नफा:
- शिफारस इंजिनचे तर्क समजून घेणे (एकत्र विकत घेतलेली, समान उत्पादने, वैयक्तिकरण) आणि त्याचा व्यवसाय मेट्रिक्सवर होणारा परिणाम
- कृत्रिम बुद्धिमत्ता समर्थनासह उत्पादन संबंध, पॅकेज आणि क्रॉस-सेलिंग परिस्थिती तयार करण्याची आणि त्यांना चाचणी करण्यायोग्य गृहितकांमध्ये बदलण्याची क्षमता
- फिल्टर बबल, बायस आणि स्टॉक/मार्जिन-न्यूट्रल स्वयंचलित शिफारस आणि व्यावसायिक नियंत्रणाशी लिंक शिफारस नियमांचे धोके पाहण्याची क्षमता
मोठ्या ई-कॉमर्स साइट्सवरील विक्रीचा महत्त्वपूर्ण भाग ग्राहकाला शिफारस केलेल्या उत्पादनातून येतो, तो शोधत असलेल्या उत्पादनातून नाही. तुम्ही सर्वांनी "ज्यांनी हे विकत घेतले त्यांनी हे देखील विकत घेतले", "तुमच्यासाठी आमच्या निवडी", "एकत्र स्वस्त" हे ब्लॉक पाहिले आहेत. या ब्लॉक्समागील सिस्टमला शिफारस इंजिन म्हणतात: हे सॉफ्टवेअर आहे जे "आता या व्यक्तीला काय दाखवावे?" या प्रश्नाची उत्तरे तयार करते. ग्राहकाचे वर्तन, उत्पादनांचे संबंध आणि सामान्य नमुने पाहून. आर्टिफिशियल इंटेलिजन्स (AI) या क्षेत्रात दोन प्रकारे उपयुक्त आहे: शिफारस तर्क तयार करताना ते तुम्हाला परिस्थिती आणि नियम तयार करण्यात मदत करते आणि ते लहान स्टोअरमध्ये तुमच्या स्वतःच्या उत्पादन संबंधांचे विश्लेषण करते आणि पॅकेज/क्रॉस-सेलिंग कल्पनांसह येते. पण सावधगिरी बाळगा: चांगल्या शिफारस प्रणालीला फक्त "किती क्लिक्स" वरच नाही तर इन्व्हेंटरी, मार्जिन आणि ग्राहक अनुभवावर देखील लक्ष द्यावे लागते.
चला दोन अटी स्पष्ट करूया. क्रॉस-सेलिंग हे दुसरे उत्पादन ऑफर करत आहे जे खरेदीदारासाठी उत्पादनास पूरक असेल (फोन खरेदीदारासाठी एक केस). अप-सेल एक उच्च/महागडे मॉडेल ऑफर करत आहे जे समान गरज पूर्ण करते (128 GB ऐवजी 256 GB). सरासरी बास्केट (AOV) वाढवण्याचे दोन्ही कायदेशीर मार्ग आहेत; पण जेव्हा ते खऱ्या अर्थाने ग्राहकाला फायदेशीर ठरते तेव्हा ते कार्य करते आणि जबरदस्ती केल्यावर त्रास देते.
शिफारस प्रणालीचे तीन मूलभूत तर्क
शिफारस प्रणाली सामान्यतः एक किंवा तीन पद्धतींचे मिश्रण वापरतात.
1) सामग्री-आधारित: ते उत्पादनाची स्वतःची वैशिष्ट्ये पाहते. "या रनिंग शूसारखे इतर रनिंग शूज". हे नवीन क्लायंटसह देखील कार्य करते कारण त्यास वर्तनात्मक इतिहासाची आवश्यकता नसते.
2) सहयोगी फिल्टरिंग: वर्तन नमुना पाहतो. "ज्या लोकांनी हे उत्पादन विकत घेतले त्यांनी देखील हे विकत घेतले." हे शक्तिशाली आहे, परंतु भरपूर डेटा आवश्यक आहे आणि "कोल्ड स्टार्ट" (नवीन उत्पादन/नवीन ग्राहक) पासून ग्रस्त आहे.
3) वैयक्तिकरण: हे एकाच ग्राहकाला त्यांच्या मागील वर्तनावर आधारित शोकेस तयार करते. याचा शक्तिशाली प्रभाव आहे परंतु गोपनीयतेचा आणि "फिल्टर बबल" चा धोका आहे.
