ભલામણ સિસ્ટમ્સ: વ્યક્તિગતકરણ, ક્રોસ-સેલિંગ અને હોમપેજ લેઆઉટ

નફો:

• ભલામણ એન્જિનના તર્કને સમજવું (એકસાથે ખરીદેલ, સમાન ઉત્પાદનો, વ્યક્તિગતકરણ) અને બિઝનેસ મેટ્રિક્સ પર તેની અસર
• આર્ટિફિશિયલ ઇન્ટેલિજન્સ સપોર્ટ સાથે ઉત્પાદન સંબંધો, પેકેજ અને ક્રોસ-સેલિંગ દૃશ્યો બનાવવાની ક્ષમતા અને તેમને પરીક્ષણયોગ્ય પૂર્વધારણાઓમાં ફેરવવાની ક્ષમતા
• ફિલ્ટર બબલ, પૂર્વગ્રહ અને સ્ટોક/માર્જિન-તટસ્થ સ્વચાલિત ભલામણના જોખમો જોવાની ક્ષમતા અને વાણિજ્યિક નિયંત્રણ સાથે ભલામણ નિયમોને લિંક કરવાની ક્ષમતા

મોટી ઈ-કોમર્સ સાઇટ્સ પરના વેચાણનો નોંધપાત્ર હિસ્સો ગ્રાહકને ભલામણ કરેલ ઉત્પાદનમાંથી આવે છે, તે જે ઉત્પાદન શોધી રહ્યો છે તેમાંથી નહીં. તમે બધાએ બ્લોક્સ જોયા હશે "જેઓએ આ ખરીદ્યું તેઓએ પણ આ ખરીદ્યું", "તમારા માટે અમારી પસંદગી", "સાથે સસ્તી". આ બ્લોક્સની પાછળની સિસ્ટમને ભલામણ એન્જિન કહેવામાં આવે છે: તે સૉફ્ટવેર છે જે પ્રશ્નના જવાબો ઉત્પન્ન કરે છે "મારે હવે આ વ્યક્તિને શું બતાવવું જોઈએ?" ગ્રાહકની વર્તણૂક, ઉત્પાદનોનો સંબંધ અને સામાન્ય પેટર્ન જોઈને. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) આ ક્ષેત્રમાં બે રીતે ઉપયોગી છે: ભલામણના તર્કનું નિર્માણ કરતી વખતે તે તમને દૃશ્યો અને નિયમો બનાવવામાં મદદ કરે છે, અને તે નાના સ્ટોર્સમાં તમારા પોતાના ઉત્પાદન સંબંધોનું વિશ્લેષણ કરે છે અને પેકેજ/ક્રોસ-સેલિંગ વિચારો સાથે આવે છે. પરંતુ સાવચેત રહો: ​​સારી ભલામણ પ્રણાલીએ માત્ર "કેટલા ક્લિક્સ" પર જ નહીં પરંતુ ઇન્વેન્ટરી, માર્જિન અને ગ્રાહક અનુભવ પર પણ ધ્યાન આપવું જોઈએ.

ચાલો બે શબ્દો સ્પષ્ટ કરીએ. ક્રોસ-સેલિંગ એ અન્ય ઉત્પાદન ઓફર કરે છે જે ખરીદદારને ઉત્પાદનને પૂરક બનાવે છે (ફોન ખરીદનાર માટેનો કેસ). અપ-સેલ એક ઉચ્ચ/ખર્ચાળ મોડલ ઓફર કરે છે જે સમાન જરૂરિયાતને પૂર્ણ કરે છે (128 GB ને બદલે 256 GB). બંને એવરેજ બાસ્કેટ (AOV) વધારવાના કાયદેસર માર્ગો છે; પરંતુ જ્યારે તે ગ્રાહક માટે ખરેખર ફાયદાકારક હોય ત્યારે તે કાર્ય કરે છે, અને જ્યારે તેને દબાણ કરવામાં આવે ત્યારે તે ખલેલ પહોંચાડે છે.

ભલામણ પ્રણાલીના ત્રણ મૂળભૂત તર્ક

ભલામણ સિસ્ટમો સામાન્ય રીતે એક અથવા ત્રણ અભિગમોના મિશ્રણનો ઉપયોગ કરે છે.

