Dobici:
- Razumijevanje logike mehanizma za preporuke (kupljeno zajedno, slični proizvodi, personalizacija) i njegov utjecaj na poslovne metrike
- Sposobnost konstruiranja odnosa proizvoda, pakiranja i scenarija unakrsne prodaje uz podršku umjetne inteligencije i njihovo pretvaranje u provjerljive hipoteze
- Sposobnost uvida u rizike mjehurića filtera, pristranosti i automatske preporuke neutralne u odnosu na dionice/marže i povezivanje pravila preporuke s komercijalnom kontrolom
Značajan dio prodaje na velikim e-commerce stranicama dolazi od proizvoda koji se preporučuje kupcu, a ne od proizvoda koji traži. Svi ste vidjeli blokove "Oni koji su kupili ovo kupili su i ovo", "Naš izbor za vas", "Zajedno jeftinije". Sustav koji stoji iza ovih blokova naziva se mehanizam za preporuke: to je softver koji daje odgovore na pitanje "Što bih sada trebao pokazati ovoj osobi?" gledajući ponašanje kupaca, odnos proizvoda i općih obrazaca. Umjetna inteligencija (AI) korisna je u ovom polju na dva načina: pomaže vam u generiranju scenarija i pravila prilikom konstruiranja logike preporuka i analizira vaše vlastite odnose proizvoda u malim trgovinama i dolazi do ideja za pakete/unakrsnu prodaju. Ali pazite: dobar sustav preporuka ne mora gledati samo na "koliko klikova", već i na inventar, maržu i korisničko iskustvo.
Razjasnimo ta dva pojma. Unakrsna prodaja je nuđenje drugog proizvoda koji nadopunjuje proizvod kupcu (kućica za kupca telefona). Up-sell nudi viši/skupi model koji zadovoljava iste potrebe (256 GB umjesto 128 GB). Oba su legitimna načina za povećanje prosječne košarice (AOV); Ali djeluje kada je istinski koristan za kupca, a smeta kada je prisiljen.
Tri osnovne logike sustava preporuka
Sustavi preporuka općenito koriste jedan ili kombinaciju tri pristupa.
1) Temeljeno na sadržaju: razmatra vlastite značajke proizvoda. "Druge tenisice slične ovoj tenisici za trčanje". Radi čak i s novim klijentima jer ne zahtijeva povijest ponašanja.
2) Kolaborativno filtriranje: Sagledava obrazac ponašanja. "Ljudi koji su kupili ovaj proizvod kupili su i ovo." Moćan je, ali zahtijeva puno podataka i pati od "hladnog starta" (novi proizvod/novi kupac).
3) Personalizacija: prilagođava izlog jednom kupcu na temelju njegovog ponašanja u prošlosti. Ima snažan učinak, ali nosi rizik za privatnost i "mjehuriće filtera".
Sljedeća tablica sažima blokove preporuka i njihovu svrhu:
blokirati
logika
Svrha
primjer
Slični proizvodi
temeljen na sadržaju
ponuditi alternativu
Zatvorite modele u istoj kategoriji
uzeti zajedno
suradnički
unakrsna prodaja
telefon + maska + zaštitna folija
Naš odabir za vas
Personalizacija
predanost
Na temelju prethodne navigacije
Favoriti / bestseleri
Popularnost
Povjerenje + novi kupac
Najprodavanije u kategoriji
gdje si stao
podaci o sesiji
preokret
Zadnji pregledani proizvodi
Preporučeno postavljanje s AI u maloj trgovini
Čak i male i srednje trgovine koje ne mogu uspostaviti korporativni mehanizam za preporuke mogu inteligentno strukturirati odnose proizvoda koristeći AI. Možete anonimno dati stvarne podatke o "proizvodima koji se prodaju zajedno" (stavke narudžbe) AI-ju i dati mu da analizira "koji se proizvodi kupuju zajedno, koje pakete mogu preporučiti?" AI generira hipoteze o unakrsnoj prodaji i grupiranju za vas; Filtrirate ih kroz dionice i marže, a zatim ih zapravo testirate. Ključna riječ ovdje je hipoteza: AI-jev prijedlog nije dokaz, već ideja koju treba testirati.
