Κέρδη:
- Κατανόηση της λογικής της μηχανής συστάσεων (αγοράζονται μαζί, παρόμοια προϊόντα, εξατομίκευση) και των επιπτώσεών της στις επιχειρηματικές μετρήσεις
- Δυνατότητα κατασκευής σχέσεων προϊόντων, σεναρίων συσκευασίας και διασταύρωσης πωλήσεων με υποστήριξη τεχνητής νοημοσύνης και μετατροπής τους σε ελεγχόμενες υποθέσεις
- Δυνατότητα προβολής των κινδύνων της φυσαλίδας φίλτρου, της μεροληψίας και της αυτόματης σύστασης ουδέτερου αποθέματος/περιθωρίου και σύνδεσης κανόνων συστάσεων με εμπορικό έλεγχο
Ένα σημαντικό μέρος των πωλήσεων σε μεγάλους ιστότοπους ηλεκτρονικού εμπορίου προέρχεται από το προϊόν που προτείνεται στον πελάτη και όχι από το προϊόν που αναζητά. Όλοι έχετε δει τα μπλοκ "Όσοι το αγόρασαν αγόρασαν και αυτό", "Οι επιλογές μας για εσάς", "Φθηνότερα μαζί". Το σύστημα πίσω από αυτά τα μπλοκ ονομάζεται μηχανή συστάσεων: είναι λογισμικό που παράγει απαντήσεις στην ερώτηση "Τι πρέπει να δείξω σε αυτό το άτομο τώρα;" εξετάζοντας τη συμπεριφορά του πελάτη, τη σχέση των προϊόντων και τα γενικά πρότυπα. Η τεχνητή νοημοσύνη (AI) είναι χρήσιμη σε αυτόν τον τομέα με δύο τρόπους: σας βοηθά να δημιουργήσετε σενάρια και κανόνες κατά τη δημιουργία της λογικής συστάσεων και αναλύει τις δικές σας σχέσεις προϊόντων σε μικρά καταστήματα και δημιουργεί ιδέες για πακέτα/διασταυρούμενες πωλήσεις. Προσοχή όμως: ένα καλό σύστημα συστάσεων δεν πρέπει να εξετάζει μόνο τα «πόσα κλικ» αλλά και το απόθεμα, το περιθώριο κέρδους και την εμπειρία του πελάτη.
Ας διευκρινίσουμε τους δύο όρους. Η διασταυρούμενη πώληση είναι η προσφορά ενός άλλου προϊόντος που συμπληρώνει ένα προϊόν σε έναν αγοραστή (μια θήκη για έναν αγοραστή τηλεφώνου). Η Up-sell προσφέρει ένα υψηλότερο/ακριβό μοντέλο που καλύπτει την ίδια ανάγκη (256 GB αντί για 128 GB). Και οι δύο είναι νόμιμοι τρόποι αύξησης του μέσου καλαθιού (AOV). Αλλά λειτουργεί όταν είναι πραγματικά ωφέλιμο για τον πελάτη και ενοχλεί όταν αναγκάζεται.
Τρεις βασικές λογικές του συστήματος συστάσεων
Τα συστήματα συστάσεων χρησιμοποιούν γενικά μία ή ένα μείγμα τριών προσεγγίσεων.
1) Βάσει περιεχομένου: Εξετάζει τα χαρακτηριστικά του προϊόντος. "Άλλα παπούτσια για τρέξιμο παρόμοια με αυτό το παπούτσι για τρέξιμο". Λειτουργεί ακόμη και με νέους πελάτες επειδή δεν απαιτεί ιστορικό συμπεριφοράς.
2) Συνεργατικό φιλτράρισμα: Εξετάζει το μοτίβο συμπεριφοράς. "Οι άνθρωποι που αγόρασαν αυτό το προϊόν αγόρασαν επίσης αυτό." Είναι ισχυρό, αλλά απαιτεί πολλά δεδομένα και υποφέρει από μια «ψυχρή εκκίνηση» (νέο προϊόν/νέος πελάτης).
3) Εξατομίκευση: Προσαρμόζει τη βιτρίνα σε έναν μόνο πελάτη με βάση την προηγούμενη συμπεριφορά του. Έχει ισχυρό αποτέλεσμα, αλλά ενέχει κίνδυνο ιδιωτικότητας και «φυσαλίδες φίλτρου».
