מערכות המלצות: התאמה אישית, מכירות צולבות ופריסת עמוד הבית

רווחים:

• Understanding the logic of the recommendation engine (bought together, similar products, personalization) and its impact on business metrics
• יכולת לבנות קשרי מוצר, תרחישי חבילה ומכירות צולבות עם תמיכה בבינה מלאכותית ולהפוך אותם להשערות הניתנות לבדיקה
• יכולת לראות את הסיכונים של בועת סינון, הטיה והמלצה אוטומטית ניטראלית במניות/שוליים ולקשר את כללי ההמלצה לבקרה מסחרית

A significant portion of sales on large e-commerce sites comes from the product recommended to the customer, not the product he is looking for. You've all seen the blocks "Those who bought this also bought this", "Our picks for you", "Cheaper together". המערכת שמאחורי הבלוקים הללו נקראת מנוע המלצות: זו תוכנה שמייצרת תשובות לשאלה "מה אני צריך להראות לאדם הזה עכשיו?" by looking at the customer's behavior, the relationship of the products and general patterns. בינה מלאכותית (AI) שימושית בתחום זה בשתי דרכים: היא עוזרת לך ליצור תרחישים וכללים בעת בניית היגיון המלצות, והיא מנתחת את מערכות היחסים שלך עם המוצרים בחנויות קטנות ומביאה רעיונות לאריזה/מכירה צולבת. But beware: a good recommendation system has to look not just at “how many clicks” but also at inventory, margin, and customer experience.

בואו נבהיר את שני המונחים. מכירות צולבות היא הצעת מוצר נוסף המשלים מוצר לקונה (מארז לקונה טלפוני). Up-sell מציעה דגם גבוה יותר/יקר העונה על אותו צורך (256 GB במקום 128 GB). Both are legitimate ways to increase average basket (AOV); אבל זה עובד כאשר זה באמת מועיל ללקוח, וזה מפריע כאשר זה נאלץ.

שלוש היגיון בסיסי של מערכת ההמלצות

מערכות ממליצים משתמשות בדרך כלל בגישה אחת או בתערובת של שלוש גישות.

1) מבוסס תוכן: זה בוחן את התכונות של המוצר עצמו. "נעלי ריצה אחרות דומות לנעל ריצה זו". זה אפילו עובד עם לקוחות חדשים כי זה לא דורש היסטוריה התנהגותית.

2) סינון שיתופי: מסתכל על דפוס ההתנהגות. "אנשים שקנו את המוצר הזה קנו גם את זה". זה חזק, אבל דורש הרבה נתונים וסובל מ"התחלה קרה" (מוצר חדש/לקוח חדש).

3) התאמה אישית: היא מתאימה את חלון הראווה ללקוח בודד על סמך התנהגותו בעבר. It has a powerful effect but carries a risk of privacy and "filter bubbles".

הטבלה הבאה מסכמת את בלוקי ההמלצות ואת מטרתם:

לחסום

היגיון

מטרה

דוגמה

מוצרים דומים

מבוסס תוכן

להציע חלופה

סגור דגמים באותה קטגוריה

נלקחים יחד

שיתופי

מכירה צולבת

טלפון + כיסוי + מגן מסך

הבחירות שלנו בשבילך

התאמה אישית

מחויבות

מבוסס על ניווט בעבר

מועדפים / רבי מכר

פופולריות

אמון + לקוח חדש

רבי מכר בקטגוריה

איפה הפסקת

נתוני הפגישה

היפוך

מוצרים שנצפו לאחרונה

הגדרת המלצה עם AI בחנות קטנה

Even small and medium stores that cannot establish a corporate recommendation engine can intelligently structure product relationships using AI. אתה יכול לתת באופן אנונימי את נתוני "המוצרים הנמכרים יחד" האמיתיים (פריטי הזמנה) לבינה מלאכותית ולגרום לו לנתח "אילו מוצרים קונים יחד, על אילו חבילות אני יכול להמליץ?" AI generates cross-selling and bundling hypotheses for you; You filter them through stock and margin, and then you actually test them. The key word here is hypothesis: the AI's suggestion is not evidence, but an idea to be tested.

