ಲಾಭಗಳು:
- ಶಿಫಾರಸು ಎಂಜಿನ್ನ ತರ್ಕವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು (ಒಟ್ಟಿಗೆ ಖರೀದಿಸಲಾಗಿದೆ, ಒಂದೇ ರೀತಿಯ ಉತ್ಪನ್ನಗಳು, ವೈಯಕ್ತೀಕರಣ) ಮತ್ತು ವ್ಯಾಪಾರ ಮೆಟ್ರಿಕ್ಗಳ ಮೇಲೆ ಅದರ ಪ್ರಭಾವ
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಬೆಂಬಲದೊಂದಿಗೆ ಉತ್ಪನ್ನ ಸಂಬಂಧಗಳು, ಪ್ಯಾಕೇಜ್ ಮತ್ತು ಅಡ್ಡ-ಮಾರಾಟದ ಸನ್ನಿವೇಶಗಳನ್ನು ನಿರ್ಮಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಅವುಗಳನ್ನು ಪರೀಕ್ಷಿಸಬಹುದಾದ ಊಹೆಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಫಿಲ್ಟರ್ ಬಬಲ್, ಪಕ್ಷಪಾತ ಮತ್ತು ಸ್ಟಾಕ್/ಅಂಚು-ತಟಸ್ಥ ಸ್ವಯಂಚಾಲಿತ ಶಿಫಾರಸುಗಳ ಅಪಾಯಗಳನ್ನು ನೋಡುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ವಾಣಿಜ್ಯ ನಿಯಂತ್ರಣಕ್ಕೆ ಶಿಫಾರಸು ನಿಯಮಗಳನ್ನು ಲಿಂಕ್ ಮಾಡಿ
ದೊಡ್ಡ ಇ-ಕಾಮರ್ಸ್ ಸೈಟ್ಗಳಲ್ಲಿನ ಮಾರಾಟದ ಗಮನಾರ್ಹ ಭಾಗವು ಗ್ರಾಹಕರಿಗೆ ಶಿಫಾರಸು ಮಾಡಲಾದ ಉತ್ಪನ್ನದಿಂದ ಬರುತ್ತದೆ, ಅವರು ಹುಡುಕುತ್ತಿರುವ ಉತ್ಪನ್ನವಲ್ಲ. "ಇದನ್ನು ಖರೀದಿಸಿದವರು ಇದನ್ನೂ ಖರೀದಿಸಿದ್ದಾರೆ", "ನಮ್ಮ ಆಯ್ಕೆಗಳು ನಿಮಗಾಗಿ", "ಒಟ್ಟಿಗೆ ಅಗ್ಗವಾಗಿದೆ" ಎಂಬ ಬ್ಲಾಕ್ಗಳನ್ನು ನೀವೆಲ್ಲರೂ ನೋಡಿದ್ದೀರಿ. ಈ ಬ್ಲಾಕ್ಗಳ ಹಿಂದಿನ ವ್ಯವಸ್ಥೆಯನ್ನು ಶಿಫಾರಸು ಎಂಜಿನ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ: ಇದು "ಈ ವ್ಯಕ್ತಿಗೆ ನಾನು ಈಗ ಏನು ತೋರಿಸಬೇಕು?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಸಾಫ್ಟ್ವೇರ್ ಆಗಿದೆ. ಗ್ರಾಹಕರ ನಡವಳಿಕೆ, ಉತ್ಪನ್ನಗಳ ಸಂಬಂಧ ಮತ್ತು ಸಾಮಾನ್ಯ ಮಾದರಿಗಳನ್ನು ನೋಡುವ ಮೂಲಕ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಎರಡು ರೀತಿಯಲ್ಲಿ ಉಪಯುಕ್ತವಾಗಿದೆ: ಶಿಫಾರಸು ತರ್ಕವನ್ನು ನಿರ್ಮಿಸುವಾಗ ಸನ್ನಿವೇಶಗಳು ಮತ್ತು ನಿಯಮಗಳನ್ನು ರಚಿಸಲು ಇದು ನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ ಮತ್ತು ಇದು ಸಣ್ಣ ಅಂಗಡಿಗಳಲ್ಲಿ ನಿಮ್ಮ ಸ್ವಂತ ಉತ್ಪನ್ನ ಸಂಬಂಧಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ ಮತ್ತು ಪ್ಯಾಕೇಜ್/ಕ್ರಾಸ್-ಸೆಲ್ಲಿಂಗ್ ಐಡಿಯಾಗಳೊಂದಿಗೆ ಬರುತ್ತದೆ. ಆದರೆ ಹುಷಾರಾಗಿರು: ಉತ್ತಮ ಶಿಫಾರಸು ವ್ಯವಸ್ಥೆಯು "ಎಷ್ಟು ಕ್ಲಿಕ್ಗಳು" ಮಾತ್ರವಲ್ಲದೆ ದಾಸ್ತಾನು, ಅಂಚು ಮತ್ತು ಗ್ರಾಹಕರ ಅನುಭವವನ್ನು ನೋಡಬೇಕು.
