Pelnas:
- Suprasti rekomendacijų variklio logiką (pirkti kartu, panašūs produktai, personalizavimas) ir jo įtaką verslo metrikai
- Gebėjimas sukurti produktų ryšius, pakuoti ir kryžminio pardavimo scenarijus su dirbtinio intelekto palaikymu ir paversti juos patikrintomis hipotezėmis
- Gebėjimas matyti filtro burbulo, šališkumo ir atsargų / maržos neutralių automatinių rekomendacijų riziką ir susieti rekomendacijų taisykles su komercine kontrole
Didelė dalis pardavimų didelėse elektroninės prekybos svetainėse ateina iš klientui rekomenduojamo produkto, o ne produkto, kurio jis ieško. Visi matėte kaladėles „Tie, kurie pirko tai, pirko ir šitą“, „Mūsų pasirinkimas jums“, „Kartu pigiau“. Šių blokų sistema vadinama rekomendacijų varikliu: tai programinė įranga, kuri pateikia atsakymus į klausimą „Ką dabar turėčiau parodyti šiam žmogui? žvelgiant į kliento elgesį, produktų santykius ir bendrus modelius. Dirbtinis intelektas (AI) šioje srityje naudingas dviem būdais: padeda kurti scenarijus ir taisykles kuriant rekomendacijų logiką, analizuoja jūsų pačių produktų santykius mažose parduotuvėse ir pateikia paketų / kryžminio pardavimo idėjų. Tačiau saugokitės: gera rekomendacijų sistema turi atsižvelgti ne tik į „kiek paspaudimų“, bet ir į atsargas, maržą ir klientų patirtį.
Paaiškinkime dvi sąvokas. Kryžminis pardavimas – tai kito produkto, kuris papildo prekę, pasiūlymas pirkėjui (dėklas telefono pirkėjui). Up-sell siūlo didesnį / brangesnį modelį, kuris tenkina tą patį poreikį (256 GB vietoj 128 GB). Abu yra teisėti būdai padidinti vidutinį krepšelį (AOV); Bet tai veikia, kai tai tikrai naudinga klientui, o trikdo, kai yra priversta.
Trys pagrindinės rekomendacijų sistemos logikos
Rekomendavimo sistemos paprastai naudoja vieną arba trijų metodų derinį.
1) Pagal turinį: atsižvelgiama į paties produkto savybes. „Kiti bėgimo bateliai, panašūs į šį bėgimo batelį“. Tai netgi veikia su naujais klientais, nes tam nereikia elgesio istorijos.
2) Bendradarbiavimo filtravimas: žiūri į elgesio modelį. "Žmonės, kurie pirko šį produktą, taip pat pirko tai." Jis yra galingas, bet reikalauja daug duomenų ir kenčia nuo „šalto starto“ (naujas produktas / naujas klientas).
3) Personalizavimas: jis pritaiko vitriną vienam klientui, atsižvelgiant į jų ankstesnį elgesį. Jis turi galingą poveikį, tačiau kelia pavojų privatumui ir „filtro burbulams“.
Šioje lentelėje apibendrinami rekomendacijų blokai ir jų paskirtis:
blokas
logika
Tikslas
pavyzdys
Panašūs produktai
turinio pagrindu
pasiūlyti alternatyvą
Uždaryti modelius toje pačioje kategorijoje
paimti kartu
bendradarbiaujantis
kryžminis pardavimas
telefonas + dėklas + ekrano apsauga
Mūsų pasirinkimas jums
Personalizavimas
įsipareigojimas
Remiantis ankstesne navigacija
Mėgstamiausi / bestseleriai
Populiarumas
Pasitikėjimas + naujas klientas
Bestseleriai kategorijoje
kur baigėte
seanso duomenys
apvertimas
Paskutinį kartą žiūrėtos prekės
Rekomendacijos sąranka naudojant AI mažoje parduotuvėje
Net mažos ir vidutinės parduotuvės, kurios negali sukurti įmonių rekomendacijų variklio, gali sumaniai struktūrizuoti produktų santykius naudodamos AI. Galite anonimiškai pateikti tikrus „kartu parduodamų produktų“ duomenis (užsakyti prekes) AI ir leisti jam analizuoti „kurie produktai perkami kartu, kokias pakuotes galiu rekomenduoti? AI sukuria kryžminio pardavimo ir sujungimo hipotezes už jus; Filtruojate juos pagal atsargas ir maržą, o tada iš tikrųjų patikrinate. Pagrindinis žodis čia yra hipotezė: AI pasiūlymas yra ne įrodymas, o idėja, kurią reikia išbandyti.
