سود:
- درک منطق موتور توصیه (خرید با هم، محصولات مشابه، شخصی سازی) و تاثیر آن بر معیارهای کسب و کار
- امکان ایجاد روابط محصول، بسته بندی و سناریوهای فروش متقابل با پشتیبانی هوش مصنوعی و تبدیل آنها به فرضیه های قابل آزمایش
- امکان مشاهده خطرات حباب فیلتر، سوگیری و توصیه خودکار سهام/حاشیه خنثی و پیوند قوانین توصیه به کنترل تجاری
بخش قابل توجهی از فروش در سایت های بزرگ تجارت الکترونیک از محصولی است که به مشتری توصیه می شود، نه محصولی که او به دنبال آن است. همه شما بلوک های "آنهایی که این را خریدند این را هم خریدند"، "انتخاب های ما برای شما"، "ارزان تر با هم" را دیده اید. سیستم پشت این بلوک ها موتور توصیه نامیده می شود: نرم افزاری است که به این سوال پاسخ می دهد "حالا چه چیزی باید به این شخص نشان دهم؟" با نگاهی به رفتار مشتری، رابطه محصولات و الگوهای کلی. هوش مصنوعی (AI) در این زمینه از دو جهت مفید است: به شما کمک می کند سناریوها و قوانینی را هنگام ایجاد منطق توصیه ایجاد کنید، و روابط محصول شما را در فروشگاه های کوچک تجزیه و تحلیل می کند و ایده های بسته/فروش متقابل را ارائه می دهد. اما مراقب باشید: یک سیستم توصیه خوب نه تنها باید به "چند کلیک" بلکه به موجودی، حاشیه و تجربه مشتری نیز توجه کند.
بیایید دو اصطلاح را روشن کنیم. فروش متقابل ارائه محصول دیگری است که مکمل یک محصول به خریدار است (قابی برای خریدار تلفن). Up-sell مدلی بالاتر/گران قیمت را ارائه می دهد که همان نیاز را برآورده می کند (256 گیگابایت به جای 128 گیگابایت). هر دو راه های قانونی برای افزایش میانگین سبد (AOV) هستند. اما زمانی کار میکند که واقعاً برای مشتری مفید باشد، و زمانی که مجبور شود مزاحم شود.
سه منطق اساسی سیستم توصیه
سیستم های توصیه گر معمولا از یک یا ترکیبی از سه رویکرد استفاده می کنند.
1) مبتنی بر محتوا: به ویژگی های خود محصول نگاه می کند. "سایر کفش های دویدن مشابه این کفش دویدن". حتی با مشتریان جدید کار می کند زیرا به سابقه رفتاری نیاز ندارد.
2) فیلترینگ مشارکتی: به الگوی رفتار نگاه می کند. افرادی که این محصول را خریده اند این را نیز خریداری کرده اند. این قدرتمند است، اما به داده های زیادی نیاز دارد و از "شروع سرد" (محصول جدید/مشتری جدید) رنج می برد.
3) شخصی سازی: ویترین را برای یک مشتری بر اساس رفتار گذشته آنها طراحی می کند. این اثر قدرتمندی دارد اما خطر حفظ حریم خصوصی و "حباب های فیلتر" را به همراه دارد.
جدول زیر بلوک های توصیه و هدف آنها را خلاصه می کند:
مسدود کردن
منطق
هدف
مثال
محصولات مشابه
مبتنی بر محتوا
جایگزینی ارائه دهد
مدل های نزدیک در همان دسته
با هم گرفته شده است
مشارکتی
فروش متقابل
گوشی + قاب + محافظ صفحه
انتخاب های ما برای شما
شخصی سازی
تعهد
بر اساس ناوبری گذشته
موارد دلخواه / پرفروش
محبوبیت
اعتماد + مشتری جدید
پرفروش ترین ها در این دسته
جایی که ترک کردی
داده های جلسه
معکوس کردن
آخرین محصولات بازدید شده
راه اندازی توصیه با هوش مصنوعی در یک فروشگاه کوچک
حتی فروشگاههای کوچک و متوسط که نمیتوانند یک موتور توصیه شرکتی ایجاد کنند، میتوانند به طور هوشمندانه روابط محصول را با استفاده از هوش مصنوعی ساختار دهند. میتوانید بهطور ناشناس دادههای واقعی «محصولات فروخته شده با هم» (اقلام سفارش) را به هوش مصنوعی بدهید و از آن بخواهید «کدام محصولات با هم خریداری شدهاند، کدام بستهها را میتوانم توصیه کنم؟» هوش مصنوعی فرضیه های فروش متقابل و بسته بندی را برای شما ایجاد می کند. آنها را از طریق سهام و حاشیه فیلتر می کنید و سپس آنها را در واقع آزمایش می کنید. کلمه کلیدی در اینجا فرضیه است: پیشنهاد هوش مصنوعی شواهد نیست، بلکه ایده ای است که باید آزمایش شود.