खालील सारणी शिफारस ब्लॉक्स आणि त्यांचा उद्देश सारांशित करते:
ब्लॉक
तर्कशास्त्र
उद्देश
उदाहरण
तत्सम उत्पादने
सामग्री आधारित
पर्यायी ऑफर करा
समान श्रेणीतील मॉडेल बंद करा
एकत्र घेतले
सहयोगी
क्रॉस सेलिंग
फोन + केस + स्क्रीन प्रोटेक्टर
तुमच्यासाठी आमची निवड
वैयक्तिकरण
वचनबद्धता
मागील नेव्हिगेशनवर आधारित
आवडते / बेस्टसेलर
लोकप्रियता
विश्वास + नवीन ग्राहक
श्रेणीतील बेस्टसेलर
जिथे तुम्ही सोडले होते
सत्र डेटा
उलट
अंतिम पाहिलेली उत्पादने
एका लहान स्टोअरमध्ये AI सह शिफारस सेटअप
कॉर्पोरेट शिफारस इंजिन स्थापित करू शकत नसलेली लहान आणि मध्यम स्टोअर्स देखील AI वापरून हुशारीने उत्पादन संबंधांची रचना करू शकतात. तुम्ही निनावीपणे AI ला खरा "उत्पादने एकत्र विकला" डेटा (ऑर्डर आयटम) देऊ शकता आणि "कोणती उत्पादने एकत्र खरेदी केली आहेत, मी कोणत्या पॅकेजेसची शिफारस करू शकतो?" AI तुमच्यासाठी क्रॉस-सेलिंग आणि बंडलिंग गृहीतके व्युत्पन्न करते; तुम्ही त्यांना स्टॉक आणि मार्जिनद्वारे फिल्टर करता आणि नंतर तुम्ही त्यांची प्रत्यक्षात चाचणी करता. येथे मुख्य शब्द गृहीतक आहे: AI ची सूचना पुरावा नाही, परंतु चाचणी केली जाणारी कल्पना आहे.
टीप: प्रत्येक शिफारस कल्पनेला "जर-तर" गृहीतकात रूपांतरित करा: "आम्ही X खरेदी करणाऱ्या एखाद्याला Y शिफारस केल्यास, त्यांची बास्केट सरासरी वाढेल." नंतर एका लहान प्रयोगाने (A/B चाचणी किंवा कालावधी) हे मोजमाप करा. मोजमाप न करता शिफारस फक्त एक अंदाज आहे.
शिफारस नियमांचे व्यावसायिक ऑडिट
शिफारस प्रणाली पूर्णपणे स्वयंचलित "सर्वाधिक क्लिक" वर सोडल्यास धोकादायक असू शकते. स्टॉक: स्टॉक नसलेल्या उत्पादनाची शिफारस केल्याने ग्राहक निराश होईल. मार्जिन: सर्वाधिक क्लिक असलेल्या उत्पादनात सर्वात कमी मार्जिन असू शकते; सिस्टीम तुम्हाला नफा नसलेल्या उत्पादनांकडे निर्देशित करू शकते. ब्रँड सुरक्षितता आणि उपयुक्तता: संवेदनशील श्रेणींमध्ये (बाळ, आरोग्य) अप्रासंगिक किंवा अयोग्य शिफारस विश्वास गमावते. फिल्टर बबल: ग्राहकाला सतत एकाच प्रकारचे उत्पादन दाखवल्याने शोध नष्ट होतो आणि विक्री कमी होते. म्हणूनच स्वयंचलित शिफारशी व्यवसाय नियमांनुसार तयार केल्या जातात: "स्टॉकमध्ये काय आहे याची शिफारस करा", "ज्या उत्पादनाचे मार्जिन या थ्रेशोल्डच्या खाली असेल ते वैशिष्ट्यीकृत करू नका", "श्रेणी अनुपालन राखून ठेवा".
पूर्वाग्रह देखील एक वास्तविक धोका आहे. कारण शिफारस प्रणाली भूतकाळातील वर्तनावर आधारित आहे, ती भूतकाळातील असमानता मजबूत करू शकते; उदाहरणार्थ, एखाद्या विशिष्ट गटाला सतत स्वस्त/कमी दर्जाच्या उत्पादनांची शिफारस करणे. ही एक नैतिक आणि व्यावसायिक समस्या आहे. "कोणाला काय शिफारस केली जात आहे" या दृष्टीकोनातून शिफारशीच्या आउटपुटचे नियमितपणे ऑडिट करणे आवश्यक आहे.
