Dobici:
- Razumijevanje logike pokretača preporuka (kupljene zajedno, slični proizvodi, personalizacija) i njegovog utjecaja na poslovnu metriku
- Sposobnost konstruiranja odnosa proizvoda, scenarija pakovanja i unakrsne prodaje uz podršku umjetne inteligencije i pretvaranje u hipoteze koje se mogu provjeriti
- Sposobnost sagledavanja rizika od mjehurića filtera, pristranosti i automatske preporuke neutralne zalihe/marže i povezivanje pravila preporuka s komercijalnom kontrolom
Značajan dio prodaje na velikim web stranicama za e-trgovinu dolazi od proizvoda preporučenog kupcu, a ne proizvoda koji traži. Svi ste vidjeli blokove "Oni koji su ovo kupili i ovo su kupili", "Naši izbori za vas", "Jeftinije zajedno". Sistem iza ovih blokova naziva se mehanizam preporuka: to je softver koji daje odgovore na pitanje "Šta da pokažem ovoj osobi sada?" posmatrajući ponašanje kupaca, odnos proizvoda i opšte obrasce. Umjetna inteligencija (AI) je korisna u ovom polju na dva načina: pomaže vam da generišete scenarije i pravila prilikom konstruisanja logike preporuka i analizira vaše odnose proizvoda u malim prodavnicama i dolazi do ideja za pakete/unakrsnu prodaju. Ali pazite: dobar sistem preporuka mora da gleda ne samo na „koliko klikova“ već i na zalihe, maržu i korisničko iskustvo.
Hajde da razjasnimo dva pojma. Unakrsna prodaja je ponuda drugog proizvoda koji nadopunjuje proizvod kupcu (futrola za kupca telefona). Up-sell nudi viši/skuplji model koji zadovoljava iste potrebe (256 GB umjesto 128 GB). Oba su legitimni načini povećanja prosječne korpe (AOV); Ali to radi kada je zaista korisno za kupca, a ometa kada je prisiljeno.
Tri osnovne logike sistema preporuka
Sistemi preporuka uglavnom koriste jedan ili mješavinu tri pristupa.
1) Zasnovano na sadržaju: Sagledava vlastite karakteristike proizvoda. "Druge tenisice za trčanje slične ovoj cipeli za trčanje". Radi čak i s novim klijentima jer ne zahtijeva povijest ponašanja.
2) Kolaborativno filtriranje: Sagledava obrazac ponašanja. "Ljudi koji su kupili ovaj proizvod su kupili i ovo." Moćan je, ali zahtijeva puno podataka i pati od "hladnog početka" (novi proizvod/novi kupac).
3) Personalizacija: prilagođava izlog jednom kupcu na osnovu njihovog ponašanja u prošlosti. Ima snažan učinak, ali nosi rizik od privatnosti i "filterskih mehurića".
Sljedeća tabela sažima blokove preporuka i njihovu svrhu:
blok
logika
Svrha
primjer
Slični proizvodi
baziran na sadržaju
ponudi alternativu
Zatvorite modele u istoj kategoriji
uzeti zajedno
kolaborativni
unakrsna prodaja
telefon + maska + zaštita za ekran
Naši izbori za vas
Personalizacija
posvećenost
Na osnovu prethodne navigacije
Favoriti / bestseleri
Popularnost
Poverenje + novi kupac
Najprodavaniji u kategoriji
gde si stao
podaci o sesiji
preokret
Posljednji pregledani proizvodi
Preporuka podešavanja sa AI u maloj radnji
Čak i male i srednje trgovine koje ne mogu uspostaviti korporativni mehanizam preporuka mogu inteligentno strukturirati odnose proizvoda koristeći AI. Možete anonimno dati stvarne podatke o "proizvodima koji se prodaju zajedno" (stavke narudžbe) AI-u i dati analizu "koji proizvodi se kupuju zajedno, koje pakete mogu preporučiti?" AI generiše hipoteze o unakrsnoj prodaji i grupisanju za vas; Filtrirate ih kroz dionice i marže, a zatim ih zapravo testirate. Ključna riječ ovdje je hipoteza: sugestija AI nije dokaz, već ideja koju treba testirati.
