Guadagni:
- Comprendere la logica del motore di raccomandazione (acquisti insieme, prodotti simili, personalizzazione) e il suo impatto sulle metriche aziendali
- Capacità di costruire relazioni di prodotto, confezionare e scenari di cross-selling con il supporto dell'intelligenza artificiale e trasformarli in ipotesi verificabili
- Capacità di individuare i rischi di bolle di filtro, distorsioni e di raccomandazioni automatiche neutrali a livello di titoli/margini e di collegare le regole di raccomandazione al controllo commerciale
Una parte significativa delle vendite sui grandi siti di e-commerce deriva dal prodotto consigliato al cliente, non dal prodotto che sta cercando. Tutti avete visto i blocchi "Chi ha comprato questo, ha comprato anche questo", "Le nostre scelte per voi", "Più conveniente insieme". Il sistema dietro questi blocchi si chiama motore di raccomandazione: si tratta di un software che produce risposte alla domanda "Cosa devo mostrare a questa persona adesso?" osservando il comportamento del cliente, la relazione tra i prodotti e i modelli generali. L'intelligenza artificiale (AI) è utile in questo campo in due modi: aiuta a generare scenari e regole durante la costruzione della logica di raccomandazione e analizza le relazioni tra i prodotti nei piccoli negozi e propone idee per pacchetti/cross-selling. Ma attenzione: un buon sistema di raccomandazioni deve considerare non solo “quanti clic” ma anche inventario, margine ed esperienza del cliente.
Facciamo chiarezza sui due termini. Il cross-selling consiste nell'offrire a un acquirente un altro prodotto che lo integra (un caso per un acquirente di telefoni). L'up-sell offre un modello più alto/costoso che soddisfa la stessa esigenza (256 GB invece di 128 GB). Entrambi sono modi legittimi per aumentare il paniere medio (AOV); Ma funziona quando è veramente vantaggioso per il cliente, e disturba quando è forzato.
Tre logiche fondamentali del sistema di raccomandazione
I sistemi di raccomandazione generalmente utilizzano uno o una combinazione di tre approcci.
1) Basato sui contenuti: esamina le caratteristiche proprie del prodotto. "Altre scarpe da corsa simili a questa scarpa da corsa". Funziona anche con i nuovi clienti perché non richiede la storia comportamentale.
2) Filtraggio collaborativo: esamina il modello di comportamento. "Le persone che hanno acquistato questo prodotto hanno acquistato anche questo." È potente, ma richiede molti dati e soffre di un "avvio a freddo" (nuovo prodotto/nuovo cliente).
3) Personalizzazione: adatta la vetrina a un singolo cliente in base al suo comportamento passato. Ha un effetto potente ma comporta il rischio di privacy e di "bolle di filtro".
La tabella seguente riassume i blocchi di raccomandazioni e il loro scopo:
blocco
logica
Scopo
esempio
Prodotti simili
basato sui contenuti
offrire un'alternativa
Chiudi i modelli nella stessa categoria
presi insieme
collaborativo
vendita incrociata
telefono + custodia + protezione per lo schermo
Le nostre scelte per te
Personalizzazione
impegno
Basato sulla navigazione passata
Preferiti/bestseller
Popolarità
Fiducia + nuovo cliente
I più venduti della categoria
da dove eri rimasto
dati della sessione
inversione
Ultimi prodotti visualizzati
Configurazione dei consigli con l'intelligenza artificiale in un piccolo negozio
Anche i negozi di piccole e medie dimensioni che non possono creare un motore di raccomandazione aziendale possono strutturare in modo intelligente le relazioni tra i prodotti utilizzando l’intelligenza artificiale. Puoi fornire in modo anonimo i dati reali dei "prodotti venduti insieme" (articoli dell'ordine) all'intelligenza artificiale e farla analizzare "quali prodotti vengono acquistati insieme, quali pacchetti posso consigliare?" L’intelligenza artificiale genera per te ipotesi di cross-selling e bundling; Li filtri attraverso stock e margine e poi li testi effettivamente. La parola chiave qui è ipotesi: il suggerimento dell'IA non è una prova, ma un'idea da testare.
