zisky:
- Pochopení logiky nástroje doporučení (koupené společně, podobné produkty, personalizace) a jeho dopadu na obchodní metriky
- Schopnost konstruovat produktové vztahy, balíčky a scénáře křížového prodeje s podporou umělé inteligence a přeměnit je na testovatelné hypotézy
- Schopnost vidět rizika filtrační bubliny, zkreslení a automatického doporučení neutrálního na skladě/marži a propojit pravidla doporučení s komerční kontrolou
Významná část tržeb na velkých e-shopech pochází z produktu doporučeného zákazníkovi, nikoli z produktu, který hledá. Všichni jste viděli bloky „Ti, kteří si koupili toto, koupili také toto“, „Naše tipy pro vás“, „Levněji dohromady“. Systém za těmito bloky se nazývá engine doporučení: je to software, který vytváří odpovědi na otázku "Co mám teď této osobě ukázat?" pohledem na chování zákazníka, vztah produktů a obecné vzorce. Umělá inteligence (AI) je v této oblasti užitečná dvěma způsoby: pomáhá vám generovat scénáře a pravidla při vytváření logiky doporučení a analyzuje vaše vlastní vztahy s produkty v malých obchodech a přichází s nápady na balíčky/křížový prodej. Ale pozor: dobrý systém doporučení se musí dívat nejen na „kolik kliknutí“, ale také na zásoby, marži a zákaznickou zkušenost.
Pojďme si oba pojmy ujasnit. Cross-selling nabízí další produkt, který doplňuje produkt kupujícímu (pouzdro pro kupujícího telefonu). Up-sell nabízí vyšší/dražší model, který splňuje stejnou potřebu (256 GB místo 128 GB). Oba jsou legitimní způsoby, jak zvýšit průměrný koš (AOV); Ale funguje to, když je to pro zákazníka skutečně výhodné, a ruší, když je to vynucené.
Tři základní logiky systému doporučení
Systémy doporučení obecně používají jeden nebo směs tří přístupů.
1) Podle obsahu: Zaměřuje se na vlastní funkce produktu. „Další běžecké boty podobné této běžecké botě“. Funguje dokonce i s novými klienty, protože nevyžaduje historii chování.
2) Kolaborativní filtrování: Sleduje vzorec chování. "Lidé, kteří si koupili tento produkt, koupili také toto." Je výkonný, ale vyžaduje hodně dat a trpí „studeným startem“ (nový produkt/nový zákazník).
3) Personalizace: Přizpůsobuje vitrínu jednomu zákazníkovi na základě jeho chování v minulosti. Má silný účinek, ale nese riziko soukromí a „filtračních bublin“.
Následující tabulka shrnuje bloky doporučení a jejich účel:
blokovat
logika
Účel
příklad
Podobné produkty
založené na obsahu
nabídnout alternativu
Zavřít modely ve stejné kategorii
vzato dohromady
kolaborativní
křížový prodej
telefon + pouzdro + ochrana displeje
Náš výběr pro vás
Personalizace
závazek
Na základě minulé navigace
Oblíbené / bestsellery
Popularita
Důvěra + nový zákazník
Nejprodávanější v kategorii
kde jsi skončil
data relace
obrácení
Naposledy zobrazené produkty
Doporučené nastavení s AI v malém obchodě
Dokonce i malé a střední obchody, které nedokážou vytvořit nástroj pro firemní doporučení, mohou inteligentně strukturovat vztahy s produkty pomocí AI. Můžete anonymně poskytnout AI skutečná data o „spolu prodávaných produktech“ (položky objednávky) a nechat ji analyzovat „které produkty se kupují společně, které balíčky mohu doporučit?“ Umělá inteligence pro vás vytváří hypotézy křížového prodeje a sdružování; Filtrujete je přes akcie a marži a pak je skutečně testujete. Klíčovým slovem je zde hypotéza: návrh AI není důkazem, ale nápadem, který má být testován.
