Kasu:
- Soovitusmootori loogika mõistmine (koos ostetud, sarnased tooted, isikupärastamine) ja selle mõju ärimõõdikutele
- Võimalus luua tehisintellekti toega tootesuhteid, pakendada ja ristmüügistsenaariume ning muuta need kontrollitavateks hüpoteesideks
- Võimalus näha filtrimulli, kallutatuse ja aktsia/marginaali neutraalse automaatse soovituse riske ning siduda soovitusreeglid kaubandusliku kontrolliga
Märkimisväärne osa müügist suurtel e-kaubandussaitidel tuleb kliendile soovitatud tootest, mitte tema otsitavast tootest. Olete kõik näinud klotse "Need, kes selle ostsid, ostsid ka selle", "Meie valikud teile", "Koos odavamalt". Nende plokkide taga olevat süsteemi nimetatakse soovitusmootoriks: see on tarkvara, mis annab vastused küsimusele "Mida ma peaksin sellele inimesele nüüd näitama?" vaadeldes kliendi käitumist, toodete suhet ja üldisi mustreid. Tehisintellekt (AI) on selles vallas kasulik kahel viisil: see aitab genereerida stsenaariume ja reegleid soovitusloogika koostamisel ning analüüsib teie enda tootesuhteid väikestes poodides ja pakub välja pakettide/ristmüügiideid. Kuid olge ettevaatlik: hea soovitussüsteem ei pea arvestama mitte ainult klikkide arvu, vaid ka laoseisu, marginaali ja kliendikogemust.
Teeme need kaks mõistet selgeks. Ristmüük on teise toote pakkumine ostjale, mis täiendab toodet (telefoni ostjale mõeldud ümbris). Up-sell pakub samale vajadusele vastavat kõrgemat/kallimat mudelit (128 GB asemel 256 GB). Mõlemad on õigustatud viisid keskmise korvi (AOV) suurendamiseks; Kuid see töötab siis, kui see on kliendile tõeliselt kasulik, ja see häirib, kui see on sunnitud.
Soovitussüsteemi kolm põhiloogikat
Soovitussüsteemid kasutavad tavaliselt ühte või kolme lähenemisviisi kombinatsiooni.
1) Sisupõhine: see vaatleb toote enda funktsioone. "Muud selle jooksujalatsi sarnased jooksujalatsid". See töötab isegi uute klientidega, sest see ei nõua käitumislugu.
2) Koostöö filtreerimine: vaatab käitumismustrit. "Inimesed, kes selle toote ostsid, ostsid ka seda." See on võimas, kuid nõuab palju andmeid ja kannatab "külmkäivituse" all (uus toode/uus klient).
3) Isikupärastamine: see kohandab esitluse ühe kliendi jaoks nende varasema käitumise põhjal. Sellel on võimas mõju, kuid sellega kaasneb privaatsuse ja "filtrimullide" oht.
Järgmine tabel võtab kokku soovitusplokid ja nende eesmärgid:
blokk
loogika
Eesmärk
näide
Sarnased tooted
sisupõhine
pakkuda alternatiivi
Sama kategooria mudelid
kokku võetud
koostööaldis
ristmüük
telefon + ümbris + ekraani kaitsekile
Meie valikud teile
Isikupärastamine
pühendumust
Põhineb varasemal navigeerimisel
Lemmikud / enimmüüdud
Populaarsus
Usaldus + uus klient
Kategooria bestsellerid
kus sa pooleli jäid
seansi andmed
ümberpööramine
Viimati vaadatud tooted
Soovituslik seadistamine AI-ga väikeses poes
Isegi väikesed ja keskmise suurusega kauplused, mis ei suuda luua ettevõtte soovituste mootorit, saavad tehisintellekti kasutades nutikalt tootesuhteid struktureerida. Te saate anonüümselt anda tehisintellektile tegelikud "koos müüdud tooted" andmed (tellida kaubad) ja lasta sellel analüüsida "millisi tooteid koos ostetakse, milliseid pakette ma soovitada?" AI loob teie jaoks ristmüügi ja komplekteerimise hüpoteese; Filtreerite need varude ja marginaalide kaudu ning seejärel testite neid. Võtmesõnaks on siin hüpotees: tehisintellekti soovitus ei ole tõendusmaterjal, vaid idee, mida tuleb testida.