1) સામગ્રી-આધારિત: તે ઉત્પાદનની પોતાની વિશેષતાઓને જુએ છે. "આ રનિંગ શૂ જેવા જ અન્ય રનિંગ શૂઝ". તે નવા ગ્રાહકો સાથે પણ કામ કરે છે કારણ કે તેને વર્તન ઇતિહાસની જરૂર નથી.

2) સહયોગી ફિલ્ટરિંગ: વર્તન પેટર્ન જુએ છે. "જે લોકોએ આ ઉત્પાદન ખરીદ્યું છે તેઓએ પણ આ ખરીદ્યું છે." તે શક્તિશાળી છે, પરંતુ ઘણા બધા ડેટાની જરૂર છે અને "કોલ્ડ સ્ટાર્ટ" (નવું ઉત્પાદન/નવા ગ્રાહક) થી પીડાય છે.

3) વૈયક્તિકરણ: તે એક જ ગ્રાહકને તેમના ભૂતકાળના વર્તનના આધારે શોકેસને અનુરૂપ બનાવે છે. તેની શક્તિશાળી અસર છે પરંતુ તે ગોપનીયતા અને "ફિલ્ટર બબલ્સ"નું જોખમ ધરાવે છે.

નીચેનું કોષ્ટક ભલામણ બ્લોક્સ અને તેમના હેતુનો સારાંશ આપે છે:

બ્લોક

તર્ક

હેતુ

ઉદાહરણ

સમાન ઉત્પાદનો

સામગ્રી આધારિત

વૈકલ્પિક ઓફર કરો

સમાન શ્રેણીમાં મોડલ બંધ કરો

સાથે લેવામાં આવે છે

સહયોગી

ક્રોસ વેચાણ

ફોન + કેસ + સ્ક્રીન પ્રોટેક્ટર

તમારા માટે અમારી પસંદગીઓ

વૈયક્તિકરણ

પ્રતિબદ્ધતા

ભૂતકાળના નેવિગેશન પર આધારિત

મનપસંદ / બેસ્ટસેલર્સ

લોકપ્રિયતા

ટ્રસ્ટ + નવા ગ્રાહક

શ્રેણીમાં બેસ્ટસેલર્સ

જ્યાં તમે છોડી દીધું હતું

સત્ર ડેટા

રિવર્સલ

છેલ્લે જોવાયેલ ઉત્પાદનો

નાના સ્ટોરમાં AI સાથે સુઝાવ સેટઅપ

નાના અને મધ્યમ સ્ટોર્સ કે જેઓ કોર્પોરેટ ભલામણ એન્જિન સ્થાપિત કરી શકતા નથી તેઓ પણ AI નો ઉપયોગ કરીને ઉત્પાદન સંબંધોને બુદ્ધિપૂર્વક બનાવી શકે છે. તમે અનામી રૂપે AI ને વાસ્તવિક "સાથે વેચવામાં આવેલ ઉત્પાદનો" ડેટા (ઓર્ડર આઇટમ્સ) આપી શકો છો અને તેને "કયા ઉત્પાદનો એકસાથે ખરીદવામાં આવે છે, હું કયા પેકેજની ભલામણ કરી શકું?" AI તમારા માટે ક્રોસ-સેલિંગ અને બંડલિંગ પૂર્વધારણાઓ જનરેટ કરે છે; તમે તેમને સ્ટોક અને માર્જિન દ્વારા ફિલ્ટર કરો છો, અને પછી તમે ખરેખર તેમનું પરીક્ષણ કરો છો. અહીં મુખ્ય શબ્દ પૂર્વધારણા છે: એઆઈનું સૂચન પુરાવા નથી, પરંતુ પરીક્ષણ કરવા માટેનો વિચાર છે.

ટીપ: દરેક ભલામણ વિચારને "જો-તો" પૂર્વધારણામાં ફેરવો: "જો અમે X ખરીદનાર કોઈને Y ની ભલામણ કરીએ, તો તેમની બાસ્કેટ સરેરાશ વધશે." પછી તેને નાના પ્રયોગ (A/B ટેસ્ટ અથવા સમયગાળો) વડે માપો. માપ વગરની ભલામણ માત્ર અનુમાન છે.

