Gewinne:
- Verständnis der Logik der Empfehlungsmaschine (zusammen gekaufte Produkte, ähnliche Produkte, Personalisierung) und deren Auswirkungen auf Geschäftskennzahlen
- Fähigkeit, Produktbeziehungen, Paket- und Cross-Selling-Szenarien mit Unterstützung künstlicher Intelligenz zu konstruieren und in überprüfbare Hypothesen umzuwandeln
- Fähigkeit, die Risiken von Filterblasen, Verzerrungen und aktien-/margenneutralen automatischen Empfehlungen zu erkennen und Empfehlungsregeln mit der kommerziellen Kontrolle zu verknüpfen
Ein erheblicher Teil des Umsatzes auf großen E-Commerce-Websites entsteht durch das dem Kunden empfohlene Produkt und nicht durch das Produkt, nach dem er sucht. Sie alle haben die Blöcke „Wer das gekauft hat, hat das auch gekauft“, „Unsere Tipps für Sie“, „Günstiger zusammen“ gesehen. Das System hinter diesen Blöcken nennt sich Empfehlungs-Engine: Dabei handelt es sich um eine Software, die Antworten auf die Frage „Was soll ich dieser Person jetzt zeigen?“ liefert. indem wir das Verhalten des Kunden, die Beziehung der Produkte und allgemeine Muster betrachten. Künstliche Intelligenz (KI) ist in diesem Bereich in doppelter Hinsicht nützlich: Sie unterstützt Sie bei der Generierung von Szenarien und Regeln beim Aufbau von Empfehlungslogiken, und sie analysiert Ihre eigenen Produktbeziehungen in kleinen Geschäften und entwickelt daraus Paket-/Cross-Selling-Ideen. Aber Vorsicht: Ein gutes Empfehlungssystem muss nicht nur auf „wie viele Klicks“ achten, sondern auch auf Inventar, Marge und Kundenerfahrung.
Lassen Sie uns die beiden Begriffe klären. Beim Cross-Selling wird einem Käufer ein weiteres Produkt angeboten, das ein Produkt ergänzt (eine Hülle für einen Telefonkäufer). Up-Sell bietet ein höheres/teureres Modell an, das den gleichen Bedarf erfüllt (256 GB statt 128 GB). Beides sind legitime Möglichkeiten, den durchschnittlichen Warenkorb (AOV) zu erhöhen; Aber es funktioniert, wenn es dem Kunden wirklich nützt, und es stört, wenn es erzwungen wird.
Drei Grundlogiken des Empfehlungssystems
Empfehlungssysteme verwenden im Allgemeinen einen oder eine Mischung aus drei Ansätzen.
1) Inhaltsbasiert: Es werden die eigenen Funktionen des Produkts betrachtet. „Andere Laufschuhe, die diesem Laufschuh ähneln“. Es funktioniert sogar mit neuen Kunden, da keine Verhaltenshistorie erforderlich ist.
2) Kollaboratives Filtern: Betrachtet das Verhaltensmuster. „Leute, die dieses Produkt gekauft haben, haben auch dieses gekauft.“ Es ist leistungsstark, erfordert jedoch viele Daten und leidet unter einem „Kaltstart“ (neues Produkt/neuer Kunde).
3) Personalisierung: Passt das Schaufenster auf der Grundlage seines bisherigen Verhaltens an einen einzelnen Kunden an. Es hat eine starke Wirkung, birgt jedoch die Gefahr von Privatsphäre und „Filterblasen“.
Die folgende Tabelle fasst die Empfehlungsblöcke und ihren Zweck zusammen:
blockieren
Logik
Zweck
Beispiel
Ähnliche Produkte
inhaltsbasiert
eine Alternative anbieten
Schließen Sie Modelle in derselben Kategorie
zusammengenommen
kollaborativ
Cross-Selling
Telefon + Hülle + Displayschutzfolie
Unsere Auswahl für Sie
Personalisierung
Engagement
Basierend auf früherer Navigation
Favoriten / Bestseller
Popularität
Vertrauen + neuer Kunde
Bestseller in der Kategorie
wo du aufgehört hast
Sitzungsdaten
Umkehrung
Zuletzt angesehene Produkte
Empfehlungsaufbau mit KI in einem kleinen Laden
Selbst kleine und mittlere Geschäfte, die keine unternehmensweite Empfehlungsmaschine etablieren können, können Produktbeziehungen mithilfe von KI intelligent strukturieren. Sie können die echten Daten zu „zusammen verkauften Produkten“ (Bestellpositionen) anonym an AI weitergeben und analysieren lassen: „Welche Produkte werden zusammen gekauft, welche Pakete kann ich empfehlen?“ KI generiert für Sie Cross-Selling- und Bündelungshypothesen; Sie filtern sie nach Bestand und Marge und testen sie dann tatsächlich. Das Schlüsselwort hier ist Hypothese: Der Vorschlag der KI ist kein Beweis, sondern eine Idee, die es zu testen gilt.