نکته: هر ایده توصیهای را به یک فرضیه «اگر-پس» تبدیل کنید: «اگر Y را به کسی که X میخرد توصیه کنیم، میانگین سبد او افزایش مییابد». سپس این را با یک آزمایش کوچک (تست A/B یا دوره زمانی) اندازه گیری کنید. یک توصیه بدون اندازه گیری فقط یک حدس است.
ممیزی تجاری قوانین توصیه
یک سیستم توصیه می تواند خطرناک باشد اگر به طور کامل خودکار "بیشترین کلیک" شود. سهام: توصیه محصولی که موجودی آن تمام شده است، مشتری را ناامید می کند. حاشیه: محصولی با بیشترین کلیک ممکن است کمترین حاشیه را داشته باشد. ممکن است سیستم شما را به سمت محصولات بی سود هدایت کند. ایمنی و مناسب بودن برند: توصیه نامربوط یا نامناسب در دسته های حساس (نوزاد، سلامت) اعتماد را از دست می دهد. حباب فیلتر: نشان دادن مداوم همان نوع محصول به مشتری، کشف را از بین می برد و فروش را محدود می کند. به همین دلیل است که توصیههای خودکار الزاماً با قوانین تجاری تنظیم میشوند: "محصول موجود را توصیه کنید"، "محصولی را که حاشیه آن زیر این آستانه است نشان ندهید"، "تطابق با دسته را حفظ کنید".
تعصب نیز یک خطر واقعی است. از آنجا که سیستم توصیه مبتنی بر رفتار گذشته است، می تواند نابرابری های گذشته را تقویت کند. برای مثال، دائماً محصولات ارزانتر/کیفیتتر را به گروه خاصی توصیه میکند. این یک موضوع اخلاقی و تجاری است. لازم است به طور منظم خروجی های توصیه ها با توجه به اینکه "چه چیزی به چه کسی توصیه می شود" بررسی شود.
چهار قالب قابل کپی
1) تجزیه و تحلیل محصولات فروخته شده با هم:
نقش شما: دستیار تحلیلگر تجارت الکترونیک. در زیر موارد سفارش ناشناس (کد اقلام و تعداد دفعات جمع آوری شده با هم) آمده است. داده ها: [جدول]. وظیفه: پیدا کردن 10 جفت کالایی که اغلب با هم خریداری می شوند. برای هر جفت، یک فرضیه فروش متقابل بنویسید ("پیشنهاد Y به خریداران X"). نکته: اینها فرضیه هستند. سهام و حاشیه را نیز بررسی می کنم.
2) توصیه بسته:
محصول: [محصول اصلی]. محصولات تکمیلی: [لیست، با یادداشت های حاشیه]. وظیفه: پیشنهاد 3 بسته معقول. برای هر بسته در یک جمله سود را برای مشتری توضیح دهید. قانون: تمام محصولات موجود در بسته باید در انبار باشد. محصول کم حاشیه را به قرعه کشی اصلی تبدیل کنید.
3) سناریوی پرفروش:
مشتری به این موارد نگاه می کند: [محصول، قیمت، ویژگی ها]. مدل های سطح بالا: [فهرست، با تفاوت قیمت/ویژگی]. وظیفه: پیش نویس یک پیام فروش صادقانه: برای کدام مزیت اضافی چقدر باید بپردازید. قانون: بدون اغراق. تفاوت را از طریق ویژگی های بتن توضیح دهید.
4) بررسی قانون پیشنهاد:
قوانین توصیه زیر را بررسی کنید. قوانین: [فهرست]. وظیفه: هر قانون را در برابر خطرات زیر ارزیابی کنید: ثبات سهام، حفاظت از حاشیه، تناسب دسته، حباب فیلتر، تعصب. قوانین مخاطره آمیز و توصیه خود را برای اصلاح فهرست کنید.
سه کیف کوچک
مورد 1 - سود فروش متقابل. یک فروشگاه لوازم الکترونیکی داده های سفارشات را با هوش مصنوعی تجزیه و تحلیل کرد و الگویی از "40٪ از کسانی که یک گوشی خریدند ظرف 30 روز یک قاب خریدند." یک بلوک پیشنهادی مناسب به صفحه تلفن اضافه شد (فیلتر کردن موارد موجود در انبار). میانگین سبد به طور قابل اندازه گیری افزایش یافت. هوش مصنوعی یک فرضیه داد، فروشگاه آن را آزمایش و تأیید کرد.
