अनुशंसा प्रणालियाँ: वैयक्तिकरण, क्रॉस-सेलिंग और होमपेज लेआउट

लाभ:

• अनुशंसा इंजन के तर्क को समझना (एक साथ खरीदा गया, समान उत्पाद, वैयक्तिकरण) और व्यावसायिक मेट्रिक्स पर इसका प्रभाव
• कृत्रिम बुद्धिमत्ता समर्थन के साथ उत्पाद संबंध, पैकेज और क्रॉस-सेलिंग परिदृश्य बनाने और उन्हें परीक्षण योग्य परिकल्पनाओं में बदलने की क्षमता
• फ़िल्टर बबल, पूर्वाग्रह और स्टॉक/मार्जिन-तटस्थ स्वचालित अनुशंसा के जोखिमों को देखने और अनुशंसा नियमों को वाणिज्यिक नियंत्रण से जोड़ने की क्षमता

बड़ी ई-कॉमर्स साइटों पर बिक्री का एक महत्वपूर्ण हिस्सा ग्राहक को अनुशंसित उत्पाद से आता है, न कि उस उत्पाद से जिसे वह तलाश रहा है। आप सभी ने "जिन्होंने इसे खरीदा, उन्होंने इसे भी खरीदा", "आपके लिए हमारी पसंद", "एक साथ सस्ता" ब्लॉक देखे होंगे। इन ब्लॉकों के पीछे की प्रणाली को अनुशंसा इंजन कहा जाता है: यह सॉफ़्टवेयर है जो इस प्रश्न का उत्तर देता है "अब मुझे इस व्यक्ति को क्या दिखाना चाहिए?" ग्राहक के व्यवहार, उत्पादों के संबंध और सामान्य पैटर्न को देखकर। आर्टिफिशियल इंटेलिजेंस (एआई) इस क्षेत्र में दो तरह से उपयोगी है: यह आपको अनुशंसा तर्क बनाते समय परिदृश्य और नियम उत्पन्न करने में मदद करता है, और यह छोटे स्टोरों में आपके स्वयं के उत्पाद संबंधों का विश्लेषण करता है और पैकेज/क्रॉस-सेलिंग विचारों के साथ आता है। लेकिन सावधान रहें: एक अच्छी अनुशंसा प्रणाली को न केवल "कितने क्लिक" बल्कि इन्वेंट्री, मार्जिन और ग्राहक अनुभव को भी देखना होगा।

आइए दो शब्दों को स्पष्ट करें। क्रॉस-सेलिंग एक अन्य उत्पाद की पेशकश है जो खरीदार को एक उत्पाद का पूरक बनाता है (फोन खरीदार के लिए एक मामला)। अप-सेल एक उच्च/महंगा मॉडल पेश कर रहा है जो समान आवश्यकता को पूरा करता है (128 जीबी के बजाय 256 जीबी)। दोनों औसत बास्केट (एओवी) बढ़ाने के वैध तरीके हैं; लेकिन यह तब काम करता है जब यह ग्राहक के लिए वास्तव में फायदेमंद होता है, और जब इसे मजबूर किया जाता है तो यह परेशान करता है।

सिफ़ारिश प्रणाली के तीन बुनियादी तर्क

अनुशंसा प्रणालियाँ आम तौर पर एक या तीन दृष्टिकोणों के मिश्रण का उपयोग करती हैं।

1) सामग्री-आधारित: यह उत्पाद की अपनी विशेषताओं को देखता है। "इस दौड़ने वाले जूते के समान अन्य दौड़ने वाले जूते"। यह नए ग्राहकों के साथ भी काम करता है क्योंकि इसमें व्यवहार संबंधी इतिहास की आवश्यकता नहीं होती है।

2) सहयोगात्मक फ़िल्टरिंग: व्यवहार पैटर्न को देखता है। "जिन लोगों ने यह उत्पाद खरीदा, उन्होंने इसे भी खरीदा।" यह शक्तिशाली है, लेकिन इसके लिए बहुत अधिक डेटा की आवश्यकता होती है और यह "कोल्ड स्टार्ट" (नया उत्पाद/नया ग्राहक) से ग्रस्त है।

3) वैयक्तिकरण: यह किसी एक ग्राहक के पिछले व्यवहार के आधार पर शोकेस को तैयार करता है। इसका एक शक्तिशाली प्रभाव है लेकिन इसमें गोपनीयता और "फ़िल्टर बुलबुले" का जोखिम है।

निम्नलिखित तालिका अनुशंसा ब्लॉकों और उनके उद्देश्य का सारांश प्रस्तुत करती है:

ब्लॉक

तर्क

प्रयोजन

उदाहरण

समान उत्पाद

सामग्री आधारित

एक विकल्प प्रस्तुत करें

समान श्रेणी में मॉडल बंद करें

एक साथ लिया गया

सहयोगी

क्रॉस सेलिंग

फ़ोन + केस + स्क्रीन रक्षक

आपके लिए हमारी पसंद

वैयक्तिकरण

प्रतिबद्धता

पिछले नेविगेशन पर आधारित

पसंदीदा/बेस्टसेलर

लोकप्रियता

भरोसा + नया ग्राहक

श्रेणी में सर्वाधिक बिकने वाले

जहाँ आपने छोड़ा था

सत्र डेटा

उलटा

अंतिम बार देखे गए उत्पाद

एक छोटे स्टोर में एआई के साथ सिफ़ारिश सेटअप

यहां तक ​​कि छोटे और मध्यम स्टोर जो कॉर्पोरेट अनुशंसा इंजन स्थापित नहीं कर सकते, वे एआई का उपयोग करके समझदारी से उत्पाद संबंधों की संरचना कर सकते हैं। आप गुमनाम रूप से एआई को वास्तविक "एक साथ बेचे गए उत्पाद" डेटा (ऑर्डर आइटम) दे सकते हैं और इसका विश्लेषण कर सकते हैं "कौन से उत्पाद एक साथ खरीदे जाते हैं, मैं कौन से पैकेज की सिफारिश कर सकता हूं?" एआई आपके लिए क्रॉस-सेलिंग और बंडलिंग परिकल्पनाएं उत्पन्न करता है; आप उन्हें स्टॉक और मार्जिन के माध्यम से फ़िल्टर करते हैं, और फिर आप वास्तव में उनका परीक्षण करते हैं। यहां मुख्य शब्द परिकल्पना है: एआई का सुझाव साक्ष्य नहीं है, बल्कि परीक्षण किया जाने वाला एक विचार है।

युक्ति: प्रत्येक अनुशंसा विचार को "यदि-तब" परिकल्पना में बदलें: "यदि हम X खरीदने वाले किसी व्यक्ति को Y की अनुशंसा करते हैं, तो उनका बास्केट औसत बढ़ जाएगा।" फिर इसे एक छोटे प्रयोग (ए/बी परीक्षण या समयावधि) से मापें। माप के बिना कोई सिफ़ारिश महज़ एक अनुमान है।

सिफ़ारिश नियमों का वाणिज्यिक लेखापरीक्षा

एक अनुशंसा प्रणाली खतरनाक हो सकती है यदि उसे पूरी तरह से स्वचालित "सर्वाधिक क्लिक" पर छोड़ दिया जाए। स्टॉक: किसी ऐसे उत्पाद की अनुशंसा करना जो स्टॉक में नहीं है, ग्राहक को निराश करेगा। मार्जिन: सबसे अधिक क्लिक वाले उत्पाद पर सबसे कम मार्जिन हो सकता है; सिस्टम आपको अलाभकारी उत्पादों की ओर निर्देशित कर सकता है। ब्रांड सुरक्षा और उपयुक्तता: संवेदनशील श्रेणियों (शिशु, स्वास्थ्य) में अप्रासंगिक या अनुचित अनुशंसा विश्वास खो देती है। फ़िल्टर बबल: ग्राहक को लगातार एक ही प्रकार का उत्पाद दिखाने से खोज समाप्त हो जाती है और बिक्री कम हो जाती है। इसीलिए स्वचालित अनुशंसाएँ आवश्यक रूप से व्यावसायिक नियमों द्वारा तैयार की जाती हैं: "जो स्टॉक में है उसकी अनुशंसा करें", "उस उत्पाद को प्रदर्शित न करें जिसका मार्जिन इस सीमा से नीचे है", "श्रेणी अनुपालन बनाए रखें"।

पूर्वाग्रह भी एक वास्तविक जोखिम है. चूँकि अनुशंसा प्रणाली पिछले व्यवहार पर आधारित है, यह पिछली असमानताओं को सुदृढ़ कर सकती है; उदाहरण के लिए, एक निश्चित समूह को लगातार सस्ते/निम्न गुणवत्ता वाले उत्पादों की अनुशंसा करना। यह एक नैतिक और व्यावसायिक दोनों मुद्दा है। "किसको क्या अनुशंसा की जा रही है" की दृष्टि से अनुशंसा आउटपुट का नियमित रूप से ऑडिट करना आवश्यक है।

चार प्रतिलिपि योग्य टेम्पलेट

1) एक साथ बेचे गए उत्पादों का विश्लेषण:

आपकी भूमिका: ई-कॉमर्स विश्लेषक सहायक। नीचे अनाम ऑर्डर आइटम (आइटम कोड और एक साथ लिए गए समय की संख्या) हैं। डेटा तालिका]। कार्य: सबसे अधिक बार एक साथ खरीदी गई वस्तुओं के 10 जोड़े ढूंढें; प्रत्येक जोड़ी के लिए, एक क्रॉस-सेलिंग परिकल्पना ("खरीदारों को Y ऑफ़र करें") लिखें। नोट: ये परिकल्पनाएं हैं; मैं स्टॉक और मार्जिन की भी जांच करूंगा.

