Voitot:
- Suositusmoottorin logiikan ymmärtäminen (yhdessä ostetut, samanlaiset tuotteet, personointi) ja sen vaikutus liiketoimintamittareihin
- Kyky rakentaa tuotesuhteita, paketoida ja ristiinmyyntiskenaarioita tekoälyn tuella ja muuttaa niistä testattavia hypoteeseja
- Kyky nähdä suodatinkuplan, harhaan ja osake-/marginaalineutraalin automaattisen suosituksen riskit ja yhdistää suositussäännöt kaupalliseen valvontaan
Merkittävä osa suurten verkkokauppasivustojen myynnistä tulee asiakkaalle suositellusta tuotteesta, ei hänen etsimästään tuotteesta. Olette kaikki nähneet lohkot "Tämän ostaneet ostivat myös tämän", "Meidän valintamme sinulle", "Yhdessä halvemmalla". Näiden lohkojen takana olevaa järjestelmää kutsutaan suositusmoottoriksi: se on ohjelmisto, joka tuottaa vastaukset kysymykseen "Mitä tälle henkilölle nyt pitäisi näyttää?" tarkastelemalla asiakkaan käyttäytymistä, tuotteiden suhdetta ja yleisiä malleja. Tekoäly (AI) on hyödyllinen tällä alalla kahdella tavalla: se auttaa generoimaan skenaarioita ja sääntöjä suosituslogiikkaa rakennettaessa sekä analysoimaan omia tuotesuhteitasi pienissä myymälöissä ja keksimään paketti-/ristimyyntiideoita. Mutta varokaa: hyvän suositusjärjestelmän on otettava huomioon paitsi "kuinka monta klikkausta" vaan myös varasto, marginaali ja asiakaskokemus.
Selvennetään kahta termiä. Ristiinmyynti on toisen tuotetta täydentävän tuotteen tarjoamista ostajalle (puhelimen ostajan kotelo). Up-sell tarjoaa korkeamman/kallimman mallin, joka täyttää saman tarpeen (256 Gt 128 Gt:n sijaan). Molemmat ovat oikeutettuja tapoja kasvattaa keskimääräistä koria (AOV); Mutta se toimii, kun siitä on todella hyötyä asiakkaalle, ja häiritsee, kun se on pakotettu.
Suositusjärjestelmän kolme peruslogiikkaa
Suositusjärjestelmät käyttävät yleensä yhtä tai kolmen lähestymistavan yhdistelmää.
1) Sisältöpohjainen: Siinä tarkastellaan tuotteen omia ominaisuuksia. "Muut juoksukengät, jotka ovat samanlaisia kuin tämä juoksukenkä". Se toimii jopa uusien asiakkaiden kanssa, koska se ei vaadi käyttäytymishistoriaa.
2) Yhteistyösuodatus: Tarkastelee käyttäytymismallia. "Ihmiset, jotka ostivat tämän tuotteen, ostivat myös tämän." Se on tehokas, mutta vaatii paljon dataa ja kärsii "kylmäkäynnistyksestä" (uusi tuote/uusi asiakas).
3) Personointi: Se räätälöi esittelyn yhdelle asiakkaalle heidän aiemman käyttäytymisensä perusteella. Sillä on voimakas vaikutus, mutta siihen liittyy yksityisyyden ja "suodatinkuplien" vaara.
Seuraavassa taulukossa on yhteenveto suosituslohkoista ja niiden tarkoituksesta:
estää
logiikkaa
Tarkoitus
esimerkki
Samanlaisia tuotteita
sisältöön perustuva
tarjota vaihtoehto
Läheiset mallit samassa kategoriassa
yhdessä otettuna
yhteistyökykyinen
ristiinmyynti
puhelin + kuori + näytönsuoja
Meidän valintamme sinulle
Personointi
sitoutumista
Perustuu aikaisempaan navigointiin
Suosikit / bestsellerit
Suosio
Luottamus + uusi asiakas
Kategorian bestsellerit
mihin jäit
istunnon tiedot
kääntyminen
Viimeksi katsotut tuotteet
Suositusasetus tekoälyllä pienessä kaupassa
Jopa pienet ja keskisuuret kaupat, jotka eivät pysty muodostamaan yrityssuositusmoottoria, voivat älykkäästi jäsentää tuotesuhteita tekoälyn avulla. Voit anonyymisti antaa todelliset "yhdessä myydyt tuotteet" -tiedot (tilaa tuotteet) tekoälylle ja antaa sen analysoida "mitä tuotteita ostetaan yhdessä, mitä paketteja voin suositella?" AI luo ristiinmyynti- ja niputushypoteesit sinulle; Suodatat ne varaston ja marginaalin kautta ja sitten testaat niitä. Avainsana tässä on hypoteesi: tekoälyn ehdotus ei ole todiste, vaan idea, joka on testattava.