مورد 2 - دام حاشیه. یکی از فروشگاه ها صفحه اصلی را به طور کامل به محصولات «بیشترین کلیک» رها کرد. محصولاتی که بیشترین کلیک را داشتند، محصولات کمپین با کمترین حاشیه بودند، حتی برخی با ضرر فروخته شدند. گردش مالی افزایش یافت اما سود کاهش یافت. راه حل: فیلتر «محصولی که حاشیه آن زیر آستانه در صفحه اصلی است را مشخص کنید» به قانون توصیه اضافه شده است.
مورد 3 - حباب فیلتر. در یک سایت کتاب، به دلیل اینکه دائماً یک نوع کتاب به مشتری توصیه می شد، مشتری هرگز ژانرهای جدیدی را کشف نکرد و به مرور زمان علاقه او کاهش یافت. هنگامی که قانون تنوع "حداقل 20٪ از پیشنهادات باید از دسته های مختلف باشد" به قانون پیشنهاد اضافه شد، کشف و فروش بازیافت شد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
چه چیزی را می توانم با این محصول توصیه کنم، چند ایده به من بدهید.
این مدل توصیههای عمومی و شاید خارج از انبار را بدون اطلاع از دادهها و حاشیه واقعی شما تولید میکند.
اعلان قدرتمند:
نقش شما: تحلیلگر تجارت الکترونیک. محصول اصلی: هدست بی سیم (حاشیه 28٪ در انبار). نامزدهای تکمیلی (با موجودی/حاشیه): کیف حمل (45% در انبار)، مجموعه ایرباد (50% در انبار)، کابل شارژ (20% در انبار). وظیفه: پیشنهاد 2 بسته فروش متقابل فقط با موجودی و با حاشیه بیش از 30%؛ سود مشتری را برای هر بسته در یک جمله بنویسید.
اشتباهات رایج
- اشتباه گرفتن پیشنهاد برای شواهد خروجی هوش مصنوعی این فرضیه است. بدون آزمایش به یک تصمیم تبدیل نمی شود.
- نادیده گرفتن موجودی و حاشیه. توصیه خودکار می تواند محصول بی سود یا فروخته شده را برجسته کند.
- فقط آن را به محبوبیت نسبت دهید. بیشترین کلیک همیشه سودآورترین یا راحت ترین نیست.
- ایجاد حباب فیلتر نشان دادن مداوم همان محصول، کشف و فروش را از بین می برد.
- عدم بررسی تعصب این سیستم می تواند نابرابری های گذشته را تقویت کند. بازرسی منظم مورد نیاز است.
- فروش اجباری هل دادن یک مدل گران قیمت که هیچ مزیتی ندارد باعث از دست دادن اعتماد به نفس شما می شود.
به طور خلاصه
سیستم های توصیه با نشان دادن محصول مناسب در لحظه به مشتری، میانگین و وفاداری سبد را افزایش می دهند. سه منطق اساسی وجود دارد: مبتنی بر محتوا (محصولات مشابه)، مشارکتی (با هم خریداری شده) و شخصی سازی. حتی در فروشگاههای کوچک، هوش مصنوعی میتواند فرضیههای فروش متقابل و بستهبندی را از دادههای سفارش ایجاد کند. اما اینها ایده هایی هستند که باید آزمایش شوند، نه اثبات. مطمئن شوید که قوانین توصیه را در مورد سهام، حاشیه، تناسب دسته و تنوع تنظیم کنید. حباب فیلتر و خطرات سوگیری را به طور منظم بررسی کنید. توصیه خودکار هنگام رعایت کنترل تجاری ارزش ایجاد می کند.
وظیفه کاربردی
5 جفت محصولی که اغلب با هم خریداری میشوند را از دادههای سفارش خودتان (با کدهای محصول ناشناس) استخراج کنید. با الگوی «تحلیل محصول مشترک فروخته شده» از هوش مصنوعی فرضیه های فروش متقابل بخواهید. هر فرضیه را به عبارت «اگر-آنگاه» تبدیل کنید و آن را از طریق سهام و حاشیه فیلتر کنید. یک طرح آزمایشی برای 2 فرضیه امیدوارکننده (مدت، چه معیاری برای اندازه گیری) بنویسید. در نهایت، قوانین توصیه خود را برای خطرات با الگوی "حسابرسی قوانین توصیه" ارزیابی کنید.
چک لیست
- [ ] من ایده های پیشنهادی را به عنوان فرضیه هایی که باید آزمایش شوند، تلقی کردم، نه به عنوان مدرک.
- [ ] من هر پیشنهاد را از طریق سهام و حاشیه فیلتر کردم.
- [ ] علاوه بر محبوبیت، سودآوری و مناسب بودن را نیز در نظر گرفتم.
- [ ] من از حباب فیلتر با قانون تنوع اجتناب کردم.
- [ ] من برای سوگیری بررسی کردم که توصیهها به چه کسی نشان میدهند.
- [ ] من قصد داشتم پیشنهادات امیدوارکننده را با یک آزمون واقعی اندازه گیری کنم.