Добивки:
- Разбирање на логиката на моторот за препораки (купени заедно, слични производи, персонализација) и неговото влијание врз деловните метрики
- Способност да се конструираат односи со производи, пакети и сценарија за вкрстена продажба со поддршка за вештачка интелигенција и да се претворат во хипотези што може да се тестираат
- Способност да се видат ризиците од меурот на филтерот, пристрасноста и автоматската препорака со неутрални акции/маргина и да се поврзат правилата за препораки со комерцијалната контрола
Значителен дел од продажбата на големите страници за е-трговија доаѓа од производот препорачан на клиентот, а не од производот што тој го бара. Сите сте ги виделе блоковите „Оние што го купиле ова го купиле и ова“, „Нашите избори за вас“, „Поевтино заедно“. Системот зад овие блокови се нарекува мотор за препораки: тоа е софтвер кој произведува одговори на прашањето „Што треба да му покажам на оваа личност сега?“ со гледање на однесувањето на купувачот, односот на производите и општите модели. Вештачката интелигенција (ВИ) е корисна на ова поле на два начина: ви помага да генерирате сценарија и правила при конструирањето на логиката на препораките и ги анализира вашите сопствени односи со производите во малите продавници и доаѓа до идеи за пакети/вкрстена продажба. Но, внимавајте: добар систем за препораки треба да гледа не само на „колку кликања“, туку и на залихи, маржа и искуство на клиентите.
Да ги разјасниме двата поима. Вкрстена продажба е понуда на друг производ што го надополнува производот на купувачот (футрола за купувач на телефон). Up-sell нуди повисок/скап модел кој ја задоволува истата потреба (256 GB наместо 128 GB). И двата се легитимни начини за зголемување на просечната кошница (AOV); Но, тоа функционира кога е навистина корисно за клиентот, а вознемирува кога е принудено.
Три основни логики на системот за препораки
Системите за препораки обично користат еден или мешавина од три пристапи.
1) Заснована на содржина: ги разгледува сопствените карактеристики на производот. „Други патики за трчање слични на овие патики за трчање“. Работи дури и со нови клиенти бидејќи не бара историја на однесување.
2) Колаборативно филтрирање: го разгледува моделот на однесување. „Луѓето кои го купија овој производ го купија и ова. Тој е моќен, но бара многу податоци и страда од „ладен почеток“ (нов производ/нов клиент).
3) Персонализирање: ја приспособува изложбата на еден клиент врз основа на нивното минато однесување. Има моќен ефект, но носи ризик од приватност и „филтер меурчиња“.
Следната табела ги сумира блоковите за препораки и нивната намена:
блок
логика
Цел
пример
Слични производи
базирана на содржина
понуди алтернатива
Затворете ги моделите во истата категорија
земени заедно
колаборативен
вкрстена продажба
телефон + футрола + заштитник за екран
Нашите избори за вас
Персонализација
посветеност
Врз основа на минатото навигација
Омилени / бестселери
Популарност
Доверба + нов клиент
Бестселери во категоријата
каде што сте застанале
податоци за сесијата
пресврт
Последно прегледани производи
Препорака за поставување со вештачка интелигенција во мала продавница
Дури и малите и средни продавници кои не можат да воспостават мотор за корпоративни препораки можат интелигентно да ги структурираат односите со производите користејќи вештачка интелигенција. Можете анонимно да ги дадете вистинските податоци за „производите продадени заедно“ (артиклите за нарачка) на вештачката интелигенција и да ја анализирате „кои производи се купени заедно, кои пакети можам да ги препорачам?“ ВИ генерира хипотези за вкрстена продажба и здружување за вас; Ги филтрирате преку акции и маргина, а потоа всушност ги тестирате. Клучниот збор овде е хипотезата: предлогот на вештачката интелигенција не е доказ, туку идеја што треба да се тестира.
Совет: Претворете ја секоја идеја за препорака во хипотеза „ако-тогаш“: „Ако го препорачаме Y на некој што купува X, неговиот просек на кошница ќе се зголеми“. Потоа измерете го ова со мал експеримент (А/Б тест или временски период). Препорака без мерење е само претпоставка.
Комерцијална ревизија на правилата за препораки
Системот за препораки може да биде опасен ако се остави целосно автоматизиран „најкликнуван“. Залиха: ако препорачате производ што нема залиха ќе го разочара купувачот. Маржа: производот со најмногу кликови може да има најниска маржа; Системот може да ве насочи кон непрофитабилни производи. Безбедност и соодветност на брендот: ирелевантната или несоодветната препорака во чувствителните категории (бебе, здравје) ја губи довербата. Меур со филтер: постојаното прикажување на истиот тип на производ на купувачот го убива откривањето и ја намалува продажбата. Затоа автоматските препораки се нужно врамени со деловни правила: „препорачај што има на залиха“, „не го прикажувај производот чија маржа е под овој праг“, „одржувај ја усогласеноста на категоријата“.
Пристрасноста е исто така реален ризик. Бидејќи системот за препораки се заснова на однесување од минатото, тој може да ги зајакне нееднаквостите од минатото; На пример, постојано препорачување поевтини/понеквалитетни производи на одредена група. Ова е и етичко и комерцијално прашање. Потребна е редовна ревизија на резултатите од препораките со цел „што кому му се препорачува“.
Четири шаблони за копирање
1) Анализа на производи што се продаваат заедно:
Вашата улога: асистент на аналитичар за е-трговија. Подолу се дадени ставки за анонимни нарачки (шифри на артикли и број на пати земени заедно). Податоци: [табела]. Задача: најдете ги 10-те пара предмети кои најчесто се купуваат заедно; За секој пар, напишете хипотеза за вкрстена продажба („Понуда Y на купувачите X“). Забелешка: Ова се хипотези; Ќе ги проверам и акциите и маржата.