Tip: Proměňte každý nápad s doporučením na hypotézu „pokud-pak“: „Pokud někomu, kdo koupí X, doporučíme Y, průměr jeho košíku se zvýší.“ Poté to změřte malým experimentem (test A/B nebo časový úsek). Doporučení bez měření je jen odhad.
Komerční audit pravidel doporučení
Systém doporučení může být nebezpečný, pokud je ponechán zcela automatizovanému „nejklikanějšímu“. Sklad: doporučení produktu, který není skladem, zklame zákazníka. Marže: produkt s největším počtem kliknutí může mít nejnižší marži; Systém vás může nasměrovat na nerentabilní produkty. Bezpečnost a vhodnost značky: irelevantní nebo nevhodné doporučení v citlivých kategoriích (dítě, zdraví) ztrácí důvěru. Filtrační bublina: neustálé ukazování stejného typu produktu zákazníkovi zabíjí objevování a zužuje prodej. Proto jsou automatická doporučení nutně zarámována obchodními pravidly: „doporučit, co je skladem“, „nezobrazovat produkt, jehož marže je pod touto hranicí“, „zachovat soulad s kategoriemi“.
Zaujatost je také skutečným rizikem. Protože je systém doporučení založen na minulém chování, může posílit minulé nerovnosti; Například neustálé doporučování levnější/méně kvalitní produkty určité skupině. Jde o etický i komerční problém. Výstupy doporučení je nutné pravidelně auditovat s ohledem na to, „co se komu doporučuje“.
Čtyři kopírovatelné šablony
1) Analýza produktů prodávaných společně:
Vaše role: asistent analytika e-commerce. Níže jsou uvedeny anonymní položky objednávky (kódy položek a jejich počet dohromady). Údaje: [tabulka]. Úkol: najděte společně 10 párů nejčastěji kupovaných předmětů; Pro každý pár napište hypotézu křížového prodeje („Nabídněte Y kupujícím X“). Poznámka: Toto jsou hypotézy; Také zkontroluji zásoby a marži.
2) Doporučení balíčku:
Produkt: [hlavní produkt]. Doplňkové produkty: [seznam, s poznámkami na okraji]. Úkol: Navrhněte 3 rozumné balíčky; U každého balíčku jednou větou vysvětlete výhodnost pro zákazníka. Pravidlo: všechny produkty v balíčku musí být skladem; hlavním tahákem je produkt s nízkou marží.
3) Nejprodávanější scénář:
Zákazník se dívá na: [produkt, cena, vlastnosti]. Nadstandardní modely: [seznam, s rozdíly v ceně/vlastnostech]. Úkol: navrhnout poctivou zprávu o upsell: kolik zaplatit za jakou další výhodu.Pravidlo: bez přehánění; Vysvětlete rozdíl pomocí konkrétních prvků.
4) Kontrola pravidla návrhu:
Zkontrolujte následující pravidla doporučení.Pravidla: [seznam]. Úkol: vyhodnoťte každé pravidlo proti následujícím rizikům: konzistence akcií, ochrana marže, přizpůsobení kategorie, bublina filtru, zkreslení. Uveďte riziková pravidla a vaše doporučení k nápravě.
tři mini pouzdra
Případ 1 – Zisk z křížového prodeje. Obchod s elektronikou analyzoval data objednávek pomocí AI a našel vzorec „40 % těch, kteří si koupili telefon, si do 30 dnů koupilo také pouzdro“. Na stránku telefonu přidán blok doporučení vhodného případu (odfiltrování těch, které jsou na skladě). Průměr koše se měřitelně zvýšil. AI poskytla hypotézu, obchod ji otestoval a ověřil.