Savjet: Pretvorite svaku ideju preporuke u hipotezu "ako-onda": "Ako preporučimo Y nekome tko kupi X, njihov prosjek košarice će se povećati." Zatim to izmjerite malim eksperimentom (A/B testom ili vremenskim razdobljem). Preporuka bez mjerenja samo je pretpostavka.
Komercijalna revizija pravila preporuke
Sustav preporuka može biti opasan ako se prepusti potpuno automatiziranom "najklikanijem". Zaliha: preporučiti proizvod koji nije na zalihama razočarat će kupca. Marža: proizvod s najviše klikova može imati najnižu maržu; Sustav vas može usmjeriti na neprofitabilne proizvode. Sigurnost i prikladnost marke: nevažna ili neprikladna preporuka u osjetljivim kategorijama (beba, zdravlje) gubi povjerenje. Mjehurić filtera: stalno prikazivanje kupcu iste vrste proizvoda ubija otkrivanje i sužava prodaju. Zato su automatske preporuke nužno uokvirene poslovnim pravilima: "preporuči ono što je na zalihama", "nemoj isticati proizvod čija je marža ispod ovog praga", "održavaj usklađenost kategorije".
Pristranost je također pravi rizik. Budući da se sustav preporuka temelji na ponašanju iz prošlosti, on može pojačati nejednakosti iz prošlosti; Na primjer, stalno preporučivanje jeftinijih/nekvalitetnijih proizvoda određenoj skupini. Ovo je i etičko i komercijalno pitanje. Potrebno je redovito revidirati rezultate preporuka s obzirom na to "što se kome preporučuje".
Četiri predloška za kopiranje
1) Analiza proizvoda koji se prodaju zajedno:
Vaša uloga: pomoćnik analitičara e-trgovine. Ispod su anonimne stavke narudžbe (šifre stavki i broj uzetih zajedno). Podaci: [tablica]. Zadatak: pronaći 10 pari predmeta koji se najčešće kupuju zajedno; Za svaki par napišite hipotezu unakrsne prodaje ("Ponudite Y kupcima X"). Napomena: Ovo su hipoteze; Također ću provjeriti stanje i maržu.
2) Preporuka paketa:
Proizvod: [glavni proizvod]. Komplementarni proizvodi: [popis, s napomenama na marginama]. Zadatak: Predložite 3 razumna pakiranja; Za svaki paket u jednoj rečenici objasnite korist kupcu. Pravilo: svi proizvodi u paketu moraju biti na zalihi; čineći proizvod s niskom maržom glavnim dobitkom.
3) Najprodavaniji scenarij:
Kupac gleda: [proizvod, cijena, značajke]. Visoki modeli: [popis, s razlikama u cijeni/značajkama]. Zadatak: sastavite iskrenu poruku o skupljoj prodaji: koliko platiti za koju dodatnu pogodnost. Pravilo: bez pretjerivanja; Objasnite razliku kroz konkretna obilježja.
4) Provjera pravila prijedloga:
Provjerite sljedeća pravila preporuke. Pravila: [popis]. Zadatak: procijenite svako pravilo u odnosu na sljedeće rizike: konzistentnost zaliha, zaštita margine, prikladnost kategorije, mjehurić filtera, pristranost. Navedite rizična pravila i svoju preporuku za ispravak.
tri mini kućišta
Slučaj 1 — Dobit od dodatne prodaje. Trgovina elektroničkom opremom analizirala je podatke o narudžbi pomoću umjetne inteligencije i otkrila uzorak "40% onih koji su kupili telefon kupili su i futrolu u roku od 30 dana." Na stranicu telefona dodan je odgovarajući blok za preporuku futrola (filtriranje onih na zalihama). Prosjek košarice se mjerljivo povećao. AI je dao hipotezu, trgovina ju je testirala i potvrdila.
Slučaj 2 — Zamka margine. Jedna je trgovina u potpunosti napustila početnu stranicu za proizvode s "najviše klikova". Proizvodi s najviše klikova bili su proizvodi kampanje s najnižim maržama, neki su se čak prodavali s gubitkom. Promet se povećao, ali je dobit pala. Rješenje: Filtar "Istakni proizvod čija je marža ispod praga na početnoj stranici" dodan je pravilu preporuke.