Patarimas: paverskite kiekvieną rekomendacijos idėją „jei-tada“ hipoteze: „Jei rekomenduosime Y asmeniui, kuris perka X, jo krepšelio vidurkis padidės“. Tada išmatuokite tai atlikdami nedidelį eksperimentą (A/B testą arba laikotarpį). Rekomendacija be matavimo yra tik spėjimas.
Rekomendacijų taisyklių komercinis auditas
Rekomendacijų sistema gali būti pavojinga, jei ji paliekama visiškai automatizuotai „daugiausia spustelėtam“. Sandėlis: rekomenduojus prekę, kurios sandėlyje nėra, klientas nuvils. Marža: daugiausia paspaudimų sulaukęs produktas gali turėti mažiausią maržą; Sistema gali nukreipti jus į nepelningus produktus. Prekės ženklo sauga ir tinkamumas: nesvarbi arba netinkama rekomendacija jautriose kategorijose (kūdikis, sveikata) praranda pasitikėjimą. Filtro burbulas: nuolatinis to paties tipo produkto rodymas klientui žudo atradimus ir susiaurina pardavimą. Štai kodėl automatinės rekomendacijos būtinai įrėmintos pagal verslo taisykles: „rekomenduoti, kas yra sandėlyje“, „nepateikti produkto, kurio marža yra mažesnė už šią ribą“, „išlaikyti atitiktį kategorijai“.
Šališkumas taip pat yra tikra rizika. Kadangi rekomendacijų sistema yra pagrįsta praeities elgesiu, ji gali sustiprinti praeities nelygybę; Pavyzdžiui, nuolat rekomenduoti pigesnius/prastesnės kokybės produktus tam tikrai grupei. Tai ir etinė, ir komercinė problema. Būtina reguliariai tikrinti rekomendacijų rezultatus, siekiant „kas kam rekomenduojama“.
Keturi kopijuojami šablonai
1) Kartu parduodamų produktų analizė:
Jūsų vaidmuo: elektroninės prekybos analitiko padėjėjas. Žemiau pateikiamos anoniminės užsakymo prekės (prekių kodai ir kartu paimtų kartų skaičius). Duomenys: [lentelė]. Užduotis: suraskite 10 porų dažniausiai kartu perkamų prekių; Kiekvienai porai parašykite kryžminio pardavimo hipotezę („Pasiūlykite Y pirkėjams X“). Pastaba: tai yra hipotezės; Taip pat patikrinsiu atsargas ir maržą.
2) Rinkinio rekomendacija:
Produktas: [pagrindinis produktas]. Papildomi produktai: [sąrašas, su paraštėmis].Užduotis: Pasiūlykite 3 protingas pakuotes; Prie kiekvienos pakuotės vienu sakiniu paaiškinkite naudą klientui. Taisyklė: visi pakuotėje esantys produktai turi būti sandėlyje; mažos maržos produktą paverčiant pagrindiniu akcentu.
3) Perkamiausias scenarijus:
Klientas žiūri į: [produktą, kainą, ypatybes]. Aukštesnės klasės modeliai: [sąrašas, su kainų/ypatybių skirtumais]. Užduotis: parengti sąžiningą papildomo pardavimo pranešimą: kiek mokėti už kokią papildomą naudą.Taisyklė: neperdėti; Paaiškinkite skirtumą per konkrečias savybes.
4) Pasiūlymo taisyklės patikrinimas:
Patikrinkite šias rekomendacijų taisykles.Taisyklės: [sąrašas].Užduotis: įvertinkite kiekvieną taisyklę pagal šias rizikas: atsargų nuoseklumas, maržos apsauga, atitiktis kategorijai, filtro burbulas, šališkumas. Išvardykite rizikingas taisykles ir rekomendaciją dėl pataisymo.
trys mini dėklai
1 atvejis – kryžminio pardavimo pelnas. Elektronikos parduotuvė išanalizavo užsakymų duomenis naudodama dirbtinį intelektą ir nustatė, kad „40 % tų, kurie nusipirko telefoną, taip pat nusipirko dėklą per 30 dienų“. Telefono puslapyje pridėtas tinkamas dėklo rekomendacijų blokas (išfiltruojamas turimas). Krepšelio vidurkis pastebimai išaugo. AI pateikė hipotezę, parduotuvė ją išbandė ir patvirtino.
2 atvejis – maržos gaudyklė. Viena parduotuvė visiškai atsisakė pagrindinio puslapio ir atsisakė „daugiausia spustelėtų“ produktų. Daugiausia spustelėta reklaminių kampanijų produktų su mažiausia marža, kai kurie netgi parduodami nuostolingai. Apyvarta išaugo, bet pelnas sumažėjo. Sprendimas: prie rekomendacijos taisyklės pridėtas filtras „Pateikti produktą, kurio paraštė yra žemiau slenksčio pagrindiniame puslapyje“.