चार कॉपी करण्यायोग्य टेम्पलेट्स
1) एकत्रितपणे विकल्या जाणाऱ्या उत्पादनांचे विश्लेषण:
तुमची भूमिका: ई-कॉमर्स विश्लेषक सहाय्यक. खाली निनावी ऑर्डर आयटम आहेत (आयटम कोड आणि एकत्र घेतलेल्या वेळा). डेटा: [टेबल]. कार्य: वारंवार एकत्र खरेदी केलेल्या वस्तूंच्या 10 जोड्या शोधा; प्रत्येक जोडीसाठी, क्रॉस-सेलिंग गृहीतक लिहा (“खरेदीदारांना X ऑफर करा”). टीप: ही गृहितके आहेत; मी स्टॉक आणि मार्जिन देखील तपासेन.
२) बंडल शिफारस:
उत्पादन: [मुख्य उत्पादन]. पूरक उत्पादने: [सूची, मार्जिन नोट्ससह].कार्य: 3 समजूतदार पॅकेज सुचवा; प्रत्येक पॅकेजसाठी, एका वाक्यात ग्राहकाला फायदा समजावून सांगा. नियम: पॅकेजमधील सर्व उत्पादने स्टॉकमध्ये असणे आवश्यक आहे; कमी मार्जिन उत्पादनाला मुख्य ड्रॉ बनवणे.
3) सर्वाधिक विक्री होणारी परिस्थिती:
ग्राहक पहात आहे: [उत्पादन, किंमत, वैशिष्ट्ये].अपस्केल मॉडेल: [किंमत/वैशिष्ट्यांमधील फरकांसह सूची].कार्य: एक प्रामाणिक अपसेल संदेश तयार करा: कोणत्या अतिरिक्त फायद्यासाठी किती पैसे द्यावे लागतील. नियम: अतिशयोक्ती नाही; ठोस वैशिष्ट्यांद्वारे फरक स्पष्ट करा.
4) सूचना नियम तपासा:
खालील शिफारसी नियम तपासा.नियम: [सूची].कार्य: खालील जोखमींविरूद्ध प्रत्येक नियमाचे मूल्यमापन करा: स्टॉक सातत्य, मार्जिन संरक्षण, श्रेणी फिट, फिल्टर बबल, पूर्वाग्रह. धोकादायक नियमांची यादी करा आणि दुरुस्तीसाठी तुमच्या शिफारसी.
तीन लहान प्रकरणे
केस 1 - क्रॉस-सेलिंग नफा. एका इलेक्ट्रॉनिक्स स्टोअरने AI सह ऑर्डर डेटाचे विश्लेषण केले आणि "ज्यांनी फोन विकत घेतला त्यापैकी 40% लोकांनी देखील 30 दिवसांच्या आत केस विकत घेतले" असा नमुना आढळला. फोन पृष्ठावर एक योग्य केस शिफारस ब्लॉक जोडला (स्टॉकमध्ये असलेल्यांना फिल्टर करणे). बास्केट सरासरी मोजमाप वाढली. AI ने एक गृहितक दिले, स्टोअरने त्याची चाचणी केली आणि सत्यापित केली.
केस 2 - मार्जिन ट्रॅप. एका स्टोअरने "सर्वाधिक क्लिक केलेल्या" उत्पादनांसाठी मुख्यपृष्ठ पूर्णपणे सोडून दिले. सर्वाधिक क्लिक केलेली उत्पादने ही सर्वात कमी मार्जिन असलेली मोहीम उत्पादने होती, काही अगदी तोट्यात विकली गेली. उलाढाल वाढली पण नफा घसरला. उपाय: "मुख्यपृष्ठावर ज्या उत्पादनाचे मार्जिन थ्रेशोल्डच्या खाली आहे ते वैशिष्ट्यीकृत करा" फिल्टर शिफारस नियमात जोडले गेले आहे.
केस 3 - फिल्टर बबल. पुस्तकाच्या साइटवर, ग्राहकाला सतत एकाच प्रकारच्या पुस्तकाची शिफारस केली जात असल्यामुळे, ग्राहकाने कधीही नवीन शैली शोधल्या नाहीत आणि कालांतराने त्याची आवड कमी होत गेली. जेव्हा सूचना नियमामध्ये "किमान 20% सूचना वेगवेगळ्या श्रेणीतील असाव्यात" हा विविधता नियम जोडला गेला तेव्हा शोध आणि विक्री पुनर्प्राप्त झाली.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत प्रॉम्प्ट:
मी या उत्पादनासह काय शिफारस करू शकतो, मला काही कल्पना द्या.
तुमचा वास्तविक डेटा आणि मार्जिन जाणून घेतल्याशिवाय मॉडेल जेनेरिक, कदाचित आउट-ऑफ-स्टॉक शिफारसी तयार करते.
