Gevinster:
- Forståelse af logikken i anbefalingsmotoren (købt sammen, lignende produkter, personalisering) og dens indvirkning på forretningsmålinger
- Evne til at konstruere produktrelationer, pakke og krydssalgsscenarier med støtte til kunstig intelligens og omdanne dem til testbare hypoteser
- Evne til at se risiciene ved filterboble, bias og lager/margin-neutral automatisk anbefaling og knytte anbefalingsregler til kommerciel kontrol
En betydelig del af salget på store e-handelssider kommer fra det produkt, der anbefales til kunden, ikke det produkt, han leder efter. I har alle set blokkene "Dem, der købte dette, købte også dette", "Vores valg til dig", "Billigere sammen". Systemet bag disse blokke kaldes en anbefalingsmotor: det er software, der producerer svar på spørgsmålet "Hvad skal jeg vise denne person nu?" ved at se på kundens adfærd, produkternes forhold og generelle mønstre. Kunstig intelligens (AI) er nyttig inden for dette felt på to måder: den hjælper dig med at generere scenarier og regler, når du konstruerer anbefalingslogik, og den analyserer dine egne produktrelationer i små butikker og kommer med ideer til pakke/krydssalg. Men pas på: et godt anbefalingssystem skal ikke kun se på "hvor mange klik", men også på lager, margin og kundeoplevelse.
Lad os præcisere de to udtryk. Krydssalg er at tilbyde et andet produkt, der supplerer et produkt til en køber (et etui til en telefonkøber). Up-sell tilbyder en højere/dyrere model, der opfylder samme behov (256 GB i stedet for 128 GB). Begge er legitime måder at øge den gennemsnitlige kurv (AOV); Men det virker, når det virkelig er gavnligt for kunden, og det forstyrrer, når det er tvunget.
Tre grundlæggende logikker i anbefalingssystemet
Anbefalingssystemer bruger generelt en eller en blanding af tre tilgange.
1) Indholdsbaseret: Den ser på produktets egne funktioner. "Andre løbesko, der ligner denne løbesko". Det virker endda med nye kunder, fordi det ikke kræver adfærdshistorie.
2) Kollaborativ filtrering: Ser på adfærdsmønsteret. "Folk, der købte dette produkt, købte også dette." Det er kraftfuldt, men kræver meget data og lider under en "kold start" (nyt produkt/ny kunde).
3) Personalisering: Det skræddersyer udstillingsvinduet til en enkelt kunde baseret på deres tidligere adfærd. Det har en kraftig effekt, men indebærer en risiko for privatliv og "filterbobler".
Følgende tabel opsummerer anbefalingsblokkene og deres formål:
blokere
logik
Formål
eksempel
Lignende produkter
indholdsbaseret
tilbyde et alternativ
Luk modeller i samme kategori
taget sammen
samarbejdende
krydssalg
telefon + etui + skærmbeskytter
Vores valg til dig
Personalisering
engagement
Baseret på tidligere navigation
Favoritter / bestsellere
Popularitet
Tillid + ny kunde
Bestsellere i kategorien
hvor du slap
sessionsdata
vending
Sidst sete produkter
Anbefalet opsætning med AI i en lille butik
Selv små og mellemstore butikker, der ikke kan etablere en virksomhedsanbefalingsmotor, kan intelligent strukturere produktrelationer ved hjælp af AI. Du kan anonymt give de rigtige "produkter solgt sammen" data (ordrevarer) til AI og få det til at analysere "hvilke produkter er købt sammen, hvilke pakker kan jeg anbefale?" AI genererer krydssalg og bundling-hypoteser til dig; Du filtrerer dem gennem lager og margin, og så tester du dem faktisk. Nøgleordet her er hypotese: AI's forslag er ikke bevis, men en idé, der skal testes.
Tip: Gør hver anbefalingside om til en "hvis-så"-hypotese: "Hvis vi anbefaler Y til nogen, der køber X, vil deres kurvgennemsnit stige." Mål derefter dette med et lille eksperiment (A/B-test eller tidsrum). En anbefaling uden måling er kun et gæt.
Kommerciel revision af anbefalingsregler
Et anbefalingssystem kan være farligt, hvis det overlades til fuldstændig automatiseret "mest klik". Lager: at anbefale et produkt, der ikke er på lager, vil skuffe kunden. Margin: produktet med flest klik kan have den laveste margin; Systemet kan lede dig til urentable produkter. Brandsikkerhed og egnethed: irrelevant eller upassende anbefaling i følsomme kategorier (baby, sundhed) mister tillid. Filterboble: konstant at vise kunden den samme type produkt dræber opdagelse og indsnævrer salget. Det er derfor, automatiske anbefalinger nødvendigvis er indrammet af forretningsregler: "anbefal hvad der er på lager", "udvis ikke produktet, hvis margen er under denne tærskel", "oprethold overensstemmelse med kategorien".
Bias er også en reel risiko. Fordi anbefalingssystemet er baseret på tidligere adfærd, kan det forstærke tidligere uligheder; For eksempel konstant at anbefale billigere/lavere kvalitetsprodukter til en bestemt gruppe. Dette er både et etisk og kommercielt spørgsmål. Det er nødvendigt regelmæssigt at revidere anbefalingernes output med henblik på "hvad der anbefales til hvem".
Fire kopierbare skabeloner
1) Analyse af produkter solgt sammen:
Din rolle: e-handelsanalytikerassistent. Nedenfor er anonyme ordrevarer (varekoder og antal gange taget sammen). Data: [tabel]. Opgave: find de 10 par varer, der oftest købes sammen; For hvert par skal du skrive en krydssalgshypotese ("Tilbyd Y til købere X"). Bemærk: Dette er hypoteser; Jeg vil også tjekke lager og margin.