ಎರಡು ಪದಗಳನ್ನು ಸ್ಪಷ್ಟಪಡಿಸೋಣ. ಅಡ್ಡ-ಮಾರಾಟವು ಖರೀದಿದಾರರಿಗೆ ಉತ್ಪನ್ನವನ್ನು ಪೂರಕವಾದ ಮತ್ತೊಂದು ಉತ್ಪನ್ನವನ್ನು ನೀಡುತ್ತದೆ (ಫೋನ್ ಖರೀದಿದಾರರಿಗೆ ಒಂದು ಪ್ರಕರಣ). ಅಪ್-ಸೆಲ್ ಅದೇ ಅಗತ್ಯವನ್ನು ಪೂರೈಸುವ ಹೆಚ್ಚಿನ/ದುಬಾರಿ ಮಾದರಿಯನ್ನು ನೀಡುತ್ತಿದೆ (128 GB ಬದಲಿಗೆ 256 GB). ಸರಾಸರಿ ಬುಟ್ಟಿಯನ್ನು (AOV) ಹೆಚ್ಚಿಸಲು ಎರಡೂ ಕಾನೂನುಬದ್ಧ ಮಾರ್ಗಗಳಾಗಿವೆ; ಆದರೆ ಇದು ಗ್ರಾಹಕರಿಗೆ ನಿಜವಾಗಿಯೂ ಪ್ರಯೋಜನಕಾರಿಯಾದಾಗ ಅದು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಬಲವಂತವಾಗಿ ಅದು ತೊಂದರೆಗೊಳಗಾಗುತ್ತದೆ.
ಶಿಫಾರಸು ವ್ಯವಸ್ಥೆಯ ಮೂರು ಮೂಲಭೂತ ತರ್ಕಗಳು
ಶಿಫಾರಸು ಮಾಡುವ ವ್ಯವಸ್ಥೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಒಂದು ಅಥವಾ ಮೂರು ವಿಧಾನಗಳ ಮಿಶ್ರಣವನ್ನು ಬಳಸುತ್ತವೆ.
1) ವಿಷಯ ಆಧಾರಿತ: ಇದು ಉತ್ಪನ್ನದ ಸ್ವಂತ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ನೋಡುತ್ತದೆ. "ಈ ಓಟದ ಶೂಗೆ ಹೋಲುವ ಇತರ ಚಾಲನೆಯಲ್ಲಿರುವ ಬೂಟುಗಳು". ಇದು ಹೊಸ ಗ್ರಾಹಕರೊಂದಿಗೆ ಸಹ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಏಕೆಂದರೆ ಇದಕ್ಕೆ ವರ್ತನೆಯ ಇತಿಹಾಸದ ಅಗತ್ಯವಿಲ್ಲ.
2) ಸಹಯೋಗದ ಫಿಲ್ಟರಿಂಗ್: ನಡವಳಿಕೆಯ ಮಾದರಿಯನ್ನು ನೋಡುತ್ತದೆ. "ಈ ಉತ್ಪನ್ನವನ್ನು ಖರೀದಿಸಿದ ಜನರು ಇದನ್ನು ಸಹ ಖರೀದಿಸಿದರು." ಇದು ಶಕ್ತಿಯುತವಾಗಿದೆ, ಆದರೆ ಸಾಕಷ್ಟು ಡೇಟಾ ಅಗತ್ಯವಿರುತ್ತದೆ ಮತ್ತು "ಕೋಲ್ಡ್ ಸ್ಟಾರ್ಟ್" (ಹೊಸ ಉತ್ಪನ್ನ/ಹೊಸ ಗ್ರಾಹಕ) ನಿಂದ ಬಳಲುತ್ತದೆ.
3) ವೈಯಕ್ತೀಕರಣ: ಇದು ಅವರ ಹಿಂದಿನ ನಡವಳಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ಒಬ್ಬ ಗ್ರಾಹಕನಿಗೆ ಶೋಕೇಸ್ ಅನ್ನು ಸರಿಹೊಂದಿಸುತ್ತದೆ. ಇದು ಪ್ರಬಲ ಪರಿಣಾಮವನ್ನು ಹೊಂದಿದೆ ಆದರೆ ಗೌಪ್ಯತೆ ಮತ್ತು "ಫಿಲ್ಟರ್ ಬಬಲ್ಸ್" ಅಪಾಯವನ್ನು ಹೊಂದಿದೆ.
