Keuntungan:
- Memahami logika mesin rekomendasi (dibeli bersama, produk serupa, personalisasi) dan dampaknya terhadap metrik bisnis
- Kemampuan untuk membangun hubungan produk, mengemas dan skenario penjualan silang dengan dukungan kecerdasan buatan dan mengubahnya menjadi hipotesis yang dapat diuji
- Kemampuan untuk melihat risiko gelembung filter, bias, dan rekomendasi otomatis netral saham/margin serta menghubungkan aturan rekomendasi ke kontrol komersial
Sebagian besar penjualan di situs e-commerce besar berasal dari produk yang direkomendasikan kepada pelanggan, bukan produk yang dicarinya. Anda semua pernah melihat blok "Mereka yang membeli ini juga membeli ini", "Pilihan kami untuk Anda", "Lebih murah bersama-sama". Sistem di balik blok ini disebut mesin rekomendasi: perangkat lunaklah yang menghasilkan jawaban atas pertanyaan "Apa yang harus saya tunjukkan kepada orang ini sekarang?" dengan melihat perilaku pelanggan, hubungan produk dan pola umum. Kecerdasan buatan (AI) berguna dalam bidang ini dalam dua cara: membantu Anda menghasilkan skenario dan aturan saat menyusun logika rekomendasi, dan menganalisis hubungan produk Anda sendiri di toko-toko kecil dan menghasilkan ide paket/penjualan silang. Namun hati-hati: sistem rekomendasi yang baik tidak hanya harus melihat “berapa banyak klik” tetapi juga inventaris, margin, dan pengalaman pelanggan.
Mari kita perjelas kedua istilah tersebut. Cross-selling adalah menawarkan produk lain yang melengkapi suatu produk kepada pembeli (kasus untuk pembeli telepon). Up-sell menawarkan model yang lebih tinggi/mahal yang memenuhi kebutuhan yang sama (256 GB, bukan 128 GB). Keduanya merupakan cara yang sah untuk meningkatkan rata-rata keranjang (AOV); Tapi itu berhasil jika benar-benar bermanfaat bagi pelanggan, dan mengganggu jika dipaksakan.
Tiga logika dasar sistem rekomendasi
Sistem pemberi rekomendasi umumnya menggunakan satu atau gabungan dari tiga pendekatan.
1) Berbasis konten: Melihat fitur-fitur produk itu sendiri. "Sepatu lari lain yang serupa dengan sepatu lari ini". Ia bahkan bekerja dengan klien baru karena tidak memerlukan riwayat perilaku.
2) Pemfilteran kolaboratif: Melihat pola perilaku. “Orang yang membeli produk ini juga membeli ini.” Ini kuat, tetapi membutuhkan banyak data dan mengalami "awal yang dingin" (produk baru/pelanggan baru).
3) Personalisasi: Ini menyesuaikan etalase untuk satu pelanggan berdasarkan perilaku mereka di masa lalu. Ini memiliki efek yang kuat namun membawa risiko privasi dan "gelembung filter".
Tabel berikut merangkum blok rekomendasi dan tujuannya:
blok
logika
Tujuan
contoh
Produk serupa
berbasis konten
menawarkan alternatif
Tutup model dalam kategori yang sama
diambil bersama-sama
kolaboratif
penjualan silang
ponsel + casing + pelindung layar
Pilihan kami untuk Anda
Personalisasi
komitmen
Berdasarkan navigasi sebelumnya
Favorit / terlaris
Popularitas
Kepercayaan + pelanggan baru
Buku terlaris di kategori tersebut
di mana Anda tinggalkan
data sesi
pembalikan
Produk yang terakhir dilihat
Penyiapan rekomendasi dengan AI di toko kecil
Bahkan toko kecil dan menengah yang tidak dapat membuat mesin rekomendasi perusahaan dapat dengan cerdas menyusun hubungan produk menggunakan AI. Anda dapat secara anonim memberikan data "produk yang dijual bersama" (item pesanan) yang sebenarnya kepada AI dan meminta AI menganalisis "produk mana yang dibeli bersama, paket mana yang dapat saya rekomendasikan?" AI menghasilkan hipotesis cross-selling dan bundling untuk Anda; Anda memfilternya melalui stok dan margin, lalu Anda benar-benar mengujinya. Kata kuncinya di sini adalah hipotesis: saran AI bukanlah bukti, namun sebuah ide untuk diuji.