Suggerimento: trasforma ogni idea di raccomandazione in un’ipotesi “se-allora”: “Se consigliamo Y a qualcuno che acquista X, la media del suo paniere aumenterà”. Quindi misuralo con un piccolo esperimento (test A/B o periodo di tempo). Una raccomandazione senza misurazione è solo un'ipotesi.
Audit commerciale delle regole di raccomandazione
Un sistema di raccomandazioni può essere pericoloso se lasciato ai “più cliccati” completamente automatizzati. Stock: consigliare un prodotto esaurito deluderà il cliente. Margine: il prodotto con più clic potrebbe avere il margine più basso; Il sistema potrebbe indirizzarti verso prodotti non redditizi. Sicurezza e idoneità del marchio: raccomandazioni irrilevanti o inappropriate in categorie sensibili (bambini, salute) perdono fiducia. Bolla di filtro: mostrare costantemente al cliente lo stesso tipo di prodotto uccide la scoperta e restringe le vendite. Ecco perché le raccomandazioni automatiche sono necessariamente inquadrate da regole aziendali: "raccomandare ciò che è disponibile", "non presentare il prodotto il cui margine è inferiore a questa soglia", "mantenere la conformità della categoria".
Anche il pregiudizio è un rischio reale. Poiché il sistema di raccomandazioni è basato sul comportamento passato, può rafforzare le disuguaglianze passate; Ad esempio, raccomandare costantemente prodotti più economici/di qualità inferiore a un determinato gruppo. Si tratta di una questione sia etica che commerciale. È necessario verificare regolarmente i risultati delle raccomandazioni con l'obiettivo di "cosa viene raccomandato a chi".
Quattro modelli copiabili
1) Analisi dei prodotti venduti insieme:
Il tuo ruolo: assistente analista e-commerce. Di seguito sono riportati gli articoli dell'ordine anonimo (codici articolo e numero di volte presi insieme). Dati: [tabella]. Compito: trovare le 10 paia di articoli acquistati più frequentemente insieme; Per ogni coppia, scrivi un'ipotesi di cross-selling (“Offri Y agli acquirenti X”). Nota: queste sono ipotesi; Controllerò anche lo stock e il margine.
2) Raccomandazione sul pacchetto:
Prodotto: [prodotto principale]. Prodotti complementari: [elenco, con note a margine]. Compito: suggerire 3 pacchetti sensati; Per ogni pacchetto, spiega il vantaggio al cliente in una frase. Regola: tutti i prodotti nel pacchetto devono essere disponibili; rendendo il prodotto a basso margine l'attrazione principale.
3) Scenario più venduto:
Il cliente sta guardando: [prodotto, prezzo, caratteristiche].Modelli di fascia alta: [elenco, con differenze di prezzo/caratteristiche].Compito: redigere un messaggio di upsell onesto: quanto pagare per quale vantaggio aggiuntivo.Regola: nessuna esagerazione; Spiegare la differenza attraverso caratteristiche concrete.
4) Controllo delle regole dei suggerimenti:
Controlla le seguenti regole di raccomandazione. Regole: [elenco]. Compito: valutare ciascuna regola rispetto ai seguenti rischi: consistenza delle azioni, protezione del margine, idoneità per categoria, bolla di filtro, bias. Elenca le regole rischiose e la tua raccomandazione per la correzione.
tre mini custodie
Caso 1 – Guadagno derivante dal cross-selling. Un negozio di elettronica ha analizzato i dati degli ordini con l'intelligenza artificiale e ha scoperto che "il 40% di coloro che hanno acquistato un telefono hanno acquistato anche una custodia entro 30 giorni". Aggiunto un blocco di raccomandazioni sui casi adatti alla pagina del telefono (filtrando quelli in stock). La media del paniere è aumentata in modo misurabile. L'intelligenza artificiale ha dato un'ipotesi, il negozio l'ha testata e verificata.
