Ieguvumi:
- Izpratne par ieteikumu dzinēja loģiku (iegādāti kopā, līdzīgi produkti, personalizēšana) un tā ietekmi uz biznesa rādītājiem
- Spēja konstruēt produktu attiecības, iepakošanas un savstarpējās pārdošanas scenārijus ar mākslīgā intelekta atbalstu un pārvērst tos pārbaudāmās hipotēzēs
- Spēja redzēt filtru burbuļa, novirzes un akciju/maržas neitrālas automātiskas ieteikuma riskus un saistīt ieteikumu noteikumus ar komerciālo kontroli
Ievērojamu daļu no pārdošanas lielajās e-komercijas vietnēs nodrošina klientam ieteiktais produkts, nevis produkts, ko viņš meklē. Jūs visi esat redzējuši blokus "Tie, kas to nopirka, arī to nopirka", "Mūsu izvēle jums", "Kopā lētāk". Sistēma, kas atrodas aiz šiem blokiem, tiek saukta par ieteikumu dzinēju: tā ir programmatūra, kas rada atbildes uz jautājumu "Ko man tagad parādīt šai personai?" aplūkojot klienta uzvedību, produktu attiecības un vispārīgos modeļus. Mākslīgais intelekts (AI) šajā jomā ir noderīgs divos veidos: tas palīdz ģenerēt scenārijus un noteikumus, veidojot ieteikumu loģiku, kā arī analizē jūsu produktu attiecības mazos veikalos un nāk klajā ar iepakojuma/savstarpējās pārdošanas idejas. Taču esiet piesardzīgs: labai ieteikumu sistēmai ir jāņem vērā ne tikai “cik klikšķu”, bet arī krājumi, peļņa un klientu pieredze.
Precizēsim divus terminus. Šķērspārdošana ir cita produkta piedāvāšana pircējam, kas papildina preci (maciņš tālruņa pircējam). Up-sell piedāvā augstāku/dārgāku modeli, kas atbilst tām pašām vajadzībām (256 GB, nevis 128 GB). Abi ir likumīgi veidi, kā palielināt vidējo grozu (AOV); Bet tas darbojas, ja tas patiešām ir izdevīgi klientam, un tas traucē, ja tas ir piespiedu kārtā.
Trīs ieteikumu sistēmas pamatloģikas
Ieteikuma sistēmās parasti tiek izmantota viena vai trīs pieejas.
1) Pamatojoties uz saturu: tiek aplūkotas paša produkta funkcijas. "Citi skriešanas apavi, kas līdzīgi šim skriešanas apaviem". Tas pat darbojas ar jauniem klientiem, jo tam nav nepieciešama uzvedības vēsture.
2) Sadarbības filtrēšana: aplūko uzvedības modeli. "Cilvēki, kas iegādājās šo produktu, arī to iegādājās." Tas ir jaudīgs, bet prasa daudz datu un cieš no "aukstā palaišanas" (jauns produkts/jauns klients).
3) Personalizēšana: tā pielāgo vitrīnu vienam klientam, pamatojoties uz viņa iepriekšējo uzvedību. Tam ir spēcīgs efekts, taču tas rada privātuma un "filtra burbuļu" risku.
Šajā tabulā ir apkopoti ieteikumu bloki un to mērķis:
bloks
loģika
Mērķis
piemērs
Līdzīgi produkti
balstīta uz saturu
piedāvāt alternatīvu
Aizvērt modeļus tajā pašā kategorijā
ņemti kopā
sadarbības
savstarpēja pārdošana
telefons + maciņš + ekrāna aizsargs
Mūsu izvēle jums
Personalizēšana
saistības
Pamatojoties uz iepriekšējo navigāciju
Izlase / bestselleri
Popularitāte
Uzticība + jauns klients
Kategorijas bestselleri
kur jūs beidzāt
sesijas dati
apvērsums
Pēdējie apskatītie produkti
Ieteikuma iestatīšana ar AI nelielā veikalā
Pat mazi un vidēji veikali, kas nevar izveidot korporatīvo ieteikumu dzinēju, var gudri strukturēt produktu attiecības, izmantojot AI. Jūs varat anonīmi sniegt AI reālos "kopā pārdoto produktu" datus (pasūtīt preces) un likt tam analizēt "kuri produkti tiek iegādāti kopā, kādus iepakojumus es varu ieteikt?" AI ģenerē savstarpējās pārdošanas un komplektēšanas hipotēzes jūsu vietā; Jūs tos filtrējat, izmantojot krājumus un rezervi, un pēc tam tos faktiski pārbaudāt. Atslēgas vārds šeit ir hipotēze: AI ierosinājums nav pierādījums, bet gan ideja, kas jāpārbauda.