Tip: Ubah setiap ide rekomendasi menjadi hipotesis “jika-maka”: “Jika kami merekomendasikan Y kepada seseorang yang membeli X, rata-rata keranjang mereka akan meningkat.” Kemudian ukurlah ini dengan eksperimen kecil (pengujian A/B atau jangka waktu tertentu). Rekomendasi tanpa pengukuran hanya sekedar tebakan.
Audit komersial atas aturan rekomendasi
Sistem rekomendasi bisa berbahaya jika dibiarkan sepenuhnya otomatis “paling banyak diklik”. Stok: merekomendasikan produk yang stoknya habis akan mengecewakan pelanggan. Margin: produk dengan klik terbanyak mungkin memiliki margin terendah; Sistem mungkin mengarahkan Anda ke produk yang tidak menguntungkan. Keamanan dan kesesuaian merek: rekomendasi yang tidak relevan atau tidak tepat dalam kategori sensitif (bayi, kesehatan) kehilangan kepercayaan. Gelembung filter: terus-menerus menunjukkan kepada pelanggan jenis produk yang sama akan mematikan penemuan dan mempersempit penjualan. Itu sebabnya rekomendasi otomatis harus dibingkai oleh aturan bisnis: "rekomendasikan apa yang ada dalam stok", "jangan tampilkan produk yang marginnya di bawah ambang batas ini", "pertahankan kepatuhan kategori".
Bias juga merupakan risiko nyata. Karena sistem rekomendasi didasarkan pada perilaku di masa lalu, hal ini dapat memperkuat kesenjangan di masa lalu; Misalnya terus-menerus merekomendasikan produk yang lebih murah/kualitasnya lebih rendah kepada kelompok tertentu. Ini adalah masalah etika dan komersial. Keluaran rekomendasi perlu diaudit secara berkala dengan tujuan “apa yang direkomendasikan kepada siapa”.
Empat templat yang dapat disalin
1) Analisis produk yang dijual bersama:
Peran Anda: asisten analis e-niaga. Di bawah ini adalah item pesanan anonim (kode item dan berapa kali diambil bersamaan). Data: [tabel]. Tugas: temukan 10 pasang barang yang paling sering dibeli bersama; Untuk setiap pasangan, tulis hipotesis cross-selling (“Tawarkan Y kepada pembeli X”). Catatan: Ini adalah hipotesis; Saya juga akan memeriksa stok dan margin.
2) Rekomendasi bundel:
Produk: [produk utama]. Produk pelengkap: [daftar, dengan catatan pinggir]. Tugas: Menyarankan 3 paket yang masuk akal; Untuk setiap paket, jelaskan manfaatnya kepada pelanggan dalam satu kalimat. Aturan: semua produk dalam paket harus tersedia; menjadikan produk dengan margin rendah sebagai daya tarik utama.
3) Skenario terlaris:
Pelanggan sedang melihat: [produk, harga, fitur].Model kelas atas: [daftar, dengan perbedaan harga/fitur].Tugas: menyusun pesan penjualan yang jujur: berapa banyak yang harus dibayar untuk mendapatkan manfaat tambahan.Aturan: tidak berlebihan; Jelaskan perbedaannya melalui fitur konkret.
4) Pemeriksaan aturan saran:
Periksa aturan rekomendasi berikut. Aturan: [daftar]. Tugas: mengevaluasi setiap aturan berdasarkan risiko berikut: konsistensi stok, perlindungan margin, kesesuaian kategori, gelembung filter, bias. Cantumkan aturan berisiko dan rekomendasi koreksi Anda.
tiga kasus mini
Kasus 1 — Keuntungan penjualan silang. Sebuah toko elektronik menganalisis data pesanan dengan AI dan menemukan pola "40% dari mereka yang membeli ponsel juga membeli casing dalam waktu 30 hari." Menambahkan blok rekomendasi kasus yang sesuai ke halaman telepon (menyaring stok yang ada). Rata-rata keranjang meningkat secara signifikan. AI memberikan hipotesis, toko menguji dan memverifikasinya.