Slučaj 3 — Mjehurić filtera. Na stranicama s knjigama, budući da se kupcu stalno preporučivala ista vrsta knjige, kupac nikad nije otkrio nove žanrove i njegov se interes s vremenom smanjio. Kada je pravilo raznolikosti "najmanje 20% prijedloga treba biti iz različitih kategorija" dodano pravilu prijedloga, otkriće i prodaja su se oporavili.
Slab upit / Jak upit
Slab upit:
Što mogu preporučiti uz ovaj proizvod, dajte mi neke ideje.
Model proizvodi generičke preporuke, možda rasprodanih proizvoda bez poznavanja vaših stvarnih podataka i marže.
Snažan upit:
Vaša uloga: analitičar e-trgovine. Glavni proizvod: bežične slušalice (marža 28%, na skladištu). Komplementarni kandidati (sa zalihama/maržom): torba za nošenje (45%, na zalihi), set slušalica (50%, na zalihi), kabel za punjenje (20%, na zalihi). Zadatak: predložiti 2 paketa za unakrsnu prodaju samo sa zalihama i s maržama iznad 30%; Napišite korist za kupca u jednoj rečenici za svaki paket.
Uobičajene greške
- Miješajući prijedlog s dokazom. Izlaz umjetne inteligencije je hipoteza; Ne postaje odluka bez testiranja.
- Ignoriranje zaliha i marže. Automatska preporuka može istaknuti neprofitabilan ili rasprodan proizvod.
- Jednostavno to pripišite popularnosti. Ono što se najviše klika nije uvijek najprofitabilnije ili najprikladnije.
- Stvaranje mjehurića filtera. Konstantno prikazivanje istog proizvoda ubija otkrivanje i prodaju.
- Ne provjerava pristranost. Sustav može ojačati nejednakosti iz prošlosti; Potrebna je redovita kontrola.
- Prisilna prodaja na više cijena. Forsiranje skupog modela koji nema prednosti dovest će do gubitka povjerenja.
Ukratko
Sustavi preporuka povećavaju prosjek košarice i lojalnost pokazujući kupcu pravi proizvod u pravom trenutku. Postoje tri osnovne logike: temeljena na sadržaju (slični proizvodi), suradnička (kupuju se zajedno) i personalizacija. Čak iu malim trgovinama, umjetna inteligencija može generirati hipoteze o unakrsnoj prodaji i grupiranju iz podataka o narudžbama; Ali to su ideje koje treba testirati, a ne dokazi. Obavezno uobličite pravila preporuke oko zaliha, marže, kategorije i raznolikosti; Redovito provjeravajte mjehurić filtra i rizike od prednaprezanja. Automatska preporuka stvara vrijednost kada se pridržava komercijalne kontrole.
Zadatak aplikacije
Izdvojite 5 parova proizvoda koji se najčešće kupuju zajedno iz vlastitih podataka o narudžbi (s anonimnim kodovima proizvoda). Zatražite od umjetne inteligencije hipoteze unakrsne prodaje s predloškom "Analiza zajednički prodanih proizvoda". Pretvorite svaku hipotezu u izjavu "ako-onda" i filtrirajte je kroz dionice i marže. Napišite plan testiranja za 2 hipoteze koje najviše obećavaju (koliko dugo, koju metriku mjeriti). Na kraju, procijenite svoja pravila preporuke za rizike pomoću predloška "Revizija pravila preporuke".
popis za provjeru
- [ ] Sugestije sam tretirao kao hipoteze koje treba testirati, a ne kao dokaze.
- [ ] Filtrirao sam svaki prijedlog kroz dionice i marže.
- [ ] Osim popularnosti, također sam razmatrao isplativost i prikladnost.
- [ ] Izbjegao sam mjehurić filtera s pravilom raznolikosti.
- [ ] Provjerio sam ima li pristranosti što preporuke kome pokazuju.
- [ ] Planirao sam izmjeriti obećavajuće prijedloge pravim testom.