Caso 2 – Trappola del margine. Un negozio ha abbandonato completamente la home page per i prodotti "più cliccati". I prodotti più cliccati sono stati quelli della campagna con i margini più bassi, alcuni addirittura venduti in perdita. Il fatturato è aumentato ma i profitti sono diminuiti. Soluzione: alla regola di raccomandazione è stato aggiunto il filtro "Metti in evidenza il prodotto il cui margine è inferiore alla soglia nella home page".
Caso 3: bolla del filtro. Su un sito di libri, poiché al cliente veniva costantemente consigliato lo stesso tipo di libro, il cliente non scopriva mai nuovi generi e il suo interesse diminuiva nel tempo. Quando alla regola dei suggerimenti è stata aggiunta la regola della diversità "almeno il 20% dei suggerimenti deve provenire da categorie diverse", la scoperta e le vendite sono migliorate.
Prompt debole / Prompt forte
Suggerimento debole:
Cosa posso consigliare con questo prodotto, dammi qualche idea.
Il modello produce raccomandazioni generiche, forse esaurite, senza conoscere i dati e il margine effettivi.
Suggerimento potente:
Il tuo ruolo: analista e-commerce. Prodotto principale: auricolare wireless (margine 28%, in stock). Candidati complementari (con stock/margine): custodia da trasporto (45%, in stock), set di auricolari (50%, in stock), cavo di ricarica (20%, in stock). Compito: proporre 2 pacchetti di cross-selling solo con in stock e con margini superiori al 30%; Scrivi il vantaggio per il cliente in una frase per ogni pacchetto.
Errori comuni
- Confondendo il suggerimento con una prova. L'output dell'IA è l'ipotesi; Non diventa una decisione senza essere messa alla prova.
- Ignorando inventario e margine. La raccomandazione automatica può evidenziare un prodotto non redditizio o esaurito.
- Attribuitelo semplicemente alla popolarità. Non sempre il più cliccato è il più redditizio o il più conveniente.
- Creazione di una bolla di filtro. Mostrare costantemente lo stesso prodotto uccide la scoperta e le vendite.
- Non controllare i pregiudizi. Il sistema può rafforzare le disuguaglianze del passato; È necessaria un'ispezione regolare.
- Upselling forzato. Spingere un modello costoso che non offre vantaggi ti farà perdere fiducia.
In sintesi
I sistemi di raccomandazione aumentano la media del carrello e la fedeltà mostrando al cliente il prodotto giusto al momento giusto. Esistono tre logiche di base: basata sui contenuti (prodotti simili), collaborativa (acquistati insieme) e personalizzazione. Anche nei piccoli negozi, l’intelligenza artificiale può generare ipotesi di cross-selling e raggruppamento a partire dai dati degli ordini; Ma queste sono idee da testare, non da dimostrare. Assicurati di inquadrare le regole di raccomandazione in base a stock, margine, idoneità alla categoria e varietà; Controlla regolarmente la bolla del filtro e i rischi di bias. La raccomandazione automatica crea valore se rispetta il controllo commerciale.
Compito dell'applicazione
Estrai dai dati del tuo ordine (con codici prodotto anonimi) le 5 coppie di prodotti acquistati insieme più frequentemente. Chiedi all'AI ipotesi di cross-selling con il modello "Analisi prodotto co-venduto". Trasforma ogni ipotesi in una dichiarazione "se-allora" e filtrala attraverso stock e margine. Scrivi un piano di test per le 2 ipotesi più promettenti (quanto tempo, quale metrica misurare). Infine, valuta le regole di raccomandazione per i rischi con il modello "Verifica delle regole di raccomandazione".
lista di controllo
- [ ] Ho trattato le idee suggerite come ipotesi da verificare, non come prove.
- [ ] Ho filtrato ogni suggerimento attraverso stock e margine.
- [ ] Oltre alla popolarità, ho considerato anche la redditività e l'idoneità.
- [ ] Ho evitato la filter bubble con la regola della diversità.
- [ ] Ho verificato l'eventuale presenza di pregiudizi su cosa mostrano le raccomandazioni e a chi.
- [ ] Ho pensato di misurare i suggerimenti promettenti con un test reale.