3 atvejis – filtro burbulas. Knygų svetainėje, kadangi klientui nuolatos buvo rekomenduojamos tos pačios rūšies knygos, klientas niekada neatrasdavo naujų žanrų ir laikui bėgant jo susidomėjimas mažėjo. Į pasiūlymo taisyklę įtraukus įvairovės taisyklę „bent 20 % pasiūlymų turi būti iš skirtingų kategorijų“, atradimas ir pardavimas buvo atkurti.
Silpnas raginimas / Stiprus raginimas
Silpnas raginimas:
Ką galėčiau rekomenduoti su šiuo produktu, pateikite keletą idėjų.
Modelis pateikia bendro pobūdžio rekomendacijas, kurių galbūt nėra sandėlyje, nežinant jūsų faktinių duomenų ir maržos.
Galingas raginimas:
Jūsų vaidmuo: elektroninės prekybos analitikas. Pagrindinis produktas: belaidės ausinės (marža 28%, sandėlyje). Papildomi kandidatai (su atsargomis / marža): nešiojimo dėklas (45%, yra sandėlyje), ausinių rinkinys (50%, yra sandėlyje), įkrovimo laidas (20%, yra sandėlyje).Užduotis: pasiūlykite 2 kryžminio pardavimo paketus tik su sandėlyje ir su marža virš 30%; Vienu sakiniu užrašykite kiekvienos pakuotės naudą klientui.
Dažnos klaidos
- Klaidingas pasiūlymas pateikti įrodymus. AI rezultatas yra hipotezė; Neišbandžius jis netampa sprendimu.
- Neatsižvelgiant į atsargas ir maržą. Automatinė rekomendacija gali pabrėžti nepelningą arba išparduotą produktą.
- Tiesiog priskirkite tai populiarumui. Daugiausiai paspaudžiamas dalykas ne visada yra pelningiausias ar patogiausias.
- Filtro burbulo kūrimas. Nuolatinis to paties produkto rodymas žudo atradimus ir pardavimus.
- Netikrinti šališkumo. Sistema gali sustiprinti praeities nelygybes; Būtinas reguliarus patikrinimas.
- Priverstinis pardavimas. Stumiant brangų modelį, kuris neturi naudos, prarasite pasitikėjimą.
Apibendrinant
Rekomendacijų sistemos padidina krepšelio vidurkį ir lojalumą, parodydamos klientui tinkamą prekę reikiamu momentu. Yra trys pagrindinės logikos: turinys pagrįstas (panašūs produktai), bendradarbiavimas (perkamas kartu) ir personalizavimas. Net mažose parduotuvėse dirbtinis intelektas gali generuoti kryžminio pardavimo ir grupavimo hipotezes iš užsakymų duomenų; Tačiau tai yra idėjos, kurias reikia išbandyti, o ne įrodymas. Rekomendacijų taisykles būtinai nustatykite pagal atsargas, maržą, atitiktį kategorijai ir įvairovę; Reguliariai tikrinkite filtro burbulą ir pakreipimo riziką. Automatinė rekomendacija sukuria vertę, kai laikomasi komercinės kontrolės.
Taikymo užduotis
Iš savo užsakymo duomenų (su anoniminiais produktų kodais) išskirkite 5 dažniausiai kartu perkamas produktų poras. Paprašykite AI pateikti kryžminio pardavimo hipotezes naudodami šabloną „Bendrai parduodamų produktų analizė“. Kiekvieną hipotezę paverskite teiginiu „jei-tada“ ir filtruokite pagal atsargas ir maržą. Parašykite 2 perspektyviausių hipotezių (kiek laiko, kokią metriką matuoti) testavimo planą. Galiausiai įvertinkite rekomendacijų taisykles dėl rizikos naudodami šabloną „Rekomendacijos taisyklės auditas“.
kontrolinis sąrašas
- [ ] Pasiūlymų idėjas traktavau kaip hipotezes, kurias reikia patikrinti, o ne kaip įrodymą.
- [ ] Išfiltravau kiekvieną pasiūlymą pagal atsargas ir paraštę.
- [ ] Be populiarumo, taip pat svarsčiau pelningumą ir tinkamumą.
- [ ] Naudodamas įvairovės taisyklę išvengiau filtro burbulo.
- [ ] Patikrinau, ar nėra šališkumo, ką rekomendacijos rodo kam.
- [ ] Daug žadančius pasiūlymus planavau išmatuoti tikru testu.