Ο παρακάτω πίνακας συνοψίζει τα τμήματα προτάσεων και τον σκοπό τους:
μπλοκ
λογική
Σκοπός
παράδειγμα
Παρόμοια προϊόντα
με βάση το περιεχόμενο
προσφέρουν μια εναλλακτική λύση
Κλείστε μοντέλα στην ίδια κατηγορία
λαμβάνονται μαζί
συνεργατική
διασταυρούμενη πώληση
τηλέφωνο + θήκη + προστατευτικό οθόνης
Οι επιλογές μας για εσάς
Εξατομίκευση
δέσμευση
Με βάση την προηγούμενη πλοήγηση
Αγαπημένα / μπεστ σέλερ
Δημοτικότητα
Εμπιστοσύνη + νέος πελάτης
Μπεστ σέλερ στην κατηγορία
εκεί που σταματήσατε
δεδομένα συνεδρίας
αντιστροφή
Προϊόντα που είδατε τελευταία
Ρύθμιση σύστασης με AI σε ένα μικρό κατάστημα
Ακόμη και τα μικρά και μεσαία καταστήματα που δεν μπορούν να δημιουργήσουν μια μηχανή εταιρικών συστάσεων μπορούν να δομήσουν έξυπνα τις σχέσεις προϊόντων χρησιμοποιώντας AI. Μπορείτε να δώσετε ανώνυμα τα πραγματικά δεδομένα "προϊόντα που πωλούνται μαζί" (στοιχεία παραγγελιών) στην τεχνητή νοημοσύνη και να αναλύσετε "ποια προϊόντα αγοράζονται μαζί, ποια πακέτα μπορώ να προτείνω;" Η τεχνητή νοημοσύνη δημιουργεί υποθέσεις διασταυρούμενης πώλησης και ομαδοποίησης για εσάς. Τα φιλτράρετε μέσω του αποθέματος και του περιθωρίου και μετά τα δοκιμάζετε πραγματικά. Η λέξη κλειδί εδώ είναι η υπόθεση: η πρόταση του AI δεν είναι αποδεικτικά στοιχεία, αλλά μια ιδέα που πρέπει να δοκιμαστεί.
Συμβουλή: Μετατρέψτε κάθε ιδέα σύστασης σε μια υπόθεση «αν-τότε»: «Αν προτείνουμε το Y σε κάποιον που αγοράζει το X, ο μέσος όρος του καλαθιού του θα αυξηθεί». Στη συνέχεια, μετρήστε το με ένα μικρό πείραμα (δοκιμή A/B ή χρονική περίοδος). Μια σύσταση χωρίς μέτρηση είναι απλώς μια εικασία.
Εμπορικός έλεγχος κανόνων συστάσεων
Ένα σύστημα συστάσεων μπορεί να είναι επικίνδυνο εάν αφεθεί σε πλήρως αυτοματοποιημένο «περισσότερο κλικ». Απόθεμα: η σύσταση ενός προϊόντος που έχει εξαντληθεί θα απογοητεύσει τον πελάτη. Περιθώριο: το προϊόν με τα περισσότερα κλικ μπορεί να έχει το χαμηλότερο περιθώριο. Το σύστημα μπορεί να σας κατευθύνει σε μη κερδοφόρα προϊόντα. Ασφάλεια και καταλληλότητα επωνυμίας: η άσχετη ή ακατάλληλη σύσταση σε ευαίσθητες κατηγορίες (μωρό, υγεία) χάνει την εμπιστοσύνη. Φούσκα φίλτρου: η συνεχής εμφάνιση στον πελάτη του ίδιου τύπου προϊόντος σκοτώνει την ανακάλυψη και περιορίζει τις πωλήσεις. Αυτός είναι ο λόγος για τον οποίο οι αυτόματες συστάσεις πλαισιώνονται αναγκαστικά από επιχειρηματικούς κανόνες: "προτείνετε τι υπάρχει σε απόθεμα", "μην εμφανίζεται το προϊόν του οποίου το περιθώριο είναι κάτω από αυτό το όριο", "διατήρηση συμμόρφωσης κατηγορίας".
Η μεροληψία είναι επίσης πραγματικός κίνδυνος. Επειδή το σύστημα συστάσεων βασίζεται σε συμπεριφορά του παρελθόντος, μπορεί να ενισχύσει τις προηγούμενες ανισότητες. Για παράδειγμα, συνιστώντας συνεχώς φθηνότερα/χαμηλότερης ποιότητας προϊόντα σε μια συγκεκριμένη ομάδα. Αυτό είναι τόσο ηθικό όσο και εμπορικό ζήτημα. Είναι απαραίτητο να ελέγχονται τακτικά τα αποτελέσματα των συστάσεων με σκοπό το "τι προτείνεται σε ποιον".