2) बंडल अनुशंसा:

उत्पाद: [मुख्य उत्पाद]। पूरक उत्पाद: [सूची, मार्जिन नोट्स के साथ]। कार्य: 3 समझदार पैकेज सुझाएं; प्रत्येक पैकेज के लिए, ग्राहक को एक वाक्य में लाभ बताएं। नियम: पैकेज में सभी उत्पाद स्टॉक में होने चाहिए; कम मार्जिन वाले उत्पाद को मुख्य आकर्षण बनाना।

3) सर्वाधिक बिक्री परिदृश्य:

ग्राहक देख रहा है: [उत्पाद, मूल्य, सुविधाएँ]। अपस्केल मॉडल: [सूची, मूल्य/सुविधा अंतर के साथ]। कार्य: एक ईमानदार अपसेल संदेश का मसौदा तैयार करें: किस अतिरिक्त लाभ के लिए कितना भुगतान करना है। नियम: कोई अतिशयोक्ति नहीं; ठोस विशेषताओं के माध्यम से अंतर स्पष्ट करें।

4) सुझाव नियम की जाँच:

निम्नलिखित अनुशंसा नियमों की जाँच करें। नियम: [सूची]। कार्य: निम्नलिखित जोखिमों के विरुद्ध प्रत्येक नियम का मूल्यांकन करें: स्टॉक स्थिरता, मार्जिन सुरक्षा, श्रेणी फिट, फ़िल्टर बबल, पूर्वाग्रह। जोखिम भरे नियमों और सुधार के लिए अपनी अनुशंसा की सूची बनाएं।

तीन मिनी मामले

केस 1 - क्रॉस-सेलिंग लाभ। एक इलेक्ट्रॉनिक्स स्टोर ने एआई के साथ ऑर्डर डेटा का विश्लेषण किया और एक पैटर्न पाया कि "फोन खरीदने वालों में से 40% ने 30 दिनों के भीतर एक केस भी खरीदा।" फ़ोन पेज पर एक उपयुक्त केस अनुशंसा ब्लॉक जोड़ा गया (स्टॉक में मौजूद लोगों को फ़िल्टर करके)। बास्केट औसत में उल्लेखनीय वृद्धि हुई। एआई ने एक परिकल्पना दी, स्टोर ने इसका परीक्षण और सत्यापन किया।

केस 2 - मार्जिन ट्रैप। एक स्टोर ने होमपेज को पूरी तरह से "सर्वाधिक क्लिक किए गए" उत्पादों के लिए छोड़ दिया। सबसे अधिक क्लिक किए गए उत्पाद सबसे कम मार्जिन वाले अभियान उत्पाद थे, कुछ घाटे पर भी बेचे गए। टर्नओवर बढ़ा लेकिन मुनाफा कम हुआ। समाधान: "उस उत्पाद को प्रदर्शित करें जिसका मार्जिन होम पेज पर सीमा से नीचे है" फ़िल्टर को अनुशंसा नियम में जोड़ा गया है।

केस 3 - फ़िल्टर बुलबुला। एक पुस्तक साइट पर, क्योंकि ग्राहक को लगातार एक ही प्रकार की पुस्तक की अनुशंसा की जाती थी, ग्राहक को कभी भी नई शैलियों की खोज नहीं हुई और समय के साथ उसकी रुचि कम हो गई। जब विविधता नियम "कम से कम 20% सुझाव विभिन्न श्रेणियों से होने चाहिए" को सुझाव नियम में जोड़ा गया, तो खोज और बिक्री में सुधार हुआ।

कमजोर संकेत/मजबूत संकेत

कमजोर संकेत:

मैं इस उत्पाद के बारे में क्या अनुशंसा कर सकता हूं, मुझे कुछ विचार दें।

मॉडल आपके वास्तविक डेटा और मार्जिन को जाने बिना सामान्य, शायद स्टॉक से बाहर अनुशंसाएँ तैयार करता है।

शक्तिशाली संकेत:

आपकी भूमिका: ई-कॉमर्स विश्लेषक। मुख्य उत्पाद: वायरलेस हेडसेट (मार्जिन 28%, स्टॉक में)। पूरक उम्मीदवार (स्टॉक/मार्जिन के साथ): कैरी केस (स्टॉक में 45%), ईयरबड्स का सेट (स्टॉक में 50%), चार्जिंग केबल (स्टॉक में 20%)। कार्य: केवल स्टॉक में और 30% से अधिक मार्जिन के साथ 2 क्रॉस-सेलिंग पैकेज प्रस्तावित करें; प्रत्येक पैकेज के लिए ग्राहक लाभ को एक वाक्य में लिखें।

सामान्य गलतियाँ

• सुझाव को साक्ष्य समझ लेना। एआई का आउटपुट परिकल्पना है; बिना परीक्षण के यह निर्णय नहीं बन पाता।
• इन्वेंट्री और मार्जिन को नजरअंदाज करना. स्वचालित अनुशंसा लाभहीन या बिक चुके उत्पाद को उजागर कर सकती है।
• बस इसे लोकप्रियता का श्रेय दें। सबसे अधिक क्लिक किया गया हमेशा सबसे अधिक लाभदायक या सबसे सुविधाजनक नहीं होता है।
• एक फ़िल्टर बुलबुला बनाना. लगातार एक ही उत्पाद दिखाने से खोज और बिक्री ख़त्म हो जाती है।
• पक्षपात की जाँच नहीं हो रही है. प्रणाली पिछली असमानताओं को सुदृढ़ कर सकती है; नियमित निरीक्षण आवश्यक है.
• जबरन अपसेलिंग. एक महंगे मॉडल को आगे बढ़ाने से जिसका कोई लाभ नहीं है, आपका आत्मविश्वास खो जाएगा।

संक्षेप में

अनुशंसा प्रणालियाँ ग्राहक को सही समय पर सही उत्पाद दिखाकर बास्केट औसत और वफादारी बढ़ाती हैं। तीन बुनियादी तर्क हैं: सामग्री-आधारित (समान उत्पाद), सहयोगात्मक (एक साथ खरीदा गया), और वैयक्तिकरण। यहां तक ​​कि छोटे स्टोरों में भी, एआई ऑर्डर डेटा से क्रॉस-सेलिंग और बंडलिंग परिकल्पनाएं उत्पन्न कर सकता है; लेकिन ये ऐसे विचार हैं जिनका परीक्षण किया जाना चाहिए, प्रमाण नहीं। स्टॉक, मार्जिन, श्रेणी फिट और विविधता के आसपास अनुशंसा नियम बनाना सुनिश्चित करें; फ़िल्टर बबल और पूर्वाग्रह जोखिमों की नियमित रूप से जाँच करें। व्यावसायिक नियंत्रण का पालन करने पर स्वचालित अनुशंसा मूल्य पैदा करती है।

आवेदन कार्य

अपने स्वयं के ऑर्डर डेटा (अनाम उत्पाद कोड के साथ) से सबसे अधिक बार खरीदे गए 5 उत्पाद जोड़े निकालें। "सह-बिक्री उत्पाद विश्लेषण" टेम्पलेट के साथ क्रॉस-सेलिंग परिकल्पनाओं के लिए एआई से पूछें। प्रत्येक परिकल्पना को "यदि-तब" कथन में बदलें और इसे स्टॉक और मार्जिन के माध्यम से फ़िल्टर करें। 2 सबसे आशाजनक परिकल्पनाओं (कितनी देर तक, किस मीट्रिक को मापना है) के लिए एक परीक्षण योजना लिखें। अंत में, "अनुशंसा नियम ऑडिट" टेम्पलेट के साथ जोखिमों के लिए अपने अनुशंसा नियमों का मूल्यांकन करें।

चेकलिस्ट

• [ ] मैंने सुझाव के विचारों को परीक्षण की जाने वाली परिकल्पनाओं के रूप में लिया, साक्ष्य के रूप में नहीं।
• [ ] मैंने प्रत्येक सुझाव को स्टॉक और मार्जिन के माध्यम से फ़िल्टर किया।
• [ ] लोकप्रियता के अलावा, मैंने लाभप्रदता और उपयुक्तता पर भी विचार किया।
• [ ] मैंने विविधता नियम के साथ फ़िल्टर बुलबुले से परहेज किया।
• [ ] मैंने पूर्वाग्रह की जाँच की कि सिफ़ारिशें किसको क्या दिखाती हैं।
• [ ] मैंने वास्तविक परीक्षण के साथ आशाजनक सुझावों को मापने की योजना बनाई।