Savjet: Pretvorite svaku ideju preporuke u hipotezu „ako-onda“: „Ako preporučimo Y nekome ko kupi X, njihov prosjek korpe će se povećati.“ Zatim to izmjerite malim eksperimentom (A/B test ili vremenski period). Preporuka bez mjerenja je samo nagađanje.
Komercijalna revizija preporuka
Sistem preporuka može biti opasan ako se prepusti potpuno automatiziranom "najviše klikovanom". Zaliha: preporučiti proizvod koji nije na lageru razočarat će kupca. Marža: proizvod sa najviše klikova može imati najnižu maržu; Sistem vas može uputiti na neisplative proizvode. Sigurnost i prikladnost brenda: irelevantna ili neprikladna preporuka u osjetljivim kategorijama (beba, zdravlje) gubi povjerenje. Filter balon: stalno pokazivanje kupcu iste vrste proizvoda ubija otkriće i sužava prodaju. Zbog toga su automatske preporuke nužno uokvirene poslovnim pravilima: „preporučite ono što je na lageru“, „ne isključujte proizvod čija je marža ispod ovog praga“, „održavajte usklađenost kategorije“.
Pristrasnost je takođe pravi rizik. Budući da je sistem preporuka zasnovan na ponašanju iz prošlosti, on može ojačati nejednakosti iz prošlosti; Na primjer, stalno preporučivanje jeftinijih/niže kvalitetnih proizvoda određenoj grupi. Ovo je i etičko i komercijalno pitanje. Neophodno je redovno revidirati izlazne rezultate preporuka s ciljem „šta se kome preporučuje“.
Četiri šablona za kopiranje
1) Analiza proizvoda koji se prodaju zajedno:
Vaša uloga: asistent analitičara e-trgovine. Ispod su anonimne stavke narudžbine (šifre artikala i broj puta zajedno). Podaci: [tabela]. Zadatak: pronađite 10 pari stvari koje se najčešće kupuju zajedno; Za svaki par napišite hipotezu unakrsne prodaje („Ponuda Y kupcima X“). Napomena: Ovo su hipoteze; Također ću provjeriti zalihe i maržu.
2) Preporuka paketa:
Proizvod: [glavni proizvod]. Komplementarni proizvodi: [lista, sa marginama]. Zadatak: Predložiti 3 razumna pakovanja; Za svaki paket u jednoj rečenici objasnite korist kupcu. Pravilo: svi proizvodi u pakovanju moraju biti na zalihama; čineći proizvod s niskom maržom glavnim motivom.
3) Najprodavaniji scenario:
Kupac gleda: [proizvod, cijena, karakteristike]. Visokoklasni modeli: [lista, s razlikama u cijeni/karakteristima]. Zadatak: izraditi iskrenu poruku o prodaji: koliko platiti za koju dodatnu pogodnost. Pravilo: bez preterivanja; Objasnite razliku kroz konkretne karakteristike.
4) Provjera pravila prijedloga:
Provjerite sljedeća pravila preporuke.Pravila: [lista].Zadatak: procijenite svako pravilo u odnosu na sljedeće rizike: konzistentnost zaliha, zaštita margine, uklapanje kategorije, filter balon, pristrasnost.Navedite rizična pravila i vašu preporuku za ispravku.
tri mini kofera
Slučaj 1 — Dobitak od unakrsne prodaje. Prodavnica elektronike je analizirala podatke o narudžbi pomoću AI i pronašla obrazac „40% onih koji su kupili telefon kupilo je i kućište u roku od 30 dana“. Dodan blok sa preporukama odgovarajućeg kućišta na stranici telefona (filtriranje onih na zalihama). Prosjek korpe je mjerljivo povećan. AI je dao hipotezu, prodavnica je testirala i potvrdila.
Slučaj 2 — Zamka margine. Jedna trgovina je u potpunosti napustila početnu stranicu na proizvode sa "najviše klikova". Najviše klikovanih proizvoda bili su proizvodi kampanje s najnižim maržama, neki su se čak prodavali s gubitkom. Promet je porastao, ali je profit opao. Rješenje: Filter "Istaknite proizvod čija je margina ispod praga na početnoj stranici" dodat je pravilu preporuke.