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Ανάλυση προϊόντων που πωλούνται μαζί:
Ο ρόλος σας: βοηθός αναλυτής ηλεκτρονικού εμπορίου. Παρακάτω υπάρχουν ανώνυμα στοιχεία παραγγελίας (κωδικοί ειδών και αριθμός φορών που λαμβάνονται μαζί). Στοιχεία: [πίνακας]. Εργασία: βρείτε τα 10 ζεύγη αντικειμένων που αγοράζετε πιο συχνά μαζί. Για κάθε ζευγάρι, γράψτε μια υπόθεση διασταυρούμενης πώλησης ("Προσφορά Υ στους αγοραστές Χ"). Σημείωση: Αυτές είναι υποθέσεις. Θα ελέγξω επίσης το απόθεμα και το περιθώριο.
2) Σύσταση πακέτου:
Προϊόν: [κύριο προϊόν]. Συμπληρωματικά προϊόντα: [λίστα, με σημειώσεις περιθωρίου]. Εργασία: Προτείνετε 3 λογικά πακέτα. Για κάθε πακέτο, εξηγήστε το όφελος στον πελάτη με μία πρόταση. Κανόνας: όλα τα προϊόντα στη συσκευασία πρέπει να είναι σε απόθεμα. καθιστώντας το προϊόν χαμηλού περιθωρίου κύριο κλήρωση.
3) Σενάριο κορυφαίων πωλήσεων:
Ο πελάτης εξετάζει: [προϊόν, τιμή, χαρακτηριστικά]. Μοντέλα πολυτελείας: [λίστα, με διαφορές τιμής/χαρακτηριστικών]. Εργασία: συντάξτε ένα ειλικρινές μήνυμα πώλησης: πόσο να πληρώσετε για ποιο πρόσθετο όφελος. Κανόνας: χωρίς υπερβολές. Εξηγήστε τη διαφορά μέσω συγκεκριμένων χαρακτηριστικών.
4) Έλεγχος κανόνων πρότασης:
Ελέγξτε τους ακόλουθους κανόνες συστάσεων.Κανόνες: [λίστα].Εργασία: αξιολογήστε κάθε κανόνα έναντι των ακόλουθων κινδύνων: συνέπεια αποθεμάτων, προστασία περιθωρίου, προσαρμογή κατηγορίας, φυσαλίδα φίλτρου, προκατάληψη. Καταγράψτε τους επικίνδυνους κανόνες και τη σύστασή σας για διόρθωση.
τρεις μίνι θήκες
Περίπτωση 1 — Κέρδος σταυροειδών πωλήσεων. Ένα κατάστημα ηλεκτρονικών ανέλυσε δεδομένα παραγγελιών με τεχνητή νοημοσύνη και βρήκε ένα μοτίβο «40% όσων αγόρασαν ένα τηλέφωνο αγόρασαν επίσης μια θήκη μέσα σε 30 ημέρες». Προστέθηκε ένα κατάλληλο μπλοκ σύστασης θήκης στη σελίδα τηλεφώνου (φιλτράροντας αυτά που είναι διαθέσιμα). Ο μέσος όρος του καλαθιού αυξήθηκε μετρήσιμα. Η AI έδωσε μια υπόθεση, το κατάστημα την εξέτασε και την επαλήθευσε.
Περίπτωση 2 — Παγίδα περιθωρίου. Ένα κατάστημα εγκατέλειψε την αρχική σελίδα εξ ολοκλήρου στα προϊόντα "με τα περισσότερα κλικ". Τα προϊόντα με τα περισσότερα κλικ ήταν τα προϊόντα της καμπάνιας με τα χαμηλότερα περιθώρια, μερικά μάλιστα πουλήθηκαν με ζημία. Ο τζίρος αυξήθηκε αλλά τα κέρδη μειώθηκαν. Λύση: Το φίλτρο "Προβολή του προϊόντος του οποίου το περιθώριο είναι κάτω από το όριο στην αρχική σελίδα" προστέθηκε στον κανόνα σύστασης.
Περίπτωση 3 — Φούσκα φίλτρου. Σε έναν ιστότοπο βιβλίων, επειδή ο πελάτης συνιστούσε συνεχώς τον ίδιο τύπο βιβλίων, ο πελάτης δεν ανακάλυψε ποτέ νέα είδη και το ενδιαφέρον του μειώθηκε με την πάροδο του χρόνου. Όταν ο κανόνας διαφοροποίησης "τουλάχιστον το 20% των προτάσεων πρέπει να προέρχονται από διαφορετικές κατηγορίες" προστέθηκε στον κανόνα προτάσεων, η ανακάλυψη και οι πωλήσεις ανακτήθηκαν.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Τι μπορώ να προτείνω με αυτό το προϊόν, δώστε μου μερικές ιδέες.
Το μοντέλο παράγει γενικές, ίσως μη διαθέσιμες συστάσεις χωρίς να γνωρίζει τα πραγματικά δεδομένα και το περιθώριο κέρδους σας.