2) Препорака за пакет:
Производ: [главен производ]. Дополнителни производи: [листа, со белешки за маргините]. Задача: Предложете 3 разумни пакети; За секој пакет, објаснете му ја користа на купувачот во една реченица. Правило: сите производи во пакувањето мора да бидат на залиха; правејќи го производот со ниска маржа главното извлекување.
3) Најпродавано сценарио:
Клиентот гледа во: [производ, цена, карактеристики].Најдобри модели: [список, со разлики во цена/одлики].Задача: нацртајте искрена порака за надпродажба: колку да платите за која дополнителна корист. Правило: без претерување; Објаснете ја разликата преку конкретни карактеристики.
4) Проверка на правилата за предлози:
Проверете ги следните правила за препораки. Правила: [листа]. Задача: оценете го секое правило во однос на следните ризици: конзистентност на акциите, заштита на маргините, одговарање на категоријата, меур на филтер, пристрасност. Наведете ги ризичните правила и вашата препорака за корекција.
три мини футроли
Случај 1 - добивка од вкрстена продажба. Продавница за електроника ги анализирала податоците за нарачките со вештачка интелигенција и открила шема од „40% од оние кои купиле телефон, исто така, купиле футрола во рок од 30 дена“. Додаден е соодветен блок за препораки за куќиште на страницата на телефонот (филтрирање на оние на залиха). Просекот на кошницата мерливо се зголеми. АИ даде хипотеза, продавницата ја тестираше и потврди.
Случај 2 - Замка за маргина. Една продавница целосно ја напушти почетната страница на „најкликнуваните“ производи. Најмногу кликнувани производи беа производите на кампањата со најниски маржи, некои дури и продадени со загуба. Прометот се зголеми, но добивката падна. Решение: Филтерот „Имајте го производот чија маргина е под прагот на почетната страница“ е додаден во правилото за препораки.
Случај 3 - Меур со филтер. На сајтот за книги, бидејќи на купувачот постојано му се препорачуваше ист тип на книги, клиентот никогаш не откриваше нови жанрови и неговиот интерес се намалуваше со текот на времето. Кога правилото за различност „најмалку 20% од предлозите треба да бидат од различни категории“ беше додадено во правилото за предлози, откритието и продажбата беа обновени.
Слаб промпт / Силен промпт
Слаба навестување:
Што можам да препорачам со овој производ, дајте ми неколку идеи.
Моделот произведува генерички препораки, можеби без залиха, без да ги знае вашите вистински податоци и маржа.
Моќен потсетник:
Вашата улога: аналитичар за е-трговија. Главен производ: безжични слушалки (маржа 28%, на залиха). Дополнителни кандидати (со залиха/маржа): торбичка за носење (45%, на залиха), комплет слушалки (50%, на залиха), кабел за полнење (20%, на залиха). Напишете ја корисничката корист во една реченица за секој пакет.
Вообичаени грешки
- Грешка на предлогот за докази. Излезот на вештачката интелигенција е хипотезата; Тоа не станува одлука без да се тестира.
- Игнорирање на залихи и маржа. Автоматската препорака може да нагласи непрофитабилен или распродаден производ.
- Само припишете го на популарноста. Најмногу кликнато не е секогаш најпрофитабилно или најзгодно.
- Создавање меур за филтри. Постојаното прикажување на истиот производ го убива откривањето и продажбата.
- Не проверувајќи пристрасност. Системот може да ги зајакне нееднаквостите од минатото; Потребна е редовна проверка.
- Присилно надпродажба. Туркањето на скап модел кој нема никакви придобивки ќе предизвика губење на самодовербата.
Сумирано
Системите за препораки го зголемуваат просекот и лојалноста на кошницата со тоа што на купувачот му го покажуваат вистинскиот производ во вистинскиот момент. Постојат три основни логики: заснована на содржина (слични производи), соработка (купени заедно) и персонализација. Дури и во малите продавници, вештачката интелигенција може да генерира хипотези за вкрстена продажба и здружување од податоците за нарачките; Но, ова се идеи што треба да се тестираат, а не доказ. Внимавајте да поставите правила за препораки околу акциите, маргините, соодветните категории и разновидноста; Редовно проверувајте го меурот на филтерот и ризиците од пристрасност. Автоматската препорака создава вредност кога се придржува до комерцијалната контрола.
Задача за апликација
Извлечете ги 5-те парови производи кои најчесто се купуваат заедно од вашите сопствени податоци за нарачката (со анонимни кодови на производи). Побарајте вештачка интелигенција за хипотези за вкрстена продажба со шаблонот „Анализа на производи со ко-продадени“. Претворете ја секоја хипотеза во изјава „ако-тогаш“ и филтрирајте ја низ акциите и маргините. Напишете тест план за 2-те најперспективни хипотези (колку долго, која метрика да се измери). Конечно, проценете ги вашите правила за препораки за ризици со шаблонот „Ревизија на правила за препораки“.
листа за проверка
- [ ] Ги третирав идеите за сугестии како хипотези што треба да се тестираат, а не како доказ.
- [ ] Го филтрирав секој предлог преку акции и маржа.
- [ ] Покрај популарноста, размислував и за профитабилноста и соодветноста.
- [ ] Го избегнав меурот на филтерот со правилото за различност.
- [ ] Проверив за пристрасност што на кого покажуваат препораките.
- [ ] Планирав да ги измерам ветувачките предлози со вистински тест.