Případ 2 – Past na marži. Jeden obchod opustil domovskou stránku zcela na „nejklikanější“ produkty. Nejvíce klikanými produkty byly produkty kampaně s nejnižší marží, některé se dokonce prodávaly se ztrátou. Obrat vzrostl, ale zisky klesly. Řešení: Do pravidla doporučení byl přidán filtr „Uveďte produkt, jehož marže je pod prahovou hodnotou na domovské stránce“.
Případ 3 – Filtrační bublina. Na knižním webu, protože byl zákazníkovi neustále doporučován stejný typ knihy, zákazník nikdy neobjevil nové žánry a jeho zájem časem klesal. Když bylo k pravidlu pro návrhy přidáno pravidlo rozmanitosti „alespoň 20 % návrhů by mělo být z různých kategorií“, objevování a prodej se obnovily.
Slabá výzva / Silná výzva
Slabá výzva:
Co mohu doporučit s tímto produktem, dejte mi nějaké nápady.
Model vytváří obecná doporučení, která možná nejsou skladem, aniž byste znali vaše skutečná data a marži.
Výkonná výzva:
Vaše role: analytik e-commerce. Hlavní produkt: bezdrátový headset (marže 28 %, skladem). Doplňující kandidáti (se skladem/marží): pouzdro na přenášení (45 %, skladem), sada špuntů (50 %, skladem), nabíjecí kabel (20 %, skladem). Ke každému balíčku napište jednou větou zákaznický benefit.
Časté chyby
- Záměna návrhu za důkaz. Výstupem AI je hypotéza; Nestane se rozhodnutím bez testování.
- Ignorování zásob a marže. Automatické doporučení může upozornit na nerentabilní nebo vyprodaný produkt.
- Stačí to připsat popularitě. Nejklikanější není vždy nejziskovější nebo nejpohodlnější.
- Vytvoření filtrační bubliny. Neustálé zobrazování stejného produktu zabíjí objevování a prodej.
- Nekontroluje zaujatost. Systém může posílit minulé nerovnosti; Je nutná pravidelná kontrola.
- Nucený upselling. Tlačit drahý model, který nemá žádné výhody, způsobí ztrátu sebevědomí.
V souhrnu
Systémy doporučení zvyšují průměr košíku a loajalitu tím, že ukazují zákazníkovi správný produkt ve správný okamžik. Existují tři základní logiky: založená na obsahu (podobné produkty), kolaborativní (kupované společně) a personalizace. I v malých obchodech může umělá inteligence generovat hypotézy o křížovém prodeji a sdružování z dat objednávek; Ale to jsou myšlenky, které se mají testovat, ne důkaz. Ujistěte se, že zarámujte pravidla doporučení týkající se akcií, marže, vhodné kategorie a odrůdy; Pravidelně kontrolujte bublinu filtru a riziko zkreslení. Automatické doporučení vytváří hodnotu, pokud je dodržováno komerční řízení.
Aplikační úkol
Extrahujte 5 nejčastěji nakupovaných párů produktů z vašich vlastních údajů o objednávce (s anonymními kódy produktů). Zeptejte se AI na hypotézy křížového prodeje pomocí šablony „Analýza společně prodávaných produktů“. Udělejte z každé hypotézy prohlášení „pokud-pak“ a filtrujte je přes akcie a marži. Napište testovací plán pro 2 nejslibnější hypotézy (jak dlouho, jakou metriku měřit). Nakonec vyhodnoťte pravidla doporučení ohledně rizik pomocí šablony „Audit pravidel doporučení“.
kontrolní seznam
- [ ] S nápady na sugesci jsem zacházel jako s hypotézami, které mají být testovány, nikoli jako s důkazy.
- [ ] Každý návrh jsem filtroval přes akcie a marži.
- [ ] Kromě oblíbenosti jsem zvažoval i ziskovost a vhodnost.
- [ ] Filtrační bublině jsem se vyhnul pravidlem diverzity.
- [ ] Zkontroloval jsem zaujatost toho, co komu doporučení ukazují.
- [ ] Plánoval jsem změřit slibné návrhy skutečným testem.