ಕೆಳಗಿನ ಕೋಷ್ಟಕವು ಶಿಫಾರಸು ಬ್ಲಾಕ್ಗಳು ಮತ್ತು ಅವುಗಳ ಉದ್ದೇಶವನ್ನು ಸಾರಾಂಶಗೊಳಿಸುತ್ತದೆ:
ಬ್ಲಾಕ್
ತರ್ಕ
ಉದ್ದೇಶ
ಉದಾಹರಣೆ
ಇದೇ ರೀತಿಯ ಉತ್ಪನ್ನಗಳು
ವಿಷಯ ಆಧಾರಿತ
ಪರ್ಯಾಯವನ್ನು ನೀಡುತ್ತವೆ
ಒಂದೇ ವರ್ಗದಲ್ಲಿ ಮಾದರಿಗಳನ್ನು ಮುಚ್ಚಿ
ಒಟ್ಟಿಗೆ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ
ಸಹಕಾರಿ
ಅಡ್ಡ ಮಾರಾಟ
ಫೋನ್ + ಕೇಸ್ + ಸ್ಕ್ರೀನ್ ಪ್ರೊಟೆಕ್ಟರ್
ನಿಮಗಾಗಿ ನಮ್ಮ ಆಯ್ಕೆಗಳು
ವೈಯಕ್ತೀಕರಣ
ಬದ್ಧತೆ
ಹಿಂದಿನ ನ್ಯಾವಿಗೇಷನ್ ಅನ್ನು ಆಧರಿಸಿದೆ
ಮೆಚ್ಚಿನವುಗಳು / ಬೆಸ್ಟ್ ಸೆಲ್ಲರ್ಗಳು
ಜನಪ್ರಿಯತೆ
ನಂಬಿಕೆ + ಹೊಸ ಗ್ರಾಹಕ
ವಿಭಾಗದಲ್ಲಿ ಬೆಸ್ಟ್ ಸೆಲ್ಲರ್ಗಳು
ನೀವು ಎಲ್ಲಿ ಬಿಟ್ಟಿದ್ದೀರಿ
ಅಧಿವೇಶನ ಡೇಟಾ
ಹಿಮ್ಮುಖ
ಕೊನೆಯದಾಗಿ ವೀಕ್ಷಿಸಿದ ಉತ್ಪನ್ನಗಳು
ಸಣ್ಣ ಅಂಗಡಿಯಲ್ಲಿ AI ಜೊತೆಗೆ ಶಿಫಾರಸು ಸೆಟಪ್
ಕಾರ್ಪೊರೇಟ್ ಶಿಫಾರಸು ಎಂಜಿನ್ ಅನ್ನು ಸ್ಥಾಪಿಸಲು ಸಾಧ್ಯವಾಗದ ಸಣ್ಣ ಮತ್ತು ಮಧ್ಯಮ ಮಳಿಗೆಗಳು AI ಅನ್ನು ಬಳಸಿಕೊಂಡು ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ಉತ್ಪನ್ನ ಸಂಬಂಧಗಳನ್ನು ರಚಿಸಬಹುದು. ನೀವು ಅನಾಮಧೇಯವಾಗಿ ನೈಜ "ಒಟ್ಟಿಗೆ ಮಾರಾಟವಾದ ಉತ್ಪನ್ನಗಳು" ಡೇಟಾವನ್ನು (ಆರ್ಡರ್ ಐಟಂಗಳು) AI ಗೆ ನೀಡಬಹುದು ಮತ್ತು "ಯಾವ ಉತ್ಪನ್ನಗಳನ್ನು ಒಟ್ಟಿಗೆ ಖರೀದಿಸಲಾಗಿದೆ, ನಾನು ಯಾವ ಪ್ಯಾಕೇಜ್ಗಳನ್ನು ಶಿಫಾರಸು ಮಾಡಬಹುದು?" ಎಂದು ವಿಶ್ಲೇಷಿಸಬಹುದು. AI ನಿಮಗಾಗಿ ಅಡ್ಡ-ಮಾರಾಟ ಮತ್ತು ಬಂಡಲಿಂಗ್ ಕಲ್ಪನೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ನೀವು ಅವುಗಳನ್ನು ಸ್ಟಾಕ್ ಮತ್ತು ಮಾರ್ಜಿನ್ ಮೂಲಕ ಫಿಲ್ಟರ್ ಮಾಡಿ, ಮತ್ತು ನಂತರ ನೀವು ಅವುಗಳನ್ನು ನಿಜವಾಗಿಯೂ ಪರೀಕ್ಷಿಸುತ್ತೀರಿ. ಇಲ್ಲಿ ಪ್ರಮುಖ ಪದವೆಂದರೆ ಊಹೆ: AI ನ ಸಲಹೆಯು ಪುರಾವೆಯಲ್ಲ, ಆದರೆ ಪರೀಕ್ಷಿಸಬೇಕಾದ ಕಲ್ಪನೆ.
ಸಲಹೆ: ಪ್ರತಿ ಶಿಫಾರಸು ಕಲ್ಪನೆಯನ್ನು "ಇಫ್-ನಂತರ" ಊಹೆಯಾಗಿ ಪರಿವರ್ತಿಸಿ: "X ಅನ್ನು ಖರೀದಿಸುವ ಯಾರಿಗಾದರೂ ನಾವು Y ಅನ್ನು ಶಿಫಾರಸು ಮಾಡಿದರೆ, ಅವರ ಬ್ಯಾಸ್ಕೆಟ್ ಸರಾಸರಿ ಹೆಚ್ಚಾಗುತ್ತದೆ." ನಂತರ ಇದನ್ನು ಸಣ್ಣ ಪ್ರಯೋಗದೊಂದಿಗೆ ಅಳೆಯಿರಿ (A/B ಪರೀಕ್ಷೆ ಅಥವಾ ಸಮಯದ ಅವಧಿ). ಅಳತೆಯಿಲ್ಲದ ಶಿಫಾರಸು ಕೇವಲ ಊಹೆಯಾಗಿದೆ.