ભલામણ નિયમોનું વાણિજ્યિક ઓડિટ

ભલામણ પ્રણાલી ખતરનાક બની શકે છે જો સંપૂર્ણપણે સ્વચાલિત "સૌથી વધુ ક્લિક કરેલ" પર છોડી દેવામાં આવે. સ્ટોક: સ્ટોક ન હોય તેવા ઉત્પાદનની ભલામણ કરવાથી ગ્રાહક નિરાશ થશે. માર્જિન: સૌથી વધુ ક્લિક્સ ધરાવતા ઉત્પાદનમાં સૌથી ઓછો માર્જિન હોઈ શકે છે; સિસ્ટમ તમને બિનલાભકારી ઉત્પાદનો તરફ નિર્દેશિત કરી શકે છે. બ્રાન્ડ સલામતી અને યોગ્યતા: સંવેદનશીલ શ્રેણીઓ (બાળક, આરોગ્ય) માં અપ્રસ્તુત અથવા અયોગ્ય ભલામણો વિશ્વાસ ગુમાવે છે. ફિલ્ટર બબલ: ગ્રાહકને સતત એક જ પ્રકારનું ઉત્પાદન બતાવવાથી શોધ અને વેચાણ સંકુચિત થાય છે. તેથી જ વ્યવસાયના નિયમો દ્વારા સ્વચાલિત ભલામણો આવશ્યકપણે ઘડવામાં આવે છે: "સ્ટૉકમાં શું છે તેની ભલામણ કરો", "જે ઉત્પાદનનું માર્જિન આ થ્રેશોલ્ડથી નીચે છે તે દર્શાવશો નહીં", "કેટેગરીનું પાલન જાળવો".

પૂર્વગ્રહ પણ એક વાસ્તવિક જોખમ છે. કારણ કે ભલામણ પ્રણાલી ભૂતકાળની વર્તણૂક પર આધારિત છે, તે ભૂતકાળની અસમાનતાઓને વધુ મજબૂત બનાવી શકે છે; ઉદાહરણ તરીકે, ચોક્કસ જૂથને સસ્તી/ઓછી ગુણવત્તાવાળા ઉત્પાદનોની સતત ભલામણ કરવી. આ બંને નૈતિક અને વ્યાપારી મુદ્દો છે. "કોને શું ભલામણ કરવામાં આવી રહી છે" તે ધ્યાનમાં રાખીને ભલામણ આઉટપુટનું નિયમિતપણે ઓડિટ કરવું જરૂરી છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) એકસાથે વેચાતા ઉત્પાદનોનું વિશ્લેષણ:

તમારી ભૂમિકા: ઈ-કોમર્સ વિશ્લેષક સહાયક. નીચે અનામી ઑર્ડર આઇટમ્સ છે (આઇટમ કોડ અને એકસાથે લેવાયેલી વખતની સંખ્યા). ડેટા: [કોષ્ટક]. કાર્ય: એકસાથે વારંવાર ખરીદવામાં આવતી વસ્તુઓની 10 જોડી શોધો; દરેક જોડી માટે, એક ક્રોસ-સેલિંગ પૂર્વધારણા લખો ("ઑફર Y ટુ ખરીદદારો X"). નોંધ: આ પૂર્વધારણાઓ છે; હું સ્ટોક અને માર્જિન પણ તપાસીશ.

2) બંડલ ભલામણ:

ઉત્પાદન: [મુખ્ય ઉત્પાદન]. પૂરક ઉત્પાદનો: [સૂચિ, માર્જિન નોંધો સાથે]. કાર્ય: 3 સમજદાર પેકેજો સૂચવો; દરેક પેકેજ માટે, ગ્રાહકને એક વાક્યમાં લાભ સમજાવો. નિયમ: પેકેજમાંના તમામ ઉત્પાદનો સ્ટોકમાં હોવા જોઈએ; ઓછા માર્જિનવાળા ઉત્પાદનને મુખ્ય ડ્રો બનાવે છે.

3) સૌથી વધુ વેચાણનું દૃશ્ય:

ગ્રાહક જોઈ રહ્યો છે: [ઉત્પાદન, કિંમત, સુવિધાઓ].અપસ્કેલ મોડલ્સ: [સૂચિ, કિંમત/સુવિધાઓના તફાવતો સાથે]. કાર્ય: પ્રામાણિક અપસેલ સંદેશનો મુસદ્દો: વધારાના લાભ માટે કેટલી ચૂકવણી કરવી. નિયમ: કોઈ અતિશયોક્તિ નથી; નક્કર લક્ષણો દ્વારા તફાવત સમજાવો.