Kasus 2 — Jebakan margin. Satu toko mengabaikan beranda sepenuhnya untuk produk yang "paling banyak diklik". Produk yang paling banyak diklik adalah produk kampanye dengan margin paling rendah, bahkan ada yang terjual merugi. Omset meningkat tetapi keuntungan turun. Solusi: Filter "Tampilkan produk yang marginnya di bawah ambang batas di halaman beranda" telah ditambahkan ke aturan rekomendasi.
Kasus 3 — Gelembung filter. Di situs buku, karena pelanggan terus-menerus direkomendasikan jenis buku yang sama, pelanggan tidak pernah menemukan genre baru dan minatnya menurun seiring berjalannya waktu. Ketika aturan keberagaman "setidaknya 20% saran harus berasal dari kategori berbeda" ditambahkan ke aturan saran, penemuan dan penjualan pulih.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Apa yang bisa saya rekomendasikan dengan produk ini, beri saya beberapa ide.
Model ini menghasilkan rekomendasi yang umum, mungkin stoknya habis tanpa mengetahui data dan margin Anda yang sebenarnya.
Perintah yang kuat:
Peran Anda: analis e-niaga. Produk utama: headset nirkabel (margin 28%, tersedia). Kandidat pelengkap (dengan stok/margin): tas jinjing (45%, tersedia), set earbud (50%, tersedia), kabel pengisi daya (20%, tersedia). Tugas: mengusulkan 2 paket cross-selling hanya dengan stok dan margin lebih dari 30%; Tuliskan keuntungan pelanggan dalam satu kalimat untuk setiap paket.
Kesalahan umum
- Salah mengira saran sebagai bukti. Keluaran AI adalah hipotesis; Keputusan tidak akan menjadi sebuah keputusan tanpa diuji.
- Mengabaikan inventaris dan margin. Rekomendasi otomatis dapat menyoroti produk yang tidak menguntungkan atau terjual habis.
- Kaitkan saja dengan popularitas. Yang paling banyak diklik tidak selalu yang paling menguntungkan atau paling nyaman.
- Membuat gelembung filter. Menampilkan produk yang sama secara terus-menerus akan mematikan penemuan dan penjualan.
- Tidak memeriksa bias. Sistem ini dapat memperkuat kesenjangan di masa lalu; Diperlukan pemeriksaan rutin.
- Penjualan yang dipaksakan. Mendorong model mahal yang tidak ada manfaatnya akan membuat Anda kehilangan kepercayaan diri.
Singkatnya
Sistem rekomendasi meningkatkan rata-rata keranjang dan loyalitas dengan menunjukkan produk yang tepat kepada pelanggan pada saat yang tepat. Ada tiga logika dasar: berbasis konten (produk serupa), kolaboratif (dibeli bersama), dan personalisasi. Bahkan di toko kecil, AI dapat menghasilkan hipotesis cross-selling dan bundling dari data pesanan; Tapi ini adalah ide yang harus diuji, bukan bukti. Pastikan untuk menyusun aturan rekomendasi seputar stok, margin, kesesuaian kategori, dan variasi; Periksa gelembung filter dan risiko bias secara teratur. Rekomendasi otomatis menciptakan nilai ketika dipatuhi kontrol komersial.
Tugas aplikasi
Ekstrak 5 pasangan produk yang paling sering dibeli bersama dari data pesanan Anda sendiri (dengan kode produk anonim). Mintalah AI untuk hipotesis penjualan silang dengan templat “Analisis produk yang dijual bersama”. Ubah setiap hipotesis menjadi pernyataan “jika-maka” dan saring berdasarkan stok dan margin. Tulis rencana pengujian untuk 2 hipotesis yang paling menjanjikan (berapa lama, metrik apa yang akan diukur). Terakhir, evaluasi risiko aturan rekomendasi Anda dengan template "Audit aturan rekomendasi".
daftar periksa
- [ ] Saya memperlakukan gagasan saran sebagai hipotesis untuk diuji, bukan sebagai bukti.
- [ ] Saya memfilter setiap saran melalui stok dan margin.
- [ ] Selain popularitas, saya juga mempertimbangkan profitabilitas dan kesesuaian.
- [ ] Saya menghindari gelembung filter dengan aturan keberagaman.
- [ ] Saya memeriksa bias apa yang ditunjukkan oleh rekomendasi tersebut kepada siapa.
- [ ] Saya berencana mengukur saran yang menjanjikan dengan tes nyata.