ্য স্টকে থাকতে হবে; কম মার্জিন পণ্য প্রধান ড্র করা.
3) শীর্ষ বিক্রির দৃশ্য:
গ্রাহক দেখছেন: [পণ্য, মূল্য, বৈশিষ্ট্য]। আপস্কেল মডেল: [দাম/বৈশিষ্ট্যের পার্থক্য সহ তালিকা]। টাস্ক: একটি সৎ আপসেল বার্তা খসড়া করুন: অতিরিক্ত সুবিধার জন্য কত টাকা দিতে হবে। নিয়ম: কোনো অতিরঞ্জিত নয়; কংক্রিট বৈশিষ্ট্যের মাধ্যমে পার্থক্য ব্যাখ্যা কর।
4) পরামর্শ নিয়ম চেক:
নিম্নলিখিত সুপারিশের নিয়মগুলি দেখুন৷ নিয়মগুলি: [তালিকা]৷ টাস্ক: নিম্নলিখিত ঝুঁকিগুলির বিরুদ্ধে প্রতিটি নিয়মের মূল্যায়ন করুন: স্টক সামঞ্জস্য, মার্জিন সুরক্ষা, বিভাগ ফিট, ফিল্টার বুদবুদ, পক্ষপাত৷ ঝুঁকিপূর্ণ নিয়মগুলি তালিকাভুক্ত করুন এবং সংশোধনের জন্য আপনার সুপারিশ৷
তিনটি মিনি কেস
কেস 1 — ক্রস-সেলিং লাভ। একটি ইলেক্ট্রনিক্স স্টোর AI এর সাথে অর্ডার ডেটা বিশ্লেষণ করেছে এবং একটি প্যাটার্ন পেয়েছে "যারা একটি ফোন কিনেছে তাদের মধ্যে 40% তারা 30 দিনের মধ্যে একটি কেসও কিনেছে।" ফোন পৃষ্ঠায় একটি উপযুক্ত কেস সুপারিশ ব্লক যোগ করা হয়েছে (স্টক থাকাগুলিকে ফিল্টার করা)। ঝুড়ি গড় পরিমাপ বৃদ্ধি. AI একটি হাইপোথিসিস দিয়েছে, স্টোরটি পরীক্ষা করেছে এবং যাচাই করেছে।
কেস 2 — মার্জিন ফাঁদ। একটি দোকান "সবচেয়ে ক্লিক করা" পণ্যের জন্য সম্পূর্ণরূপে হোমপেজ পরিত্যাগ করেছে৷ সর্বাধিক ক্লিক করা পণ্যগুলি ছিল সর্বনিম্ন মার্জিন সহ প্রচারাভিযানের পণ্য, কিছু এমনকি লোকসানে বিক্রি হয়েছে৷ টার্নওভার বাড়লেও লাভ কমেছে। সমাধান: "যে পণ্যটির মার্জিন হোম পেজে থ্রেশহোল্ডের নিচে আছে সেটিকে ফিচার করুন" সুপারিশের নিয়মে ফিল্টার যোগ করা হয়েছে।
কেস 3 — ফিল্টার বুদ্বুদ। একটি বইয়ের সাইটে, যেহেতু গ্রাহককে ক্রমাগত একই ধরনের বইয়ের সুপারিশ করা হয়েছিল, গ্রাহক কখনও নতুন জেনার আবিষ্কার করেননি এবং সময়ের সাথে সাথে তার আগ্রহ কমে যায়। যখন বৈচিত্র্যের নিয়ম "পরামর্শের কমপক্ষে 20% বিভিন্ন বিভাগ থেকে হওয়া উচিত" পরামর্শের নিয়মে যোগ করা হয়েছিল, আবিষ্কার এবং বিক্রয় পুনরুদ্ধার করা হয়েছিল।
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
দুর্বল প্রম্পট:
আমি এই পণ্যের সাথে কি সুপারিশ করতে পারি, আমাকে কিছু ধারণা দিন।
মডেলটি আপনার প্রকৃত ডেটা এবং মার্জিন না জেনে জেনেরিক, সম্ভবত স্টকের বাইরের সুপারিশগুলি তৈরি করে।
শক্তিশালী প্রম্পট:
আপনার ভূমিকা: ই-কমার্স বিশ্লেষক। প্রধান পণ্য: বেতার হেডসেট (মার্কিন 28%, স্টক)। পরিপূরক প্রার্থীরা (স্টক/মার্জিন সহ): বহনকারী কেস (45%, স্টকে), ইয়ারবাডের সেট (50%, স্টকে), চার্জিং কেবল (20%, স্টকে)। টাস্ক: 2টি ক্রস-সেলিং প্যাকেজ প্রস্তাব করুন শুধুমাত্র স্টকে এবং 30% এর বেশি মার্জিন সহ; প্রতিটি প্যাকেজের জন্য গ্রাহক সুবিধা এক বাক্যে লিখুন।
সাধারণ ভুল
- প্রমাণের জন্য পরামর্শ ভুল করা. AI এর আউটপুট হল হাইপোথিসিস; এটি পরীক্ষা না করে সিদ্ধান্তে পরিণত হয় না।
- ইনভেন্টরি এবং মার্জিন উপেক্ষা করা। স্বয়ংক্রিয় সুপারিশ অলাভজনক বা বিক্রি পণ্য হাইলাইট করতে পারে.