4) સૂચન નિયમ તપાસો:

નીચેના ભલામણ નિયમો તપાસો. નિયમો: [સૂચિ]. કાર્ય: નીચેના જોખમો સામે દરેક નિયમનું મૂલ્યાંકન કરો: સ્ટોક સુસંગતતા, માર્જિન સંરક્ષણ, કેટેગરી ફિટ, ફિલ્ટર બબલ, પૂર્વગ્રહ. જોખમી નિયમોની સૂચિ બનાવો અને સુધારણા માટે તમારી ભલામણો.

ત્રણ નાના કેસો

કેસ 1 - ક્રોસ-સેલિંગ ગેઇન. એક ઈલેક્ટ્રોનિક્સ સ્ટોરે AI સાથે ઓર્ડર ડેટાનું વિશ્લેષણ કર્યું અને "40% જેઓએ ફોન ખરીદ્યો તેમાંથી 30 દિવસની અંદર એક કેસ પણ ખરીદ્યો." ફોન પેજ પર યોગ્ય કેસ ભલામણ બ્લોક ઉમેર્યો (સ્ટૉકમાં હોય તેને ફિલ્ટર કરીને). બાસ્કેટ સરેરાશ માપી વધારો થયો છે. AI એ એક પૂર્વધારણા આપી, સ્ટોરે તેનું પરીક્ષણ કર્યું અને તેની ચકાસણી કરી.

કેસ 2 - માર્જિન ટ્રેપ. એક સ્ટોરે "સૌથી વધુ ક્લિક કરેલ" ઉત્પાદનો માટે હોમપેજ સંપૂર્ણપણે છોડી દીધું. સૌથી વધુ ક્લિક થયેલા ઉત્પાદનો સૌથી ઓછા માર્જિન સાથે ઝુંબેશના ઉત્પાદનો હતા, કેટલાક તો ખોટમાં પણ વેચાયા હતા. ટર્નઓવર વધ્યું પણ નફો ઘટ્યો. ઉકેલ: "હોમ પેજ પર જે ઉત્પાદનનું માર્જિન થ્રેશોલ્ડથી નીચે છે તે દર્શાવો" ફિલ્ટરને ભલામણના નિયમમાં ઉમેરવામાં આવ્યું છે.

કેસ 3 — ફિલ્ટર બબલ. પુસ્તકની સાઇટ પર, કારણ કે ગ્રાહકને સતત એક જ પ્રકારના પુસ્તકની ભલામણ કરવામાં આવી હતી, ગ્રાહકે ક્યારેય નવી શૈલીઓ શોધી ન હતી અને સમય જતાં તેની રુચિ ઘટી હતી. જ્યારે વિવિધતાનો નિયમ "ઓછામાં ઓછા 20% સૂચનો વિવિધ કેટેગરીના હોવા જોઈએ" સૂચન નિયમમાં ઉમેરવામાં આવ્યો, ત્યારે શોધ અને વેચાણ પુનઃપ્રાપ્ત થયું.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

હું આ ઉત્પાદન સાથે શું ભલામણ કરી શકું છું, મને કેટલાક વિચારો આપો.

મોડેલ તમારા વાસ્તવિક ડેટા અને માર્જિનને જાણ્યા વિના સામાન્ય, કદાચ આઉટ-ઓફ-સ્ટોક ભલામણો ઉત્પન્ન કરે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: ઈ-કોમર્સ વિશ્લેષક. મુખ્ય ઉત્પાદન: વાયરલેસ હેડસેટ (માર્જિન 28%, સ્ટોકમાં). પૂરક ઉમેદવારો (સ્ટૉક/માર્જિન સાથે): વહન કેસ (45%, સ્ટોકમાં), ઇયરબડ્સનો સેટ (50%, સ્ટોકમાં), ચાર્જિંગ કેબલ (20%, સ્ટોકમાં). કાર્ય: માત્ર સ્ટોકમાં અને 30% થી વધુ માર્જિન સાથે 2 ક્રોસ-સેલિંગ પેકેજો પ્રસ્તાવિત કરો; દરેક પેકેજ માટે ગ્રાહક લાભને એક વાક્યમાં લખો.