Tipp: Machen Sie aus jeder Empfehlungsidee eine „Wenn-Dann“-Hypothese: „Wenn wir jemandem Y empfehlen, der X kauft, erhöht sich sein Warenkorbdurchschnitt.“ Messen Sie dies dann mit einem kleinen Experiment (A/B-Test oder Zeitraum). Eine Empfehlung ohne Messung ist nur eine Vermutung.
Kommerzielle Prüfung von Empfehlungsregeln
Ein Empfehlungssystem kann gefährlich sein, wenn es vollständig automatisiert „Meistgeklickt“ wird. Lagerbestand: Die Empfehlung eines Produkts, das nicht vorrätig ist, wird den Kunden enttäuschen. Marge: Das Produkt mit den meisten Klicks hat möglicherweise die niedrigste Marge; Das System leitet Sie möglicherweise zu unrentablen Produkten weiter. Markensicherheit und -eignung: Eine irrelevante oder unangemessene Empfehlung in sensiblen Kategorien (Baby, Gesundheit) verliert an Vertrauen. Filterblase: Wenn dem Kunden ständig die gleiche Art von Produkt gezeigt wird, wird die Entdeckung verhindert und der Umsatz eingeschränkt. Aus diesem Grund sind automatische Empfehlungen zwangsläufig durch Geschäftsregeln eingerahmt: „Empfehlen Sie, was auf Lager ist“, „Das Produkt, dessen Marge unter diesem Schwellenwert liegt, nicht anbieten“, „Kategoriekonformität wahren“.
Voreingenommenheit ist auch ein echtes Risiko. Da das Empfehlungssystem auf vergangenem Verhalten basiert, kann es vergangene Ungleichheiten verstärken; Zum Beispiel einer bestimmten Gruppe ständig günstigere/minderwertigere Produkte empfehlen. Dies ist sowohl eine ethische als auch eine kommerzielle Frage. Es ist notwendig, die Empfehlungsergebnisse regelmäßig im Hinblick darauf zu prüfen, „was wem empfohlen wird“.
Vier kopierbare Vorlagen
1) Analyse der zusammen verkauften Produkte:
Ihre Rolle: E-Commerce-Analyst-Assistent. Nachfolgend finden Sie anonyme Bestellpositionen (Artikelcodes und Anzahl der Male zusammengenommen). Daten: [Tabelle]. Aufgabe: Finden Sie die 10 Artikelpaare, die am häufigsten zusammen gekauft werden; Schreiben Sie für jedes Paar eine Cross-Selling-Hypothese („Angebot Y an Käufer X“). Hinweis: Dies sind Hypothesen; Ich werde auch den Bestand und die Marge überprüfen.
2) Bundle-Empfehlung:
Produkt: [Hauptprodukt]. Ergänzende Produkte: [Liste, mit Randnotizen].Aufgabe: 3 sinnvolle Pakete vorschlagen; Erklären Sie dem Kunden für jedes Paket den Nutzen in einem Satz. Regel: Alle Produkte im Paket müssen vorrätig sein; Das macht das margenschwache Produkt zum Hauptanziehungspunkt.
3) Top-Seller-Szenario:
Der Kunde schaut sich an: [Produkt, Preis, Funktionen]. Gehobene Modelle: [Liste, mit Preis-/Funktionsunterschieden]. Aufgabe: Verfassen Sie eine ehrliche Upsell-Nachricht: Wie viel muss für welchen Zusatznutzen bezahlt werden? Regel: Keine Übertreibung; Erklären Sie den Unterschied anhand konkreter Merkmale.
4) Überprüfung der Vorschlagsregeln:
Überprüfen Sie die folgenden Empfehlungsregeln.Regeln: [Liste].Aufgabe: Bewerten Sie jede Regel anhand der folgenden Risiken: Aktienkonsistenz, Margenschutz, Kategorieanpassung, Filterblase, Bias.Listen Sie die riskanten Regeln und Ihre Empfehlung zur Korrektur auf.
drei Mini-Koffer
Fall 1 – Cross-Selling-Gewinn. Ein Elektronikgeschäft analysierte Bestelldaten mit KI und stellte ein Muster fest: „40 % derjenigen, die ein Telefon gekauft haben, kauften innerhalb von 30 Tagen auch eine Hülle.“ Der Telefonseite wurde ein geeigneter Fallempfehlungsblock hinzugefügt (der die auf Lager befindlichen Fälle herausfiltert). Der Korbdurchschnitt ist messbar gestiegen. Die KI stellte eine Hypothese auf, das Geschäft testete und verifizierte sie.