ಶಿಫಾರಸು ನಿಯಮಗಳ ವಾಣಿಜ್ಯ ಲೆಕ್ಕಪರಿಶೋಧನೆ
ಸಂಪೂರ್ಣ ಸ್ವಯಂಚಾಲಿತ "ಹೆಚ್ಚು ಕ್ಲಿಕ್" ಗೆ ಬಿಟ್ಟರೆ ಶಿಫಾರಸು ವ್ಯವಸ್ಥೆಯನ್ನು ಅಪಾಯಕಾರಿಯಾಗಬಹುದು. ಸ್ಟಾಕ್: ಸ್ಟಾಕ್ ಇಲ್ಲದ ಉತ್ಪನ್ನವನ್ನು ಶಿಫಾರಸು ಮಾಡುವುದು ಗ್ರಾಹಕರನ್ನು ನಿರಾಶೆಗೊಳಿಸುತ್ತದೆ. ಅಂಚು: ಹೆಚ್ಚು ಕ್ಲಿಕ್ಗಳನ್ನು ಹೊಂದಿರುವ ಉತ್ಪನ್ನವು ಕಡಿಮೆ ಅಂಚು ಹೊಂದಿರಬಹುದು; ವ್ಯವಸ್ಥೆಯು ನಿಮ್ಮನ್ನು ಲಾಭದಾಯಕವಲ್ಲದ ಉತ್ಪನ್ನಗಳಿಗೆ ನಿರ್ದೇಶಿಸಬಹುದು. ಬ್ರ್ಯಾಂಡ್ ಸುರಕ್ಷತೆ ಮತ್ತು ಸೂಕ್ತತೆ: ಸೂಕ್ಷ್ಮ ವರ್ಗಗಳಲ್ಲಿ (ಮಗು, ಆರೋಗ್ಯ) ಅಪ್ರಸ್ತುತ ಅಥವಾ ಸೂಕ್ತವಲ್ಲದ ಶಿಫಾರಸು ನಂಬಿಕೆಯನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತದೆ. ಫಿಲ್ಟರ್ ಬಬಲ್: ಗ್ರಾಹಕರಿಗೆ ನಿರಂತರವಾಗಿ ಅದೇ ರೀತಿಯ ಉತ್ಪನ್ನವನ್ನು ತೋರಿಸುವುದು ಅನ್ವೇಷಣೆಯನ್ನು ಕೊಲ್ಲುತ್ತದೆ ಮತ್ತು ಮಾರಾಟವನ್ನು ಕಿರಿದಾಗಿಸುತ್ತದೆ. ಅದಕ್ಕಾಗಿಯೇ ಸ್ವಯಂಚಾಲಿತ ಶಿಫಾರಸುಗಳನ್ನು ವ್ಯಾಪಾರ ನಿಯಮಗಳಿಂದ ಅಗತ್ಯವಾಗಿ ರೂಪಿಸಲಾಗಿದೆ: "ಸ್ಟಾಕ್ನಲ್ಲಿ ಏನಿದೆ ಎಂದು ಶಿಫಾರಸು ಮಾಡಿ", "ಈ ಮಿತಿಗಿಂತ ಕೆಳಗಿನ ಉತ್ಪನ್ನವನ್ನು ವೈಶಿಷ್ಟ್ಯಗೊಳಿಸಬೇಡಿ", "ವರ್ಗದ ಅನುಸರಣೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಿ".
ಪಕ್ಷಪಾತವು ನಿಜವಾದ ಅಪಾಯವಾಗಿದೆ. ಶಿಫಾರಸು ವ್ಯವಸ್ಥೆಯು ಹಿಂದಿನ ನಡವಳಿಕೆಯನ್ನು ಆಧರಿಸಿರುವುದರಿಂದ, ಇದು ಹಿಂದಿನ ಅಸಮಾನತೆಗಳನ್ನು ಬಲಪಡಿಸುತ್ತದೆ; ಉದಾಹರಣೆಗೆ, ಒಂದು ನಿರ್ದಿಷ್ಟ ಗುಂಪಿಗೆ ನಿರಂತರವಾಗಿ ಅಗ್ಗದ/ಕಡಿಮೆ ಗುಣಮಟ್ಟದ ಉತ್ಪನ್ನಗಳನ್ನು ಶಿಫಾರಸು ಮಾಡುವುದು. ಇದು ನೈತಿಕ ಮತ್ತು ವಾಣಿಜ್ಯ ಸಮಸ್ಯೆಯಾಗಿದೆ. "ಯಾರಿಗೆ ಏನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತಿದೆ" ಎಂಬ ದೃಷ್ಟಿಯಿಂದ ಶಿಫಾರಸು ಔಟ್ಪುಟ್ಗಳನ್ನು ನಿಯಮಿತವಾಗಿ ಆಡಿಟ್ ಮಾಡುವುದು ಅವಶ್ಯಕ.
ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್ಗಳು
1) ಒಟ್ಟಿಗೆ ಮಾರಾಟವಾದ ಉತ್ಪನ್ನಗಳ ವಿಶ್ಲೇಷಣೆ:
ನಿಮ್ಮ ಪಾತ್ರ: ಇ-ಕಾಮರ್ಸ್ ವಿಶ್ಲೇಷಕ ಸಹಾಯಕ. ಕೆಳಗೆ ಅನಾಮಧೇಯ ಆರ್ಡರ್ ಐಟಂಗಳಿವೆ (ಐಟಂ ಕೋಡ್ಗಳು ಮತ್ತು ಒಟ್ಟಿಗೆ ತೆಗೆದುಕೊಂಡಿರುವ ಬಾರಿ). ಡೇಟಾ: [ಕೋಷ್ಟಕ]. ಕಾರ್ಯ: ಒಟ್ಟಿಗೆ ಖರೀದಿಸಿದ 10 ಜೋಡಿ ಐಟಂಗಳನ್ನು ಹುಡುಕಿ; ಪ್ರತಿ ಜೋಡಿಗೆ, ಅಡ್ಡ-ಮಾರಾಟದ ಊಹೆಯನ್ನು ಬರೆಯಿರಿ ("ಖರೀದಿದಾರರಿಗೆ Y ಅನ್ನು ಆಫರ್ ಮಾಡಿ X"). ಗಮನಿಸಿ: ಇವು ಊಹೆಗಳು; ನಾನು ಸ್ಟಾಕ್ ಮತ್ತು ಮಾರ್ಜಿನ್ ಅನ್ನು ಸಹ ಪರಿಶೀಲಿಸುತ್ತೇನೆ.
2) ಬಂಡಲ್ ಶಿಫಾರಸು:
ಉತ್ಪನ್ನ: [ಮುಖ್ಯ ಉತ್ಪನ್ನ]. ಪೂರಕ ಉತ್ಪನ್ನಗಳು: [ಪಟ್ಟಿ, ಅಂಚು ಟಿಪ್ಪಣಿಗಳೊಂದಿಗೆ]. ಕಾರ್ಯ: 3 ಸಂವೇದನಾಶೀಲ ಪ್ಯಾಕೇಜ್ಗಳನ್ನು ಸೂಚಿಸಿ; ಪ್ರತಿ ಪ್ಯಾಕೇಜ್ಗೆ, ಗ್ರಾಹಕರಿಗೆ ಒಂದು ವಾಕ್ಯದಲ್ಲಿ ಪ್ರಯೋಜನವನ್ನು ವಿವರಿಸಿ. ನಿಯಮ: ಪ್ಯಾಕೇಜ್ನಲ್ಲಿರುವ ಎಲ್ಲಾ ಉತ್ಪನ್ನಗಳು ಸ್ಟಾಕ್ನಲ್ಲಿರಬೇಕು; ಕಡಿಮೆ-ಅಂಚು ಉತ್ಪನ್ನವನ್ನು ಮುಖ್ಯ ಡ್ರಾ ಮಾಡುವುದು.
3) ಹೆಚ್ಚು ಮಾರಾಟವಾಗುವ ಸನ್ನಿವೇಶ:
ಗ್ರಾಹಕರು ನೋಡುತ್ತಿದ್ದಾರೆ: [ಉತ್ಪನ್ನ, ಬೆಲೆ, ವೈಶಿಷ್ಟ್ಯಗಳು]. ಉನ್ನತ ಮಟ್ಟದ ಮಾದರಿಗಳು: [ಪಟ್ಟಿ, ಬೆಲೆ/ವೈಶಿಷ್ಟ್ಯದ ವ್ಯತ್ಯಾಸಗಳೊಂದಿಗೆ]. ಕಾರ್ಯ: ಪ್ರಾಮಾಣಿಕ ಅಪ್ಸೆಲ್ ಸಂದೇಶವನ್ನು ರಚಿಸಿ: ಹೆಚ್ಚುವರಿ ಪ್ರಯೋಜನಕ್ಕಾಗಿ ಎಷ್ಟು ಪಾವತಿಸಬೇಕು. ನಿಯಮ: ಉತ್ಪ್ರೇಕ್ಷೆಯಿಲ್ಲ; ಕಾಂಕ್ರೀಟ್ ವೈಶಿಷ್ಟ್ಯಗಳ ಮೂಲಕ ವ್ಯತ್ಯಾಸವನ್ನು ವಿವರಿಸಿ.
4) ಸಲಹೆ ನಿಯಮ ಪರಿಶೀಲನೆ:
ಕೆಳಗಿನ ಶಿಫಾರಸು ನಿಯಮಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.ನಿಯಮಗಳು: [ಪಟ್ಟಿ].ಕಾರ್ಯ: ಕೆಳಗಿನ ಅಪಾಯಗಳ ವಿರುದ್ಧ ಪ್ರತಿ ನಿಯಮವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ: ಸ್ಟಾಕ್ ಸ್ಥಿರತೆ, ಅಂಚು ರಕ್ಷಣೆ, ವರ್ಗ ಫಿಟ್, ಫಿಲ್ಟರ್ ಬಬಲ್, ಪಕ್ಷಪಾತ. ಅಪಾಯಕಾರಿ ನಿಯಮಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ ಮತ್ತು ತಿದ್ದುಪಡಿಗಾಗಿ ನಿಮ್ಮ ಶಿಫಾರಸು.
ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು
ಪ್ರಕರಣ 1 - ಅಡ್ಡ-ಮಾರಾಟದ ಲಾಭ. ಎಲೆಕ್ಟ್ರಾನಿಕ್ಸ್ ಅಂಗಡಿಯು AI ಯೊಂದಿಗೆ ಆರ್ಡರ್ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸಿದೆ ಮತ್ತು "ಫೋನ್ ಖರೀದಿಸಿದವರಲ್ಲಿ 40% ರಷ್ಟು 30 ದಿನಗಳಲ್ಲಿ ಕೇಸ್ ಅನ್ನು ಖರೀದಿಸಿದೆ" ಎಂಬ ಮಾದರಿಯನ್ನು ಕಂಡುಹಿಡಿದಿದೆ. ಫೋನ್ ಪುಟಕ್ಕೆ ಸೂಕ್ತವಾದ ಕೇಸ್ ಶಿಫಾರಸು ಬ್ಲಾಕ್ ಅನ್ನು ಸೇರಿಸಲಾಗಿದೆ (ಸ್ಟಾಕ್ನಲ್ಲಿರುವವರನ್ನು ಫಿಲ್ಟರ್ ಮಾಡುವುದು). ಬಾಸ್ಕೆಟ್ ಸರಾಸರಿಯು ಅಳೆಯುವಷ್ಟು ಹೆಚ್ಚಾಗಿದೆ. AI ಒಂದು ಊಹೆಯನ್ನು ನೀಡಿತು, ಅಂಗಡಿಯು ಅದನ್ನು ಪರೀಕ್ಷಿಸಿತು ಮತ್ತು ಪರಿಶೀಲಿಸಿತು.
ಪ್ರಕರಣ 2 - ಮಾರ್ಜಿನ್ ಟ್ರ್ಯಾಪ್. ಒಂದು ಅಂಗಡಿಯು ಮುಖಪುಟವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ "ಹೆಚ್ಚು ಕ್ಲಿಕ್ ಮಾಡಿದ" ಉತ್ಪನ್ನಗಳಿಗೆ ಕೈಬಿಟ್ಟಿದೆ. ಹೆಚ್ಚು ಕ್ಲಿಕ್ ಮಾಡಿದ ಉತ್ಪನ್ನಗಳೆಂದರೆ ಪ್ರಚಾರದ ಉತ್ಪನ್ನಗಳು ಕಡಿಮೆ ಅಂಚುಗಳೊಂದಿಗೆ, ಕೆಲವು ನಷ್ಟದಲ್ಲಿ ಮಾರಾಟವಾದವು. ವಹಿವಾಟು ಹೆಚ್ಚಿತು ಆದರೆ ಲಾಭ ಕುಸಿಯಿತು. ಪರಿಹಾರ: "ಮುಖಪುಟದಲ್ಲಿ ಮಿತಿಗಿಂತ ಕೆಳಗಿರುವ ಉತ್ಪನ್ನವನ್ನು ವೈಶಿಷ್ಟ್ಯಗೊಳಿಸಿ" ಫಿಲ್ಟರ್ ಅನ್ನು ಶಿಫಾರಸು ನಿಯಮಕ್ಕೆ ಸೇರಿಸಲಾಗಿದೆ.
ಕೇಸ್ 3 - ಫಿಲ್ಟರ್ ಬಬಲ್. ಪುಸ್ತಕದ ಸೈಟ್ನಲ್ಲಿ, ಗ್ರಾಹಕರು ಒಂದೇ ರೀತಿಯ ಪುಸ್ತಕವನ್ನು ನಿರಂತರವಾಗಿ ಶಿಫಾರಸು ಮಾಡಿದ್ದರಿಂದ, ಗ್ರಾಹಕರು ಎಂದಿಗೂ ಹೊಸ ಪ್ರಕಾರಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲಿಲ್ಲ ಮತ್ತು ಅವರ ಆಸಕ್ತಿಯು ಕಾಲಾನಂತರದಲ್ಲಿ ಕಡಿಮೆಯಾಯಿತು. ಸಲಹೆ ನಿಯಮಕ್ಕೆ "ಕನಿಷ್ಠ 20% ಸಲಹೆಗಳು ವಿಭಿನ್ನ ವರ್ಗಗಳಿಂದ ಇರಬೇಕು" ಎಂಬ ವೈವಿಧ್ಯತೆಯ ನಿಯಮವನ್ನು ಸೇರಿಸಿದಾಗ, ಆವಿಷ್ಕಾರ ಮತ್ತು ಮಾರಾಟವನ್ನು ಮರುಪಡೆಯಲಾಗಿದೆ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಈ ಉತ್ಪನ್ನದೊಂದಿಗೆ ನಾನು ಏನು ಶಿಫಾರಸು ಮಾಡಬಹುದು, ನನಗೆ ಕೆಲವು ವಿಚಾರಗಳನ್ನು ನೀಡಿ.