Slučaj 3 — Filter balon. Na sajtu za knjige, pošto se kupcu stalno preporučuje ista vrsta knjige, kupac nikada nije otkrio nove žanrove i njegovo interesovanje je vremenom opadalo. Kada je pravilo raznolikosti "najmanje 20% prijedloga trebalo biti iz različitih kategorija" dodano pravilu prijedloga, otkriće i prodaja su se oporavili.
Slaba prompt / Jaka prompt
Slab upit:
Šta mogu preporučiti uz ovaj proizvod, dajte mi neke ideje.
Model proizvodi generičke preporuke, možda van zalihe, bez poznavanja vaših stvarnih podataka i marže.
Snažan upit:
Vaša uloga: analitičar e-trgovine. Glavni proizvod: bežične slušalice (marža 28%, na lageru). Komplementarni kandidati (sa zalihama/marže): torbica (45%, na lageru), set slušalica (50%, na lageru), kabl za punjenje (20%, na lageru). Zadatak: predložiti 2 unakrsna paketa samo sa na lageru i sa maržama preko 30%; Napišite korist za kupca u jednoj rečenici za svaki paket.
Uobičajene greške
- Pogrešio predlog kao dokaz. Izlaz AI je hipoteza; To ne postaje odluka bez testiranja.
- Zanemarivanje inventara i marže. Automatska preporuka može istaći neisplativ ili rasprodat proizvod.
- Samo to pripišite popularnosti. Najviše klikovano nije uvijek najisplativije ili najpovoljnije.
- Kreiranje mjehurića filtera. Stalno prikazivanje istog proizvoda ubija otkriće i prodaju.
- Ne provjeravam pristrasnost. Sistem može pojačati nejednakosti iz prošlosti; Potreban je redovan pregled.
- Prisilna preprodaja. Guranje skupog modela koji nema prednosti dovest će do gubitka samopouzdanja.
Ukratko
Sistemi preporuka povećavaju prosjek korpe i lojalnost pokazujući kupcu pravi proizvod u pravom trenutku. Postoje tri osnovne logike: zasnovana na sadržaju (slični proizvodi), kolaborativni (kupljeni zajedno) i personalizacija. Čak iu malim prodavnicama, AI može generisati hipoteze o unakrsnoj prodaji i grupisanju iz podataka o narudžbi; Ali to su ideje koje treba testirati, a ne dokaz. Obavezno uokvirite pravila preporuka oko zaliha, marže, uklapanja kategorije i raznolikosti; Redovno provjeravajte rizik od mjehurića filtera i predrasuda. Automatska preporuka stvara vrijednost kada se pridržava komercijalne kontrole.
Zadatak aplikacije
Izdvojite 5 parova proizvoda koji se najčešće kupuju zajedno iz vlastitih podataka o narudžbi (sa anonimnim kodovima proizvoda). Pitajte AI za hipoteze o unakrsnoj prodaji pomoću predloška „analiza zajedničkog prodanog proizvoda“. Pretvorite svaku hipotezu u izjavu “ako-onda” i filtrirajte je kroz dionice i margine. Napišite plan testiranja za 2 hipoteze koje najviše obećavaju (koliko dugo, koju metriku mjeriti). Na kraju, procijenite svoja pravila preporuke za rizike pomoću predloška "Revizija pravila preporuke".
kontrolna lista
- [ ] Ideje sugestija sam tretirao kao hipoteze koje treba testirati, a ne kao dokaz.
- [ ] Svaki prijedlog sam filtrirao kroz dionice i margine.
- [ ] Osim popularnosti, razmatrao sam i profitabilnost i prikladnost.
- [ ] Izbjegao sam filter balon s pravilom raznolikosti.
- [ ] Provjerio sam pristrasnost šta preporuke pokazuju kome.
- [ ] Planirao sam da izmjerim obećavajuće prijedloge pravim testom.