Keuntungan:
- Memahami logik enjin pengesyoran (dibeli bersama, produk serupa, pemperibadian) dan kesannya terhadap metrik perniagaan
- Keupayaan untuk membina hubungan produk, pakej dan senario jualan silang dengan sokongan kecerdasan buatan dan mengubahnya menjadi hipotesis yang boleh diuji
- Keupayaan untuk melihat risiko gelembung penapis, berat sebelah dan cadangan automatik neutral-margin dan peraturan pengesyoran pautan kepada kawalan komersial
Sebahagian besar jualan di tapak e-dagang besar datang daripada produk yang disyorkan kepada pelanggan, bukan produk yang dia cari. Anda semua telah melihat blok "Mereka yang membeli ini juga membeli ini", "Pilihan kami untuk anda", "Lebih murah bersama-sama". Sistem di sebalik blok ini dipanggil enjin cadangan: ia adalah perisian yang menghasilkan jawapan kepada soalan "Apakah yang perlu saya tunjukkan kepada orang ini sekarang?" dengan melihat tingkah laku pelanggan, hubungan produk dan corak umum. Kecerdasan buatan (AI) berguna dalam bidang ini dalam dua cara: ia membantu anda menjana senario dan peraturan semasa membina logik pengesyoran, dan ia menganalisis perhubungan produk anda sendiri di kedai kecil dan menghasilkan idea pakej/jualan silang. Tetapi berhati-hati: sistem pengesyoran yang baik perlu melihat bukan sahaja pada "berapa banyak klik" tetapi juga pada inventori, margin dan pengalaman pelanggan.
Mari kita jelaskan dua istilah. Penjualan silang menawarkan produk lain yang melengkapkan produk kepada pembeli (sarung untuk pembeli telefon). Up-sell menawarkan model yang lebih tinggi/mahal yang memenuhi keperluan yang sama (256 GB bukannya 128 GB). Kedua-duanya adalah cara yang sah untuk meningkatkan bakul purata (AOV); Tetapi ia berfungsi apabila ia benar-benar bermanfaat kepada pelanggan, dan ia mengganggu apabila ia dipaksa.
Tiga logik asas sistem pengesyoran
Sistem pengesyor biasanya menggunakan satu atau gabungan tiga pendekatan.
1) Berasaskan kandungan: Ia melihat ciri-ciri produk itu sendiri. "Kasut lari lain yang serupa dengan kasut lari ni". Ia juga berfungsi dengan pelanggan baharu kerana ia tidak memerlukan sejarah tingkah laku.
2) Penapisan kolaboratif: Melihat corak tingkah laku. "Orang yang membeli produk ini juga membeli ini." Ia berkuasa, tetapi memerlukan banyak data dan mengalami "permulaan dingin" (produk baharu/pelanggan baharu).
3) Pemperibadian: Ia menyesuaikan pameran kepada pelanggan tunggal berdasarkan tingkah laku masa lalu mereka. Ia mempunyai kesan yang kuat tetapi membawa risiko privasi dan "buih penapis".
Jadual berikut meringkaskan blok cadangan dan tujuannya:
blok
logik
Tujuan
contoh
Produk yang serupa
berasaskan kandungan
menawarkan alternatif
Tutup model dalam kategori yang sama
diambil bersama
kolaboratif
jualan silang
telefon + sarung + pelindung skrin
Pilihan kami untuk anda
Pemperibadian
komitmen
Berdasarkan navigasi lalu
Kegemaran / terlaris
Populariti
Amanah + pelanggan baharu
Terlaris dalam kategori
tempat anda berhenti
data sesi
pembalikan
Produk dilihat terakhir
Persediaan pengesyoran dengan AI di kedai kecil
Malah kedai kecil dan sederhana yang tidak dapat mewujudkan enjin pengesyoran korporat boleh menyusun perhubungan produk dengan bijak menggunakan AI. Anda secara awanama boleh memberikan data sebenar "produk yang dijual bersama" (pesanan item) kepada AI dan memintanya menganalisis "produk yang dibeli bersama, pakej yang manakah boleh saya cadangkan?" AI menjana jualan silang dan hipotesis penggabungan untuk anda; Anda menapisnya melalui stok dan margin, dan kemudian anda benar-benar mengujinya. Kata kunci di sini ialah hipotesis: cadangan AI bukanlah bukti, tetapi idea untuk diuji.