ಮಾದರಿಯು ನಿಮ್ಮ ನಿಜವಾದ ಡೇಟಾ ಮತ್ತು ಮಾರ್ಜಿನ್ ಅನ್ನು ತಿಳಿಯದೆ ಜೆನೆರಿಕ್, ಪ್ರಾಯಶಃ ಔಟ್-ಸ್ಟಾಕ್ ಶಿಫಾರಸುಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಇ-ಕಾಮರ್ಸ್ ವಿಶ್ಲೇಷಕ. ಮುಖ್ಯ ಉತ್ಪನ್ನ: ವೈರ್ಲೆಸ್ ಹೆಡ್ಸೆಟ್ (ಅಂಚು 28%, ಸ್ಟಾಕ್ನಲ್ಲಿ). ಕಾಂಪ್ಲಿಮೆಂಟರಿ ಅಭ್ಯರ್ಥಿಗಳು (ಸ್ಟಾಕ್/ಮಾರ್ಜಿನ್ನೊಂದಿಗೆ): ಕ್ಯಾರಿಯಿಂಗ್ ಕೇಸ್ (45%, ಸ್ಟಾಕ್ನಲ್ಲಿ), ಇಯರ್ಬಡ್ಗಳ ಸೆಟ್ (50%, ಸ್ಟಾಕ್ನಲ್ಲಿ), ಚಾರ್ಜಿಂಗ್ ಕೇಬಲ್ (20%, ಸ್ಟಾಕ್ನಲ್ಲಿದೆ). ಕಾರ್ಯ: ಸ್ಟಾಕ್ನಲ್ಲಿ ಮತ್ತು 30% ಕ್ಕಿಂತ ಹೆಚ್ಚು ಅಂಚುಗಳೊಂದಿಗೆ ಮಾತ್ರ 2 ಅಡ್ಡ-ಮಾರಾಟದ ಪ್ಯಾಕೇಜ್ಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಿ; ಪ್ರತಿ ಪ್ಯಾಕೇಜ್ಗೆ ಗ್ರಾಹಕರ ಪ್ರಯೋಜನವನ್ನು ಒಂದು ವಾಕ್ಯದಲ್ಲಿ ಬರೆಯಿರಿ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಸಾಕ್ಷ್ಯಕ್ಕಾಗಿ ಸಲಹೆಯನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. AI ಯ ಉತ್ಪಾದನೆಯು ಊಹೆಯಾಗಿದೆ; ಪರೀಕ್ಷೆ ಮಾಡದೆ ಅದು ನಿರ್ಧಾರವಾಗುವುದಿಲ್ಲ.
- ದಾಸ್ತಾನು ಮತ್ತು ಅಂಚು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ಸ್ವಯಂಚಾಲಿತ ಶಿಫಾರಸು ಲಾಭದಾಯಕವಲ್ಲದ ಅಥವಾ ಮಾರಾಟವಾದ ಉತ್ಪನ್ನವನ್ನು ಹೈಲೈಟ್ ಮಾಡಬಹುದು.
- ಕೇವಲ ಜನಪ್ರಿಯತೆಗೆ ಕಾರಣ. ಹೆಚ್ಚು ಕ್ಲಿಕ್ ಮಾಡಿರುವುದು ಯಾವಾಗಲೂ ಹೆಚ್ಚು ಲಾಭದಾಯಕ ಅಥವಾ ಹೆಚ್ಚು ಅನುಕೂಲಕರವಾಗಿರುವುದಿಲ್ಲ.
- ಫಿಲ್ಟರ್ ಬಬಲ್ ಅನ್ನು ರಚಿಸಲಾಗುತ್ತಿದೆ. ಒಂದೇ ಉತ್ಪನ್ನವನ್ನು ನಿರಂತರವಾಗಿ ತೋರಿಸುವುದು ಆವಿಷ್ಕಾರ ಮತ್ತು ಮಾರಾಟವನ್ನು ಕೊಲ್ಲುತ್ತದೆ.
- ಪಕ್ಷಪಾತವನ್ನು ಪರಿಶೀಲಿಸುತ್ತಿಲ್ಲ. ವ್ಯವಸ್ಥೆಯು ಹಿಂದಿನ ಅಸಮಾನತೆಗಳನ್ನು ಬಲಪಡಿಸಬಹುದು; ನಿಯಮಿತ ತಪಾಸಣೆ ಅಗತ್ಯವಿದೆ.
- ಬಲವಂತದ ಮಾರಾಟ. ಯಾವುದೇ ಪ್ರಯೋಜನಗಳಿಲ್ಲದ ದುಬಾರಿ ಮಾದರಿಯನ್ನು ತಳ್ಳುವುದು ನಿಮ್ಮ ಆತ್ಮವಿಶ್ವಾಸವನ್ನು ಕಳೆದುಕೊಳ್ಳುವಂತೆ ಮಾಡುತ್ತದೆ.