સામાન્ય ભૂલો

• પુરાવા માટે સૂચન ભૂલવું. AI નું આઉટપુટ એ પૂર્વધારણા છે; કસોટી કર્યા વિના નિર્ણય બનતો નથી.
• ઇન્વેન્ટરી અને માર્જિનની અવગણના. સ્વચાલિત ભલામણ બિનનફાકારક અથવા વેચાઈ ગયેલ ઉત્પાદનને પ્રકાશિત કરી શકે છે.
• માત્ર લોકપ્રિયતા માટે તેને આભારી. સૌથી વધુ ક્લિક કરેલ હંમેશા સૌથી વધુ નફાકારક અથવા સૌથી અનુકૂળ હોતું નથી.
• ફિલ્ટર બબલ બનાવી રહ્યા છીએ. એક જ પ્રોડક્ટને સતત બતાવવાથી શોધ અને વેચાણને મારી નાખે છે.
• પક્ષપાત તપાસી રહ્યો નથી. સિસ્ટમ ભૂતકાળની અસમાનતાઓને મજબૂત કરી શકે છે; નિયમિત તપાસ જરૂરી છે.
• દબાણપૂર્વક અપસેલિંગ. કોઈ ફાયદા ન હોય તેવા ખર્ચાળ મોડલને આગળ ધપાવવાથી તમે આત્મવિશ્વાસ ગુમાવશો.

સારાંશમાં

ભલામણ પ્રણાલીઓ ગ્રાહકને યોગ્ય સમયે યોગ્ય ઉત્પાદન બતાવીને બાસ્કેટ સરેરાશ અને વફાદારીમાં વધારો કરે છે. ત્યાં ત્રણ મૂળભૂત તર્ક છે: સામગ્રી-આધારિત (સમાન ઉત્પાદનો), સહયોગી (સાથે ખરીદેલ), અને વ્યક્તિગતકરણ. નાના સ્ટોર્સમાં પણ, AI ઓર્ડર ડેટામાંથી ક્રોસ-સેલિંગ અને બંડલિંગ પૂર્વધારણાઓ જનરેટ કરી શકે છે; પરંતુ આ ચકાસવા માટેના વિચારો છે, સાબિતી નથી. સ્ટોક, માર્જિન, કેટેગરી ફિટ અને વિવિધતાની આસપાસ ભલામણ નિયમો બનાવવાની ખાતરી કરો; ફિલ્ટર બબલ અને પૂર્વગ્રહ જોખમો નિયમિતપણે તપાસો. વ્યાપારી નિયંત્રણનું પાલન કરવામાં આવે ત્યારે આપોઆપ ભલામણ મૂલ્ય બનાવે છે.

એપ્લિકેશન કાર્ય

તમારા પોતાના ઓર્ડર ડેટામાંથી (અનામી પ્રોડક્ટ કોડ્સ સાથે) 5 પ્રોડક્ટ જોડીને એકસાથે વારંવાર ખરીદો. AI ને "સહ-વેચાણ ઉત્પાદન વિશ્લેષણ" નમૂના સાથે ક્રોસ-સેલિંગ પૂર્વધારણાઓ માટે પૂછો. દરેક પૂર્વધારણાને "જો-તો" નિવેદનમાં ફેરવો અને તેને સ્ટોક અને માર્જિન દ્વારા ફિલ્ટર કરો. 2 સૌથી આશાસ્પદ પૂર્વધારણાઓ (કેટલા સમય માટે, કયું મેટ્રિક માપવું) માટે એક પરીક્ષણ યોજના લખો. છેલ્લે, "સુઝાવ નિયમ ઓડિટ" ટેમ્પલેટ વડે જોખમો માટે તમારા ભલામણ નિયમોનું મૂલ્યાંકન કરો.

ચેકલિસ્ટ

• [ ] મેં સૂચન વિચારોને પરીક્ષણ કરવા માટેની પૂર્વધારણા તરીકે ગણ્યા, પુરાવા તરીકે નહીં.
• [ ] મેં દરેક સૂચનને સ્ટોક અને માર્જિન દ્વારા ફિલ્ટર કર્યું છે.
• લોકપ્રિયતા ઉપરાંત, મેં નફાકારકતા અને યોગ્યતા પણ ધ્યાનમાં લીધી.
• [ ] મેં વિવિધતાના નિયમ સાથે ફિલ્ટર બબલને ટાળ્યો.
• [ ] ભલામણો કોને બતાવે છે તે પૂર્વગ્રહ માટે મેં તપાસ કરી.
• [ ] મેં આશાસ્પદ સૂચનોને વાસ્તવિક પરીક્ષણ સાથે માપવાનું આયોજન કર્યું.