2) Pakkeanbefaling:
Produkt: [hovedprodukt]. Supplerende produkter: [liste, med margennoter].Opgave: Foreslå 3 fornuftige pakker; For hver pakke skal du forklare fordelen for kunden i én sætning. Regel: alle produkter i pakken skal være på lager; gør produktet med lav margin til det største trækplaster.
3) Bedst sælgende scenario:
Kunden ser på: [produkt, pris, funktioner]. Fornemme modeller: [liste, med pris-/funktionsforskelle]. Opgave: udarbejde en ærlig mersalgsmeddelelse: hvor meget skal man betale for hvilken yderligere fordel. Regel: ingen overdrivelse; Forklar forskellen gennem konkrete træk.
4) Tjek af forslagsregler:
Tjek følgende anbefalingsregler.Regler: [liste].Opgave: Evaluer hver regel i forhold til følgende risici: lagerkonsistens, marginbeskyttelse, kategoritilpasning, filterboble, bias. List de risikable regler og din anbefaling til korrektion.
tre minisager
Case 1 — Krydssalgsgevinst. En elektronikbutik analyserede ordredata med AI og fandt et mønster på "40 % af dem, der købte en telefon, købte også et etui inden for 30 dage." Tilføjet en passende blok med anbefaling af etui til telefonsiden (filtrering af dem på lager). Kurvens gennemsnit steg målbart. AI gav en hypotese, butikken testede og verificerede den.
Tilfælde 2 — Marginfælde. En butik opgav hjemmesiden helt til "mest klikkede" produkter. De mest klikkede produkter var kampagneprodukterne med de laveste marginer, nogle endda solgt med tab. Omsætningen steg, men overskuddet faldt. Løsning: "Vis det produkt, hvis margen er under tærsklen på startsiden"-filteret er blevet tilføjet til anbefalingsreglen.
Tilfælde 3 — Filterboble. På en bogside, fordi kunden hele tiden blev anbefalet den samme type bog, opdagede kunden aldrig nye genrer, og hans interesse faldt med tiden. Da mangfoldighedsreglen "mindst 20 % af forslagene skulle være fra forskellige kategorier" blev føjet til forslagsreglen, blev opdagelse og salg genvundet.
Svag prompt / Stærk prompt
Svag prompt:
Hvad kan jeg anbefale med dette produkt, giv mig nogle ideer.
Modellen producerer generiske, måske udsolgte anbefalinger uden at kende dine faktiske data og margin.
Kraftig prompt:
Din rolle: e-handelsanalytiker. Hovedprodukt: trådløst headset (margin 28%, på lager). Supplerende kandidater (med lager/margin): bæretaske (45%, på lager), sæt øretelefoner (50%, på lager), ladekabel (20%, på lager).Opgave: Foreslå 2 krydssalgspakker kun med på lager og med marginer over 30%; Skriv kundefordel i én sætning for hver pakke.
Almindelige fejl
- Forveksler forslaget som bevis. Outputtet af AI er hypotesen; Det bliver ikke en beslutning uden at blive testet.
- Ignorerer beholdning og margin. Automatisk anbefaling kan fremhæve urentabelt eller udsolgt produkt.
- Bare tilskriv det popularitet. Den mest klikkede er ikke altid den mest rentable eller mest bekvemme.
- Oprettelse af en filterboble. Konstant at vise det samme produkt dræber opdagelse og salg.
- Kontrollerer ikke bias. Systemet kan forstærke tidligere uligheder; Regelmæssig inspektion er påkrævet.
- Tvunget mersalg. At skubbe til en dyr model, der ikke har nogen fordele, vil få dig til at miste selvtilliden.
Sammenfattende
Anbefalingssystemer øger kurvgennemsnittet og loyaliteten ved at vise kunden det rigtige produkt på det rigtige tidspunkt. Der er tre grundlæggende logikker: indholdsbaseret (lignende produkter), kollaborativt (købt sammen) og personalisering. Selv i små butikker kan AI generere krydssalgs- og bundlingshypoteser ud fra ordredata; Men det er ideer, der skal testes, ikke beviser. Sørg for at udforme anbefalingsregler omkring lager, margen, kategoritilpasning og sort; Kontroller filterboblen og forspændingsrisici regelmæssigt. Automatisk anbefaling skaber værdi, når den overholdes til kommerciel kontrol.
Ansøgningsopgave
Udtræk de 5 produktpar, der oftest købes sammen, fra dine egne ordredata (med anonyme produktkoder). Bed AI om krydssalgshypoteser med skabelonen "Samsolgt produktanalyse". Gør hver hypotese til en "hvis-så"-udsagn og filtrer den gennem lager og margen. Skriv en testplan for de 2 mest lovende hypoteser (hvor længe, hvilken metrik skal måles). Til sidst skal du evaluere dine anbefalingsregler for risici med skabelonen "Revision af anbefalingsregler".
tjekliste
- [ ] Jeg behandlede forslagsidéer som hypoteser, der skulle testes, ikke som beviser.
- [ ] Jeg filtrerede hvert forslag gennem lager og margen.
- [ ] Udover popularitet overvejede jeg også rentabilitet og egnethed.
- [ ] Jeg undgik filterboblen med diversitetsreglen.
- [ ] Jeg tjekkede for bias, hvad anbefalingerne viser til hvem.
- [ ] Jeg planlagde at måle de lovende forslag med en rigtig test.