- শুধু জনপ্রিয়তা এটা আরোপিত. সবচেয়ে বেশি ক্লিক করা সবসময় সবচেয়ে লাভজনক বা সবচেয়ে সুবিধাজনক নয়।
- একটি ফিল্টার বুদ্বুদ তৈরি করা হচ্ছে। ক্রমাগত একই পণ্য প্রদর্শন আবিষ্কার এবং বিক্রয় হত্যা.
- পক্ষপাত পরীক্ষা না. সিস্টেম অতীতের অসমতাকে শক্তিশালী করতে পারে; নিয়মিত পরিদর্শন প্রয়োজন.
- জোর করে আপসেলিং। কোনো সুবিধা নেই এমন একটি ব্যয়বহুল মডেলকে ঠেলে দিলে আপনি আত্মবিশ্বাস হারিয়ে ফেলবেন।
সংক্ষেপে
সুপারিশ সিস্টেম সঠিক মুহুর্তে গ্রাহককে সঠিক পণ্য দেখিয়ে ঝুড়ি গড় এবং বিশ্বস্ততা বৃদ্ধি করে। তিনটি মৌলিক যুক্তি আছে: বিষয়বস্তু-ভিত্তিক (অনুরূপ পণ্য), সহযোগী (একত্রে কেনা), এবং ব্যক্তিগতকরণ। এমনকি ছোট দোকানেও, AI অর্ডার ডেটা থেকে ক্রস-সেলিং এবং বান্ডলিং হাইপোথিসিস তৈরি করতে পারে; কিন্তু এগুলি পরীক্ষা করা ধারণা, প্রমাণ নয়। স্টক, মার্জিন, ক্যাটাগরি ফিট এবং বৈচিত্র্যের আশেপাশে সুপারিশের নিয়মগুলি ফ্রেম করতে ভুলবেন না; ফিল্টার বুদবুদ এবং পক্ষপাতের ঝুঁকি নিয়মিত পরীক্ষা করুন। বাণিজ্যিক নিয়ন্ত্রণ মেনে চলা হলে স্বয়ংক্রিয় সুপারিশ মান তৈরি করে।
আবেদন টাস্ক
আপনার নিজের অর্ডার ডেটা থেকে (বেনামী পণ্য কোড সহ) 5টি পণ্য জোড়া সবচেয়ে ঘন ঘন একত্রে ক্রয় করুন। "সহ-বিক্রীত পণ্য বিশ্লেষণ" টেমপ্লেট সহ ক্রস-সেলিং হাইপোথিসিসের জন্য AI-কে জিজ্ঞাসা করুন। প্রতিটি অনুমানকে একটি "যদি-তাহলে" বিবৃতিতে পরিণত করুন এবং স্টক এবং মার্জিনের মাধ্যমে এটি ফিল্টার করুন। 2টি সবচেয়ে প্রতিশ্রুতিশীল অনুমানের জন্য একটি পরীক্ষার পরিকল্পনা লিখুন (কত দিন, কোন মেট্রিক পরিমাপ করতে হবে)। অবশেষে, "সুপারিশ নিয়ম নিরীক্ষা" টেমপ্লেট দিয়ে ঝুঁকির জন্য আপনার সুপারিশের নিয়মগুলি মূল্যায়ন করুন।
চেকলিস্ট
- [ ] আমি পরামর্শের ধারণাগুলিকে পরীক্ষা করার জন্য অনুমান হিসাবে বিবেচনা করেছি, প্রমাণ হিসাবে নয়।
- [ ] আমি স্টক এবং মার্জিনের মাধ্যমে প্রতিটি পরামর্শ ফিল্টার করেছি৷
- [] জনপ্রিয়তার পাশাপাশি, আমি লাভজনকতা এবং উপযুক্ততাও বিবেচনা করেছি।
- [ ] আমি বৈচিত্র্যের নিয়মের সাথে ফিল্টার বুদবুদ এড়িয়েছি।
- [ ] সুপারিশগুলি কাকে দেখায় তা আমি পক্ষপাতিত্বের জন্য পরীক্ষা করেছি৷
- আমি একটি বাস্তব পরীক্ষা দিয়ে প্রতিশ্রুতিশীল পরামর্শ পরিমাপ করার পরিকল্পনা করেছি।