Vinkki: Muuta jokainen suositusidea "jos-niin" -hypoteesiksi: "Jos suosittelemme Y:tä X:n ostajalle, hänen ostoskorinsa keskiarvo kasvaa." Mittaa sitten tämä pienellä kokeella (A/B-testi tai ajanjakso). Suositus ilman mittausta on vain arvaus.
Suositussääntöjen kaupallinen tarkastus
Suositusjärjestelmä voi olla vaarallinen, jos se jätetään täysin automatisoituun "useimmin napsautettuun". Varasto: lopputuotteen suositteleminen tuottaa asiakkaalle pettymyksen. Marginaali: eniten napsautuksia saaneella tuotteella voi olla pienin marginaali; Järjestelmä voi ohjata sinut kannattamattomiin tuotteisiin. Brändin turvallisuus ja soveltuvuus: epäolennainen tai sopimaton suositus arkaluontoisissa luokissa (vauva, terveys) menettää luottamuksen. Suodatuskupla: samantyyppisen tuotteen jatkuva näyttäminen asiakkaalle tappaa löytöjä ja kaventaa myyntiä. Siksi automaattiset suositukset kehystävät välttämättä liiketoimintasäännöt: "suosittele mitä on varastossa", "älä esittele tuotetta, jonka marginaali on tämän kynnysarvon alapuolella", "säilytä luokan vaatimustenmukaisuus".
Erottelu on myös todellinen riski. Koska suositusjärjestelmä perustuu menneeseen käyttäytymiseen, se voi vahvistaa menneisyyden epätasa-arvoa; Esimerkiksi jatkuvasti halvempien/heikolaatuisempien tuotteiden suositteleminen tietylle ryhmälle. Tämä on sekä eettinen että kaupallinen kysymys. Suositusten tuloksia on tarkastettava säännöllisesti, jotta "mitä suositellaan kenelle".
Neljä kopioitavaa mallia
1) Analyysi yhdessä myytävistä tuotteista:
Tehtäväsi: verkkokaupan analyytikkoassistentti. Alla on nimettömät tilaustuotteet (tuotekoodit ja kertojen lukumäärä yhdessä). Tiedot: [taulukko]. Tehtävä: etsi 10 paria tavaroita, joita ostetaan useimmin yhdessä; Kirjoita kullekin parille ristiinmyyntihypoteesi ("Tarjous Y ostajille X"). Huomautus: Nämä ovat hypoteeseja; Tarkistan myös varaston ja marginaalin.
2) Paketin suositus:
Tuote: [päätuote]. Täydentävät tuotteet: [luettelo, marginaalimerkinnöillä]. Tehtävä: Ehdota 3 järkevää pakettia; Selitä jokaisen paketin etu yhdellä lauseella asiakkaalle. Sääntö: kaikkien pakkauksen tuotteiden on oltava varastossa; tehdä matalakatteisesta tuotteesta pääasiallinen veto.
3) Myydyin skenaario:
Asiakas tarkastelee seuraavia: [tuote, hinta, ominaisuudet].Huippumallit: [luettelo, hinta/ominaisuus erot].Tehtävä: laadi rehellinen lisämyyntiviesti: kuinka paljon jostakin lisäedusta maksaa.Sääntö: ei liioittelua; Selitä ero konkreettisten ominaisuuksien avulla.
4) Ehdotussäännön tarkistus:
Tarkista seuraavat suositussäännöt.Säännöt: [luettelo].Tehtävä: arvioi jokainen sääntö seuraavien riskien suhteen: varaston tasaisuus, marginaalisuoja, luokkasovitus, suodatinkupla, harha.Luettelo riskialttiit säännöt ja korjaussuosituksesi.
kolme minilaukkua
Tapaus 1 – Ristiinmyynnin voitto. Eräs elektroniikkakauppa analysoi tilaustiedot tekoälyllä ja havaitsi mallin "40 % puhelimen ostaneista osti myös kotelon 30 päivän sisällä". Puhelinsivulle lisätty sopiva kotelosuosituslohko (varastossa olevat suodatetaan pois). Korin keskiarvo nousi selvästi. Tekoäly esitti hypoteesin, kauppa testasi ja vahvisti sen.