Näpunäide: muutke iga soovituse idee "kui-siis" hüpoteesiks: "Kui soovitame Y-d kellelegi, kes ostab X, suureneb tema ostukorvi keskmine." Seejärel mõõtke seda väikese katsega (A/B test või ajavahemik). Soovitus ilma mõõtmiseta on vaid oletus.
Soovitusreeglite äriaudit
Soovitussüsteem võib olla ohtlik, kui see jäetakse täielikult automatiseeritud "enim klõpsatud" süsteemile. Laos: laost otsas oleva toote soovitamine valmistab kliendile pettumuse. Margin: kõige rohkem klikke saanud tootel võib olla madalaim marginaal; Süsteem võib suunata teid kahjumlike toodete juurde. Brändi ohutus ja sobivus: ebaoluline või sobimatu soovitus tundlikes kategooriates (laps, tervis) kaotab usalduse. Filtrimull: pidev kliendile sama tüüpi toote näitamine tapab avastamise ja kitsendab müüki. Sellepärast on automaatsed soovitused tingimata raamitud ärireeglitega: "soovitage, mis on laos", "ärge esitage toodet, mille marginaal on sellest lävest madalamal", "säilitage kategooria vastavus".
Eelarvamus on ka tõeline risk. Kuna soovituste süsteem põhineb mineviku käitumisel, võib see tugevdada mineviku ebavõrdsust; Näiteks pidevalt soodsamate/madalama kvaliteediga toodete soovitamine teatud grupile. See on nii eetiline kui ka äriline küsimus. Soovituste väljundeid tuleb regulaarselt auditeerida, pidades silmas "mida kellele soovitatakse".
Neli kopeeritavat malli
1) Koos müüdud toodete analüüs:
Sinu roll: e-kaubanduse analüütiku assistent. Allpool on anonüümsed tellitavad kaubad (kaubakoodid ja kordade arv koos). Andmed: [tabel]. Ülesanne: leidke 10 paari esemeid, mida kõige sagedamini koos ostetakse; Kirjutage iga paari jaoks ristmüügi hüpotees ("Pakkuge Y ostjatele X"). Märkus. Need on hüpoteesid; Vaatan ka laoseisu ja marginaali üle.
2) Kogumissoovitus:
Toode: [põhitoode]. Täiendavad tooted: [nimekiri, koos ääremärkustega].Ülesanne: Soovitage 3 mõistlikku pakki; Iga paketi puhul selgitage kliendile kasu ühe lausega. Reegel: kõik pakendis olevad tooted peavad olema laos; muutes madala marginaaliga toote peamiseks tõmbenumbriks.
3) Enimmüüdud stsenaarium:
Klient vaatab: [toode, hind, funktsioonid].Kallismudelid: [nimekiri, hinna/omaduste erinevustega].Ülesanne: koosta aus ülesmüügisõnum: kui palju millise lisahüve eest maksta.Reegel: pole liialdust; Selgitage erinevust konkreetsete omaduste kaudu.
4) Soovitusreeglite kontroll:
Kontrollige järgmisi soovituse reegleid.Reeglid: [loend].Ülesanne: hinnake iga reeglit järgmiste riskide suhtes: aktsia järjepidevus, marginaali kaitse, kategooria sobivus, filtrimull, kallutatus.Loetlege riskantsed reeglid ja oma soovitused parandusteks.
kolm minikarpi
Juhtum 1 – ristmüügi kasum. Üks elektroonikapood analüüsis tehisintellektiga tellimuste andmeid ja leidis mustri "40% telefoni ostnutest ostis 30 päeva jooksul ka ümbrise". Lisatud telefoni lehele sobiv ümbrise soovitusplokk (filtreerides välja laos olevad). Korvi keskmine tõusis mõõdetavalt. AI esitas hüpoteesi, pood testis ja kontrollis seda.