ಸಾರಾಂಶದಲ್ಲಿ
ಶಿಫಾರಸು ವ್ಯವಸ್ಥೆಗಳು ಗ್ರಾಹಕರಿಗೆ ಸರಿಯಾದ ಉತ್ಪನ್ನವನ್ನು ಸರಿಯಾದ ಕ್ಷಣದಲ್ಲಿ ತೋರಿಸುವ ಮೂಲಕ ಬ್ಯಾಸ್ಕೆಟ್ ಸರಾಸರಿ ಮತ್ತು ನಿಷ್ಠೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ. ಮೂರು ಮೂಲಭೂತ ತರ್ಕಗಳಿವೆ: ವಿಷಯ-ಆಧಾರಿತ (ಇದೇ ರೀತಿಯ ಉತ್ಪನ್ನಗಳು), ಸಹಕಾರಿ (ಒಟ್ಟಿಗೆ ಖರೀದಿಸಲಾಗಿದೆ), ಮತ್ತು ವೈಯಕ್ತೀಕರಣ. ಸಣ್ಣ ಅಂಗಡಿಗಳಲ್ಲಿಯೂ ಸಹ, ಆರ್ಡರ್ ಡೇಟಾದಿಂದ AI ಅಡ್ಡ-ಮಾರಾಟ ಮತ್ತು ಬಂಡಲಿಂಗ್ ಕಲ್ಪನೆಗಳನ್ನು ರಚಿಸಬಹುದು; ಆದರೆ ಇವು ಪರೀಕ್ಷಿಸಬೇಕಾದ ವಿಚಾರಗಳು, ಪುರಾವೆ ಅಲ್ಲ. ಸ್ಟಾಕ್, ಅಂಚು, ವರ್ಗದ ಫಿಟ್ ಮತ್ತು ವೈವಿಧ್ಯತೆಯ ಸುತ್ತಲೂ ಶಿಫಾರಸು ನಿಯಮಗಳನ್ನು ರೂಪಿಸಲು ಮರೆಯದಿರಿ; ಫಿಲ್ಟರ್ ಬಬಲ್ ಮತ್ತು ಪಕ್ಷಪಾತದ ಅಪಾಯಗಳನ್ನು ನಿಯಮಿತವಾಗಿ ಪರಿಶೀಲಿಸಿ. ವಾಣಿಜ್ಯ ನಿಯಂತ್ರಣಕ್ಕೆ ಅಂಟಿಕೊಂಡಾಗ ಸ್ವಯಂಚಾಲಿತ ಶಿಫಾರಸು ಮೌಲ್ಯವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ನಿಮ್ಮ ಸ್ವಂತ ಆರ್ಡರ್ ಡೇಟಾದಿಂದ (ಅನಾಮಧೇಯ ಉತ್ಪನ್ನ ಕೋಡ್ಗಳೊಂದಿಗೆ) ಹೆಚ್ಚಾಗಿ ಖರೀದಿಸಿದ 5 ಉತ್ಪನ್ನ ಜೋಡಿಗಳನ್ನು ಹೊರತೆಗೆಯಿರಿ. "ಸಹ-ಮಾರಾಟ ಉತ್ಪನ್ನ ವಿಶ್ಲೇಷಣೆ" ಟೆಂಪ್ಲೇಟ್ನೊಂದಿಗೆ ಅಡ್ಡ-ಮಾರಾಟದ ಕಲ್ಪನೆಗಳಿಗಾಗಿ AI ಅನ್ನು ಕೇಳಿ. ಪ್ರತಿ ಊಹೆಯನ್ನು "ಇಫ್-ನಂತರ" ಹೇಳಿಕೆಯಾಗಿ ಪರಿವರ್ತಿಸಿ ಮತ್ತು ಅದನ್ನು ಸ್ಟಾಕ್ ಮತ್ತು ಮಾರ್ಜಿನ್ ಮೂಲಕ ಫಿಲ್ಟರ್ ಮಾಡಿ. 2 ಅತ್ಯಂತ ಭರವಸೆಯ ಊಹೆಗಳಿಗಾಗಿ ಪರೀಕ್ಷಾ ಯೋಜನೆಯನ್ನು ಬರೆಯಿರಿ (ಎಷ್ಟು ಸಮಯ, ಯಾವ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಅಳೆಯಬೇಕು). ಅಂತಿಮವಾಗಿ, "ಶಿಫಾರಸು ನಿಯಮ ಆಡಿಟ್" ಟೆಂಪ್ಲೇಟ್ನೊಂದಿಗೆ ಅಪಾಯಗಳಿಗಾಗಿ ನಿಮ್ಮ ಶಿಫಾರಸು ನಿಯಮಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನಾನು ಸಲಹೆ ಕಲ್ಪನೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಊಹೆಗಳಾಗಿ ಪರಿಗಣಿಸಿದ್ದೇನೆ, ಸಾಕ್ಷಿಯಾಗಿ ಅಲ್ಲ.
- [ ] ನಾನು ಪ್ರತಿ ಸಲಹೆಯನ್ನು ಸ್ಟಾಕ್ ಮತ್ತು ಮಾರ್ಜಿನ್ ಮೂಲಕ ಫಿಲ್ಟರ್ ಮಾಡಿದ್ದೇನೆ.
- [ ] ಜನಪ್ರಿಯತೆಯ ಜೊತೆಗೆ, ನಾನು ಲಾಭದಾಯಕತೆ ಮತ್ತು ಸೂಕ್ತತೆಯನ್ನು ಸಹ ಪರಿಗಣಿಸಿದೆ.
- [ ] ನಾನು ವೈವಿಧ್ಯತೆಯ ನಿಯಮದೊಂದಿಗೆ ಫಿಲ್ಟರ್ ಬಬಲ್ ಅನ್ನು ತಪ್ಪಿಸಿದೆ.
- [ ] ಶಿಫಾರಸುಗಳು ಯಾರಿಗೆ ತೋರಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ನಾನು ಪಕ್ಷಪಾತವನ್ನು ಪರಿಶೀಲಿಸಿದೆ.
- [ ] ನಾನು ಭರವಸೆಯ ಸಲಹೆಗಳನ್ನು ನಿಜವಾದ ಪರೀಕ್ಷೆಯೊಂದಿಗೆ ಅಳೆಯಲು ಯೋಜಿಸಿದೆ.