Tapaus 2 – Marginaalilukko. Yksi kauppa hylkäsi etusivun kokonaan "eniten klikattujen" tuotteiden vuoksi. Eniten klikattuja tuotteita olivat alhaisimman marginaalin kampanjatuotteet, joista osa myytiin jopa tappiolla. Liikevaihto kasvoi, mutta tulos laski. Ratkaisu: Suositussääntöön on lisätty "Esittele tuote, jonka marginaali on kotisivun kynnyksen alapuolella" -suodatin.
Tapaus 3 — Suodatinkupla. Kirjasivustolla, koska asiakkaalle suositeltiin jatkuvasti samantyyppistä kirjaa, asiakas ei koskaan löytänyt uusia genrejä ja hänen kiinnostuksensa väheni ajan myötä. Kun monimuotoisuussääntö "vähintään 20 % ehdotuksista tulee olla eri luokista" lisättiin ehdotussääntöön, löytö ja myynti palautuivat.
Heikko kehote / Vahva kehote
Heikko kehote:
Mitä voin suositella tämän tuotteen kanssa, antakaa minulle ideoita.
Malli tuottaa yleisiä, ehkä loppumattomia suosituksia tietämättä todellisia tietojasi ja marginaalia.
Tehokas kehotus:
Tehtäväsi: verkkokaupan analyytikko. Päätuote: langattomat kuulokkeet (marginaali 28%, varastossa). Täydentävät ehdokkaat (varastossa/marginaalilla): kantolaukku (45%, varastossa), kuulokkeiden sarja (50%, varastossa), latauskaapeli (20%, varastossa). Tehtävä: ehdota 2 ristiinmyyntipakettia vain varastossa ja marginaaleilla yli 30%; Kirjoita asiakasetu yhdellä lauseella jokaiselle paketille.
Yleisiä virheitä
- Virheellinen ehdotus todisteeksi. Tekoälyn tulos on hypoteesi; Siitä ei tule päätöstä ilman testausta.
- Varaston ja marginaalin huomioiminen. Automaattinen suositus voi korostaa kannattamatonta tai loppuunmyytyä tuotetta.
- Se johtuu vain suosiosta. Eniten napsautettu ei aina ole tuottoisin tai kätevin.
- Suodatinkuplan luominen. Saman tuotteen jatkuva näyttäminen tappaa löydön ja myynnin.
- Ei tarkista puolueellisuutta. Järjestelmä voi vahvistaa menneisyyttä epätasa-arvoa; Säännöllinen tarkastus vaaditaan.
- Pakotettu lisämyynti. Jos työnnät kalliin mallin, josta ei ole hyötyä, menetät itseluottamuksen.
Yhteenvetona
Suositusjärjestelmät lisäävät korin keskiarvoa ja uskollisuutta näyttämällä asiakkaalle oikean tuotteen oikealla hetkellä. On olemassa kolme peruslogiikkaa: sisältöpohjainen (samankaltaiset tuotteet), yhteistyö (ostettu yhdessä) ja personointi. Jopa pienissä myymälöissä tekoäly voi luoda ristiinmyynti- ja niputushypoteesia tilaustiedoista; Mutta nämä ovat testattavia ideoita, eivät todisteita. Muista laatia suositussäännöt varaston, marginaalin, luokkasovituksen ja lajikkeen ympärille. Tarkista suodattimen kupla ja esijännitysriskit säännöllisesti. Automaattinen suositus luo arvoa, kun sitä noudatetaan kaupallisessa ohjauksessa.
Sovellustehtävä
Poimi 5 yleisimmin ostettua tuoteparia omista tilaustiedoistasi (anonyymeillä tuotekoodeilla). Pyydä tekoälyä ristiinmyynnin hypoteeseihin "Yhteismyyntituoteanalyysi" -mallin avulla. Muuta jokainen hypoteesi "jos-niin"-lauseeksi ja suodata se varaston ja marginaalin kautta. Kirjoita testisuunnitelma kahdelle lupaavimmalle hypoteesille (kuinka kauan, mitä mittaria mitataan). Lopuksi arvioi suositussäännöt riskeistä "Suositussäännön tarkastus" -mallin avulla.
tarkistuslista
- [ ] Käsittelin ehdotusideoita testattavina hypoteeseina, en todisteina.
- [ ] Suodatin jokaisen ehdotuksen varaston ja marginaalin kautta.
- [ ] Suosion lisäksi pohdin myös kannattavuutta ja soveltuvuutta.
- [ ] Vältin suodatinkuplaa diversiteettisäännöllä.
- [ ] Tarkistin puolueellisuuden varalta, mitä suositukset osoittavat kenelle.
- [ ] Ajattelin mitata lupaavat ehdotukset todellisella testillä.