Ισχυρή προτροπή:
Ο ρόλος σας: αναλυτής ηλεκτρονικού εμπορίου. Κύριο προϊόν: ασύρματα ακουστικά (περιθώριο 28%, σε απόθεμα). Συμπληρωματικοί υποψήφιοι (με απόθεμα/περιθώριο): θήκη μεταφοράς (45%, σε απόθεμα), σετ ακουστικών (50%, σε απόθεμα), καλώδιο φόρτισης (20%, σε απόθεμα). Εργασία: προτείνετε 2 πακέτα πολλαπλών πωλήσεων μόνο με απόθεμα και με περιθώρια άνω του 30%. Γράψτε το όφελος του πελάτη σε μία πρόταση για κάθε πακέτο.
Συνήθη λάθη
- Λάθος της πρότασης για αποδεικτικά στοιχεία. Η έξοδος της τεχνητής νοημοσύνης είναι η υπόθεση. Δεν γίνεται απόφαση χωρίς να δοκιμαστεί.
- Αγνοώντας το απόθεμα και το περιθώριο. Η αυτόματη σύσταση μπορεί να επισημάνει μη επικερδές ή εξαντλημένο προϊόν.
- Απλώς αποδώστε το στη δημοτικότητα. Το πιο βολικό δεν είναι πάντα το πιο κερδοφόρο ή το πιο βολικό.
- Δημιουργία φυσαλίδας φίλτρου. Η συνεχής εμφάνιση του ίδιου προϊόντος σκοτώνει την ανακάλυψη και τις πωλήσεις.
- Χωρίς έλεγχο της προκατάληψης. Το σύστημα μπορεί να ενισχύσει τις προηγούμενες ανισότητες. Απαιτείται τακτικός έλεγχος.
- Αναγκαστική ανανέωση. Το να πιέσετε ένα ακριβό μοντέλο που δεν έχει κανένα όφελος θα σας κάνει να χάσετε την εμπιστοσύνη σας.
Συνοπτικά
Τα συστήματα συστάσεων αυξάνουν τον μέσο όρο του καλαθιού και την αφοσίωση δείχνοντας στον πελάτη το σωστό προϊόν την κατάλληλη στιγμή. Υπάρχουν τρεις βασικές λογικές: βάσει περιεχομένου (παρόμοια προϊόντα), συνεργατική (αγοράζονται μαζί) και εξατομίκευση. Ακόμη και σε μικρά καταστήματα, η τεχνητή νοημοσύνη μπορεί να δημιουργήσει υποθέσεις cross-selling και bundling από δεδομένα παραγγελιών. Αλλά αυτές είναι ιδέες που πρέπει να δοκιμαστούν, όχι απόδειξη. Φροντίστε να πλαισιώσετε κανόνες συστάσεων σχετικά με το απόθεμα, το περιθώριο, την προσαρμογή κατηγορίας και την ποικιλία. Ελέγχετε τακτικά τη φούσκα του φίλτρου και τους κινδύνους μεροληψίας. Η αυτόματη σύσταση δημιουργεί αξία όταν τηρείται ο εμπορικός έλεγχος.
Εργασία εφαρμογής
Εξάγετε τα 5 ζεύγη προϊόντων που αγοράζετε πιο συχνά μαζί από τα δικά σας δεδομένα παραγγελίας (με ανώνυμους κωδικούς προϊόντων). Ζητήστε από την τεχνητή νοημοσύνη για υποθέσεις διασταυρούμενων πωλήσεων με το πρότυπο «Ανάλυση προϊόντων συν-πώλησης». Μετατρέψτε κάθε υπόθεση σε μια δήλωση «αν-τότε» και φιλτράρετε τη μέσα από το απόθεμα και το περιθώριο. Γράψτε ένα σχέδιο δοκιμής για τις 2 πιο υποσχόμενες υποθέσεις (πόσο χρόνο, ποια μέτρηση να μετρήσετε). Τέλος, αξιολογήστε τους κανόνες σύστασής σας για κινδύνους με το πρότυπο "Έλεγχος κανόνων σύστασης".
λίστα ελέγχου
- [ ] Αντιμετώπισα τις ιδέες προτάσεων ως υποθέσεις που έπρεπε να ελεγχθούν, όχι ως στοιχεία.
- [ ] Φιλτράρισα κάθε πρόταση μέσω μετοχών και περιθωρίων.
- [ ] Εκτός από τη δημοτικότητα, σκέφτηκα επίσης την κερδοφορία και την καταλληλότητα.
- [ ] Απέφυγα τη φυσαλίδα φίλτρου με τον κανόνα της διαφορετικότητας.
- [ ] Έλεγξα για προκατάληψη τι δείχνουν οι συστάσεις σε ποιον.
- [ ] Σχεδίαζα να μετρήσω τις πολλά υποσχόμενες προτάσεις με ένα πραγματικό τεστ.