Fall 2 – Margenfalle. Ein Geschäft hat die Homepage komplett auf die Produkte mit den meisten Klicks umgestellt. Am meisten geklickt wurden die Kampagnenprodukte mit den geringsten Margen, teilweise sogar mit Verlust. Der Umsatz stieg, der Gewinn ging jedoch zurück. Lösung: Der Filter „Das Produkt, dessen Marge unter dem Schwellenwert liegt, auf der Startseite hervorheben“ wurde zur Empfehlungsregel hinzugefügt.
Fall 3 – Filterblase. Da dem Kunden auf einer Buchseite ständig die gleiche Art von Buch empfohlen wurde, entdeckte er nie neue Genres und sein Interesse ließ mit der Zeit nach. Als der Vorschlagsregel die Diversitätsregel „mindestens 20 % der Vorschläge sollten aus verschiedenen Kategorien stammen“ hinzugefügt wurde, erholten sich Entdeckung und Verkäufe.
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Was kann ich zu diesem Produkt empfehlen, geben Sie mir einige Ideen.
Das Modell generiert allgemeine Empfehlungen, die möglicherweise nicht vorrätig sind, ohne Ihre tatsächlichen Daten und Ihre Marge zu kennen.
Kraftvolle Aufforderung:
Ihre Rolle: E-Commerce-Analyst. Hauptprodukt: kabelloses Headset (Marge 28 %, auf Lager). Ergänzende Kandidaten (mit Lagerbestand/Marge): Tragetasche (45 %, auf Lager), Ohrhörer-Set (50 %, auf Lager), Ladekabel (20 %, auf Lager). Aufgabe: 2 Cross-Selling-Pakete vorschlagen, nur mit Lagerbestand und mit Margen über 30 %; Schreiben Sie für jedes Paket den Kundennutzen in einem Satz auf.
Häufige Fehler
- Den Vorschlag mit einem Beweis verwechseln. Der Output der KI ist die Hypothese; Ohne Prüfung kommt es nicht zu einer Entscheidung.
- Ignorieren von Lagerbestand und Marge. Automatische Empfehlungen können unrentable oder ausverkaufte Produkte hervorheben.
- Führen Sie es einfach auf die Popularität zurück. Das, was am häufigsten angeklickt wird, ist nicht immer das profitabelste oder bequemste.
- Eine Filterblase erzeugen. Die ständige Präsentation des gleichen Produkts beeinträchtigt die Entdeckung und den Verkauf.
- Keine Überprüfung der Voreingenommenheit. Das System kann vergangene Ungleichheiten verstärken; Eine regelmäßige Inspektion ist erforderlich.
- Erzwungenes Upselling. Wenn Sie ein teures Modell vorantreiben, das keine Vorteile bietet, verlieren Sie das Vertrauen.
Zusammenfassend
Empfehlungssysteme erhöhen den Warenkorbdurchschnitt und die Loyalität, indem sie dem Kunden im richtigen Moment das richtige Produkt zeigen. Es gibt drei grundlegende Logiken: inhaltsbasiert (ähnliche Produkte), kollaborativ (zusammen gekauft) und Personalisierung. Selbst in kleinen Geschäften kann KI aus Bestelldaten Cross-Selling- und Bündelungshypothesen generieren; Aber das sind Ideen, die getestet werden müssen, keine Beweise. Stellen Sie sicher, dass die Empfehlungsregeln den Bestand, die Marge, die Kategorieanpassung und die Vielfalt berücksichtigen. Überprüfen Sie regelmäßig die Filterblasen- und Verzerrungsrisiken. Automatische Empfehlungen schaffen Mehrwert, wenn die kommerzielle Kontrolle eingehalten wird.
Anwendungsaufgabe
Extrahieren Sie die 5 am häufigsten zusammen gekauften Produktpaare aus Ihren eigenen Bestelldaten (mit anonymen Produktcodes). Fragen Sie AI nach Cross-Selling-Hypothesen mit der Vorlage „Co-Sold-Produktanalyse“. Verwandeln Sie jede Hypothese in eine „Wenn-Dann“-Aussage und filtern Sie sie nach Bestand und Marge. Schreiben Sie einen Testplan für die beiden vielversprechendsten Hypothesen (wie lange, welche Metrik soll gemessen werden). Bewerten Sie abschließend Ihre Empfehlungsregeln für Risiken mit der Vorlage „Empfehlungsregelaudit“.
Checkliste
- [ ] Ich habe Vorschlagsideen als zu prüfende Hypothesen behandelt, nicht als Beweise.
- [ ] Ich habe jeden Vorschlag nach Bestand und Marge gefiltert.
- [ ] Neben der Popularität habe ich auch auf Rentabilität und Eignung geachtet.
- [ ] Ich habe die Filterblase mit der Diversity-Regel vermieden.
- [ ] Ich habe auf Voreingenommenheit überprüft, was die Empfehlungen wem zeigen.
- [ ] Ich hatte vor, die vielversprechenden Vorschläge mit einem realen Test zu messen.