Padoms. Pārvērtiet katru ieteikuma ideju par “ja-tad” hipotēzi: “Ja mēs iesakām Y kādam, kurš pērk X, viņa groza vidējais rādītājs palielināsies.” Pēc tam izmēriet to ar nelielu eksperimentu (A/B testu vai laika periodu). Ieteikums bez mērījuma ir tikai minējums.
Ieteikumu noteikumu komercaudits
Ieteikumu sistēma var būt bīstama, ja to atstāj pilnībā automatizētā “visvairāk noklikšķinātā”. Krājums: ja ieteiksiet preci, kurai nav noliktavā, klients būs vilties. Marža: produktam ar visvairāk klikšķu var būt zemākā rezerve; Sistēma var novirzīt jūs uz nerentabliem produktiem. Zīmola drošība un piemērotība: neatbilstošs vai nepiemērots ieteikums sensitīvās kategorijās (mazuļi, veselība) zaudē uzticību. Filtra burbulis: pastāvīgi rādot klientam viena un tā paša veida produktu, tiek novērsta atklāšana un tiek samazināts pārdošanas apjoms. Tāpēc automātiskos ieteikumus noteikti nosaka uzņēmējdarbības noteikumi: "iesakiet, kas ir noliktavā", "neizmantojiet produktu, kura rezerve ir zem šī sliekšņa", "saglabājiet atbilstību kategorijām".
Neobjektivitāte ir arī reāls risks. Tā kā ieteikumu sistēma ir balstīta uz pagātnes uzvedību, tā var pastiprināt pagātnes nevienlīdzību; Piemēram, pastāvīgi iesakot kādai grupai lētākas/zemākas kvalitātes preces. Tas ir gan ētisks, gan komerciāls jautājums. Ir nepieciešams regulāri auditēt ieteikumu rezultātus, lai noskaidrotu, "kas kam tiek ieteikts".
Četras kopējamas veidnes
1) Kopā pārdoto produktu analīze:
Jūsu loma: e-komercijas analītiķa palīgs. Zemāk ir anonīmas pasūtījuma preces (preces kodi un reižu skaits kopā). Dati: [tabula]. Uzdevums: atrast 10 pārus preču, kuras visbiežāk pērk kopā; Katram pārim uzrakstiet savstarpējās pārdošanas hipotēzi (“Piedāvājums Y pircējiem X”). Piezīme: tās ir hipotēzes; Es arī pārbaudīšu krājumus un rezervi.
2) Pakas ieteikums:
Produkts: [galvenais produkts]. Papildu produkti: [saraksts, ar piezīmēm]. Uzdevums: Ieteikt 3 saprātīgus iepakojumus; Par katru iepakojumu vienā teikumā izskaidrojiet klientam ieguvumu. Noteikums: visiem iepakojumā esošajiem produktiem jābūt noliktavā; padarot produktu ar zemu peļņu par galveno mērķi.
3) Visvairāk pārdotais scenārijs:
Klients skatās: [produkts, cena, funkcijas].Uzaugstinātas klases modeļi: [saraksts, ar cenu/funkciju atšķirībām].Uzdevums: uzrakstīt godīgu papildu pārdošanas ziņojumu: cik jāmaksā par kādu papildu labumu.Noteikums: bez pārspīlējumiem; Izskaidrojiet atšķirību, izmantojot konkrētas iezīmes.
4) Ieteikuma noteikumu pārbaude:
Pārbaudiet šādus ieteikumu noteikumus.Noteikumi: [saraksts].Uzdevums: novērtējiet katru noteikumu pret šādiem riskiem: krājumu konsekvence, maržas aizsardzība, atbilstība kategorijai, filtra burbulis, neobjektivitāte.Uzskaitiet riskantos noteikumus un ieteikumus labošanai.
trīs mini futrāļi
1. gadījums — savstarpējās pārdošanas peļņa. Elektronikas veikals analizēja pasūtījumu datus, izmantojot AI, un atklāja modeli "40% no tiem, kas iegādājās tālruni, arī iegādājās futrāli 30 dienu laikā". Tālruņa lapai pievienots piemērots gadījuma ieteikumu bloks (filtrējot noliktavā esošos). Groza vidējais rādītājs pieauga izmērāmi. AI izvirzīja hipotēzi, veikals to pārbaudīja un pārbaudīja.