Juhtum 2 – marginaallõks. Üks pood loobus avalehest täielikult "enim klikitud" toodete jaoks. Kõige rohkem klikiti madalaima marginaaliga kampaaniatooteid, mõned müüdi isegi kahjumiga. Käive kasvas, kuid kasum langes. Lahendus: Soovitusreeglisse on lisatud filter "Esita toode, mille marginaal on avalehel alla läve".
Juhtum 3 – filtrimull. Kuna raamatusaidil soovitati kliendile pidevalt sama tüüpi raamatuid, ei avastanud klient kunagi uusi žanre ja tema huvi aja jooksul vähenes. Kui soovitusreeglile lisati mitmekesisuse reegel "vähemalt 20% soovitustest peaks olema erinevatest kategooriatest", taastus avastus ja müük.
Nõrk viip / Tugev viip
Nõrk viip:
Mida selle tootega soovitada, andke mulle ideid.
Mudel annab üldiseid, võib-olla laost otsas olevaid soovitusi, teadmata teie tegelikke andmeid ja marginaali.
Võimas viip:
Sinu roll: e-kaubanduse analüütik. Põhitoode: juhtmevaba peakomplekt (marginaal 28%, laos). Täiendavad kandidaadid (varu/marginaaliga): kandekott (45%, laos), kõrvaklappide komplekt (50%, laos), laadimiskaabel (20%, laos).Ülesanne: pakkuge välja 2 ristmüügipaketti ainult laos oleva ja üle 30% marginaaliga; Kirjutage kliendisoodustus ühe lausega iga paki kohta.
Levinud vead
- Tõendi soovituse eksimine. AI väljund on hüpotees; See ei muutu otsuseks ilma testimata.
- Varude ja marginaali ignoreerimine. Automaatne soovitamine võib esile tuua kahjumliku või väljamüüdud toote.
- Lihtsalt omistage see populaarsusele. Enim klõpsatu ei ole alati kõige tulusam ega mugavam.
- Filtrimulli loomine. Sama toote pidev näitamine tapab avastamise ja müügi.
- Ei kontrolli kallutatust. Süsteem võib tugevdada mineviku ebavõrdsust; Regulaarne ülevaatus on vajalik.
- Sunniviisiline ülesmüük. Kalli mudeli lükkamine, millel pole eeliseid, kaotab enesekindluse.
Kokkuvõttes
Soovitussüsteemid tõstavad ostukorvi keskmist ja lojaalsust, näidates kliendile õigel hetkel õiget toodet. Põhiloogikat on kolm: sisupõhine (sarnased tooted), koostööpõhine (koos ostetud) ja isikupärastamine. Isegi väikestes kauplustes suudab AI genereerida tellimusandmete põhjal ristmüügi ja komplekteerimise hüpoteese; Kuid need on ideed, mida tuleb testida, mitte tõestada. Kindlasti koostage soovitusreeglid aktsia, marginaali, kategooria sobivuse ja mitmekesisuse järgi; Kontrollige regulaarselt filtri mulli ja kallutatuse ohtu. Automaatne soovitamine loob väärtust, kui järgitakse kaubanduslikku kontrolli.
Rakenduse ülesanne
Eraldage oma tellimuse andmetest (anonüümsete tootekoodidega) 5 kõige sagedamini koos ostetud tootepaari. Küsige tehisintellektilt ristmüügi hüpoteese malliga „Kaasmüüdud tooteanalüüs”. Muutke iga hüpotees "kui-siis"-lauseks ja filtreerige see läbi laoseisu ja marginaali. Kirjutage katseplaan 2 kõige lootustandvama hüpoteesi jaoks (kui kaua, millist mõõdikut mõõta). Lõpuks hinnake oma soovituse reegleid riskide kohta malliga „Soovitusreegli audit”.
kontrollnimekiri
- [ ] Käsitlesin ettepanekuid kui hüpoteese, mida tuleb kontrollida, mitte kui tõendeid.
- [ ] Filtreerisin iga soovituse varude ja marginaalide kaudu.
- [ ] Peale populaarsuse kaalusin ka tasuvust ja sobivust.
- [ ] Vältisin mitmekesisuse reegliga filtrimulli.
- [ ] Kontrollisin eelarvamusi, mida soovitused kellele näitavad.
- [ ] Plaanisin paljulubavaid ettepanekuid reaalse testiga mõõta.