טיפ: הפוך כל רעיון המלצה להשערה של "אם-אז": "אם נמליץ על Y למישהו שקונה X, ממוצע הסל שלו יעלה". Then measure this with a small experiment (A/B test or period of time). A recommendation without measurement is just a guess.

ביקורת מסחרית של כללי המלצות

A recommendation system can be dangerous if left to completely automated “most clicked”. Stock: recommending a product that is out of stock will disappoint the customer. Margin: the product with the most clicks may have the lowest margin; The system may direct you to unprofitable products. Brand safety and suitability: irrelevant or inappropriate recommendation in sensitive categories (baby, health) loses trust. Filter bubble: constantly showing the customer the same type of product kills discovery and narrows sales. לכן המלצות אוטומטיות ממוסגרות בהכרח על ידי חוקים עסקיים: "המליץ ​​על מה שיש במלאי", "אל תציג את המוצר שהרווח שלו מתחת לסף הזה", "שמור על תאימות לקטגוריות".

הטיה היא גם סיכון ממשי. Because the recommendation system is based on past behavior, it can reinforce past inequalities; For example, constantly recommending cheaper/lower quality products to a certain group. זה נושא אתי ומסחרי כאחד. It is necessary to regularly audit the recommendation outputs with a view to "what is being recommended to whom".

ארבע תבניות הניתנות להעתקה

1) ניתוח של מוצרים שנמכרים יחד:

תפקידך: עוזר אנליסט מסחר אלקטרוני. להלן פריטי הזמנה אנונימיים (קודי פריט ומספר הפעמים יחד). נתונים: [טבלה]. משימה: מצא את 10 זוגות הפריטים הנרכשים בתדירות הגבוהה ביותר יחד; עבור כל זוג, כתוב השערת מכירה צולבת ("הצע Y לקונים X"). הערה: אלו הן השערות; אבדוק גם את המלאי והמרווח.

2) המלצת חבילה:

מוצר: [מוצר עיקרי]. מוצרים משלימים: [רשימה, עם הערות שוליים]. משימה: הצע 3 חבילות הגיוניות; עבור כל חבילה, הסבירו את התועלת ללקוח במשפט אחד. כלל: כל המוצרים באריזה חייבים להיות במלאי; מה שהופך את המוצר עם השוליים הנמוכים למשיכה העיקרית.

3) תרחיש הנמכר ביותר:

הלקוח מסתכל על: [מוצר, מחיר, תכונות]. דגמים יוקרתיים: [רשימה, עם הבדלי מחיר/תכונה]. משימה: נסח הודעת מכירה כנה: כמה לשלם עבור איזו הטבה נוספת. כלל: אין הגזמה; הסבירו את ההבדל באמצעות תכונות קונקרטיות.

4) בדיקת כלל הצעות:

בדוק את כללי ההמלצה הבאים. כללים: [רשימה]. משימה: הערך כל כלל מול הסיכונים הבאים: עקביות במניות, הגנה על השוליים, התאמה לקטגוריה, בועת סינון, הטיה. רשום את הכללים המסוכנים ואת ההמלצה שלך לתיקון.

שלושה מיני תיקים

מקרה 1 - רווח במכירה צולבת. חנות אלקטרוניקה ניתחה נתוני הזמנות עם AI ומצאה דפוס של "40% מאלה שקנו טלפון קנו גם נרתיק תוך 30 יום". הוסיפו בלוק המלצת מקרה מתאים לדף הטלפון (סינון אלו שבמלאי). ממוצע הסל עלה באופן מדיד. AI נתן השערה, החנות בדקה ואימתה אותה.

מקרה 2 - מלכודת שוליים. One store abandoned the homepage entirely to "most clicked" products. המוצרים שנלחצו ביותר היו מוצרי הקמפיין עם המרווחים הנמוכים ביותר, חלקם אף נמכרו בהפסד. המחזור גדל אך הרווחים ירדו. פתרון: מסנן "הצג את המוצר שהשוליים שלו מתחת לסף בדף הבית" נוסף לכלל ההמלצה.