शक्तिशाली सूचना:
तुमची भूमिका: ई-कॉमर्स विश्लेषक. मुख्य उत्पादन: वायरलेस हेडसेट (मार्जिन 28%, स्टॉकमध्ये). पूरक उमेदवार (स्टॉक/मार्जिनसह): कॅरींग केस (45%, स्टॉकमध्ये), इअरबड्सचा सेट (50%, स्टॉकमध्ये), चार्जिंग केबल (20%, स्टॉकमध्ये). टास्क: फक्त स्टॉकमध्ये आणि 30% पेक्षा जास्त मार्जिनसह 2 क्रॉस-सेलिंग पॅकेज प्रस्तावित करा; प्रत्येक पॅकेजसाठी ग्राहक लाभ एका वाक्यात लिहा.
सामान्य चुका
- पुराव्यासाठी सूचना चुकणे. AI चे आउटपुट हे गृहीतक आहे; चाचणी घेतल्याशिवाय निर्णय होत नाही.
- इन्व्हेंटरी आणि मार्जिनकडे दुर्लक्ष करणे. स्वयंचलित शिफारस अलाभ न होणारे किंवा विकले गेलेले उत्पादन हायलाइट करू शकते.
- त्याचे श्रेय फक्त लोकप्रियतेला द्या. सर्वाधिक क्लिक केलेले नेहमीच सर्वात फायदेशीर किंवा सर्वात सोयीस्कर नसते.
- फिल्टर बबल तयार करणे. तेच उत्पादन सतत दाखवल्याने शोध आणि विक्री नष्ट होते.
- पक्षपात तपासत नाही. प्रणाली मागील असमानता मजबूत करू शकते; नियमित तपासणी आवश्यक आहे.
- जबरदस्तीने विक्री. कोणतेही फायदे नसलेले महागडे मॉडेल पुढे ढकलल्याने तुमचा आत्मविश्वास कमी होईल.
सारांशात
शिफारस प्रणाली ग्राहकांना योग्य क्षणी योग्य उत्पादन दाखवून बास्केट सरासरी आणि निष्ठा वाढवते. तीन मूलभूत तर्कशास्त्र आहेत: सामग्री-आधारित (समान उत्पादने), सहयोगी (एकत्र खरेदी केलेले), आणि वैयक्तिकरण. अगदी लहान स्टोअरमध्ये, AI ऑर्डर डेटामधून क्रॉस-सेलिंग आणि बंडलिंग गृहीतके निर्माण करू शकते; पण या कल्पना तपासल्या जाव्यात, पुरावा नाही. स्टॉक, मार्जिन, श्रेणी फिट आणि विविधतेच्या आसपास शिफारसी नियम तयार करण्याचे सुनिश्चित करा; फिल्टर बबल आणि बायस जोखीम नियमितपणे तपासा. व्यावसायिक नियंत्रणाचे पालन केल्यावर स्वयंचलित शिफारस मूल्य निर्माण करते.
अर्ज कार्य
तुमच्या स्वत:च्या ऑर्डर डेटामधून (निनावी उत्पादन कोडसह) सर्वाधिक वारंवार खरेदी केलेल्या 5 उत्पादन जोड्या काढा. AI ला “सह-विक्री उत्पादन विश्लेषण” टेम्पलेटसह क्रॉस-सेलिंग गृहीतकांसाठी विचारा. प्रत्येक गृहीतकाला "जर-तर" विधानात रूपांतरित करा आणि स्टॉक आणि मार्जिनद्वारे ते फिल्टर करा. 2 सर्वात आशादायक गृहितकांसाठी चाचणी योजना लिहा (किती वेळ, कोणते मेट्रिक मोजायचे आहे). शेवटी, "शिफारस नियम ऑडिट" टेम्प्लेटसह जोखमीसाठी तुमच्या शिफारसी नियमांचे मूल्यांकन करा.
चेकलिस्ट
- [ ] मी सल्ल्याच्या कल्पनांना पुरावा म्हणून नव्हे तर चाचणी करण्यासाठी गृहीतके मानले.
- मी प्रत्येक सूचना स्टॉक आणि मार्जिनद्वारे फिल्टर केली.
- [] लोकप्रियतेबरोबरच, मी नफा आणि अनुकूलता देखील विचारात घेतली.
- मी विविधता नियमासह फिल्टर बबल टाळला.
- [ ] शिफारसी कोणाला दाखवतात ते मी पूर्वाग्रह तपासले.
- [ ] मी आशादायक सूचना प्रत्यक्ष चाचणीने मोजण्याची योजना आखली.