2. gadījums — rezerves slazds. Viens veikals pilnībā pameta sākumlapu, lai atrastu produktus, uz kuriem tika noklikšķināts visvairāk. Visvairāk klikšķinātie produkti bija kampaņas produkti ar viszemāko peļņu, daži pat pārdoti ar zaudējumiem. Apgrozījums pieauga, bet peļņa kritās. Risinājums: Ieteikuma kārtulai ir pievienots filtrs "Iezīmējiet produktu, kura rezerve ir zem sliekšņa sākumlapā".
3. gadījums — filtra burbulis. Grāmatu vietnē, tā kā klientam pastāvīgi tika ieteikts viena veida grāmatas, klients nekad neatklāja jaunus žanrus un laika gaitā viņa interese samazinājās. Kad ieteikumu kārtulai tika pievienots dažādības noteikums "vismaz 20% ieteikumu jābūt no dažādām kategorijām", atklājumi un pārdošana tika atgūti.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Ko es varu ieteikt ar šo produktu, dodiet man dažas idejas.
Modelis sniedz vispārīgus ieteikumus, kas, iespējams, nav pieejami, nezinot jūsu faktiskos datus un rezervi.
Spēcīga uzvedne:
Jūsu loma: e-komercijas analītiķis. Galvenais produkts: bezvadu austiņas (marža 28%, noliktavā). Papildu kandidāti (ar krājumu/robežu): somiņa (45%, ir noliktavā), austiņu komplekts (50%, ir noliktavā), uzlādes kabelis (20%, ir noliktavā). Uzdevums: piedāvāt 2 savstarpējās pārdošanas iepakojumus tikai ar noliktavā un ar rezervi virs 30%; Uzrakstiet klienta ieguvumu vienā teikumā par katru iepakojumu.
Biežas kļūdas
- Kļūdains ierosinājums par pierādījumiem. AI rezultāts ir hipotēze; Tas nekļūst par lēmumu bez pārbaudes.
- Inventāra un rezerves ignorēšana. Automātiskā ieteikšana var izcelt nerentablu vai izpārdotu produktu.
- Vienkārši attieciniet to uz popularitāti. Visvairāk noklikšķinātais ne vienmēr ir visrentablākais vai ērtākais.
- Filtra burbuļa izveidošana. Pastāvīga viena un tā paša produkta rādīšana nogalina atklāšanu un pārdošanu.
- Nepārbauda neobjektivitāti. Sistēma var pastiprināt pagātnes nevienlīdzību; Nepieciešama regulāra pārbaude.
- Piespiedu tālākpārdošana. Spiežot dārgu modeli, kuram nav nekādu priekšrocību, jūs zaudēsiet uzticību.
Rezumējot
Ieteikumu sistēmas palielina groza vidējo vērtību un lojalitāti, parādot klientam īsto preci īstajā brīdī. Ir trīs pamata loģikas: uz saturu balstīta (līdzīgi produkti), sadarbība (iegādāta kopā) un personalizācija. Pat mazos veikalos AI var ģenerēt savstarpējās pārdošanas un komplektēšanas hipotēzes no pasūtījumu datiem; Bet tās ir pārbaudāmas idejas, nevis pierādījumi. Noteikti izveidojiet ieteikumu noteikumus saistībā ar krājumu, rezervi, piemērotību kategorijām un dažādību; Regulāri pārbaudiet filtra burbuli un novirzes risku. Automātiskā ieteikšana rada vērtību, ja tiek ievērota komerciālā kontrole.
Lietojumprogrammas uzdevums
Izņemiet no saviem pasūtījuma datiem (ar anonīmiem produktu kodiem) 5 produktu pārus, kas visbiežāk iegādāti kopā. Jautājiet AI par savstarpējās pārdošanas hipotēzēm, izmantojot veidni “Koppārdoto produktu analīze”. Pārvērtiet katru hipotēzi paziņojumā “ja-tad” un filtrējiet to, izmantojot krājumus un rezervi. Uzrakstiet testa plānu 2 daudzsološākajām hipotēzēm (cik ilgi, kādu metriku mērīt). Visbeidzot, novērtējiet ieteikumu noteikumus par riskiem, izmantojot veidni “Ieteikuma kārtulas audits”.
kontrolsaraksts
- [ ] Es uztvēru ieteikumu idejas kā pārbaudāmās hipotēzes, nevis kā pierādījumus.
- [ ] Es filtrēju katru ieteikumu, izmantojot krājumus un rezervi.
- [ ] Bez popularitātes es apsvēru arī rentabilitāti un piemērotību.
- [ ] Es izvairījos no filtra burbuļa, izmantojot dažādības noteikumu.
- [ ] Es pārbaudīju neobjektivitāti, ko ieteikumi parāda, kam.
- [ ] Daudzsološos ieteikumus plānoju izmērīt ar reālu testu.