מקרה 3 - בועת סינון. באתר ספרים, מכיוון שהמליץ ​​ללקוח כל הזמן על אותו סוג ספר, הלקוח מעולם לא גילה ז'אנרים חדשים והעניין שלו ירד עם הזמן. כאשר כלל הגיוון "לפחות 20% מההצעות צריכות להיות מקטגוריות שונות" התווסף לכלל ההצעות, הגילוי והמכירות התאוששו.

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

מה אני יכול להמליץ עם המוצר הזה, תן לי כמה רעיונות.

המודל מייצר המלצות כלליות, אולי אזל מהמלאי מבלי לדעת את הנתונים והרווחים האמיתיים שלך.

הנחיה עוצמתית:

תפקידך: אנליסט מסחר אלקטרוני. מוצר עיקרי: אוזניות אלחוטיות (רווח 28%, במלאי). מועמדים משלימים (עם מלאי/שוליים): תיק נשיאה (45%, במלאי), סט אוזניות (50%, במלאי), כבל טעינה (20%, במלאי). משימה: להציע 2 חבילות צולבות רק עם במלאי ועם רווחים מעל 30%; כתוב את הטבת הלקוח במשפט אחד לכל חבילה.

טעויות נפוצות

• טועה בהצעה כראיה. הפלט של AI הוא ההשערה; זה לא הופך להחלטה בלי להיבדק.
• התעלמות ממלאי ומרווחים. המלצה אוטומטית יכולה להדגיש מוצר לא רווחי או אזל.
• רק לייחס את זה לפופולריות. הקליק ביותר הוא לא תמיד הרווחי ביותר או הנוח ביותר.
• יצירת בועת סינון. הצגה מתמדת של אותו מוצר הורגת את הגילוי והמכירות.
• לא בודק הטיה. המערכת יכולה לחזק את אי השוויון בעבר; נדרשת בדיקה שוטפת.
• מכירה נוספת בכפייה. דחיפה של דגם יקר שאין לו יתרונות תגרום לך לאבד ביטחון.

לסיכום

מערכות המלצות מגדילות את ממוצע הסל ואת הנאמנות על ידי הצגת המוצר הנכון ברגע הנכון. ישנן שלוש היגיון בסיסי: מבוסס תוכן (מוצרים דומים), שיתופיות (קנו יחד) והתאמה אישית. אפילו בחנויות קטנות, AI יכול לייצר השערות מכירה צולבת ואגד מנתוני הזמנות; אבל אלו רעיונות שיש לבדוק, לא הוכחות. הקפד לנסח כללי המלצות סביב מלאי, שוליים, התאמה לקטגוריה ומגוון; בדוק את בועת המסנן וסיכונים הטיה באופן קבוע. המלצה אוטומטית יוצרת ערך כאשר היא נצמדת לבקרה מסחרית.

משימת יישום

חלץ את 5 זוגות המוצרים הנרכשים בתדירות הגבוהה ביותר יחד מנתוני ההזמנה שלך (עם קודי מוצר אנונימיים). בקש מבינה מלאכותית להשערות של מכירה צולבת עם התבנית "ניתוח מוצר במכירה משותפת". הפוך כל השערה להצהרת "אם-אז" וסנן אותה דרך המניה והשוליים. כתוב תוכנית מבחן עבור 2 ההשערות המבטיחות ביותר (כמה זמן, איזה מדד למדוד). לבסוף, הערך את כללי ההמלצה שלך לגבי סיכונים באמצעות התבנית "ביקורת כללי המלצות".

רשימת בדיקה

• [ ] התייחסתי לרעיונות הצעות כהשערות שיש לבדוק, לא כראיות.
• [ ] סיננתי כל הצעה דרך המניות והשוליים.
• [ ] מלבד פופולריות, שקלתי גם רווחיות והתאמה.
• [ ] נמנעתי מבועת הסינון עם כלל הגיוון.
• [ ] בדקתי אם יש הטיה מה ההמלצות מראות למי.
• [ ] תכננתי למדוד את ההצעות המבטיחות במבחן אמיתי.