Petua: Tukar setiap idea pengesyoran menjadi hipotesis "jika-maka": "Jika kami mengesyorkan Y kepada seseorang yang membeli X, purata bakul mereka akan meningkat." Kemudian ukur ini dengan percubaan kecil (ujian A/B atau tempoh masa). Syor tanpa ukuran hanyalah tekaan.
Audit komersial peraturan pengesyoran
Sistem pengesyoran boleh berbahaya jika dibiarkan sepenuhnya automatik "paling diklik". Stok: mengesyorkan produk yang kehabisan stok akan mengecewakan pelanggan. Margin: produk dengan klik terbanyak mungkin mempunyai margin terendah; Sistem ini mungkin mengarahkan anda kepada produk yang tidak menguntungkan. Keselamatan dan kesesuaian jenama: pengesyoran yang tidak relevan atau tidak sesuai dalam kategori sensitif (bayi, kesihatan) hilang kepercayaan. Gelembung penapis: sentiasa menunjukkan kepada pelanggan jenis produk yang sama membunuh penemuan dan mengecilkan jualan. Itulah sebabnya pengesyoran automatik semestinya dirangka oleh peraturan perniagaan: "syorkan apa yang ada dalam stok", "jangan tampilkan produk yang marginnya di bawah ambang ini", "kekalkan pematuhan kategori".
Bias juga merupakan risiko sebenar. Oleh kerana sistem pengesyoran adalah berdasarkan tingkah laku masa lalu, ia boleh mengukuhkan ketidaksamaan masa lalu; Contohnya, sentiasa mengesyorkan produk yang lebih murah/berkualiti rendah kepada kumpulan tertentu. Ini adalah isu etika dan komersial. Adalah perlu untuk mengaudit output pengesyoran secara berkala dengan tujuan "apa yang disyorkan kepada siapa".
Empat templat yang boleh disalin
1) Analisis produk yang dijual bersama:
Peranan anda: pembantu penganalisis e-dagang. Di bawah ialah item pesanan tanpa nama (kod item dan bilangan kali diambil bersama). Data: [jadual]. Tugas: cari 10 pasang barang yang paling kerap dibeli bersama; Untuk setiap pasangan, tulis hipotesis jualan silang (“Tawaran Y kepada pembeli X”). Nota: Ini adalah hipotesis; Saya juga akan menyemak stok dan margin.
2) Cadangan himpunan:
Produk: [produk utama]. Produk pelengkap: [senarai, dengan nota margin].Tugas: Cadangkan 3 pakej yang munasabah; Untuk setiap pakej, terangkan manfaat kepada pelanggan dalam satu ayat. Peraturan: semua produk dalam pakej mesti ada dalam stok; menjadikan produk margin rendah sebagai cabutan utama.
3) Senario terlaris:
Pelanggan sedang melihat: [produk, harga, ciri].Model kelas atas: [senarai, dengan perbezaan harga/ciri].Tugas: draf mesej jualan tinggi yang jujur: berapa banyak yang perlu dibayar untuk faedah tambahan yang mana.Peraturan: tidak keterlaluan; Terangkan perbezaan melalui ciri konkrit.
4) Semakan peraturan cadangan:
Semak peraturan pengesyoran berikut.Peraturan: [senarai].Tugas: menilai setiap peraturan terhadap risiko berikut: ketekalan stok, perlindungan margin, kesesuaian kategori, gelembung penapis, berat sebelah.Senaraikan peraturan berisiko dan pengesyoran anda untuk pembetulan.
tiga kes mini
Kes 1 — Keuntungan jualan silang. Sebuah kedai elektronik menganalisis data pesanan dengan AI dan mendapati corak "40% daripada mereka yang membeli telefon turut membeli sarung dalam masa 30 hari." Menambahkan blok pengesyoran kes yang sesuai pada halaman telefon (menapis yang ada dalam stok). Purata bakul meningkat dengan ketara. AI memberikan hipotesis, kedai menguji dan mengesahkannya.
Kes 2 — Perangkap margin. Satu kedai meninggalkan halaman utama sepenuhnya kepada produk "yang paling banyak diklik". Produk yang paling banyak diklik ialah produk kempen dengan margin terendah, malah ada yang dijual dengan rugi. Jumlah dagangan meningkat tetapi keuntungan jatuh. Penyelesaian: Penapis "Tampilkan produk yang marginnya di bawah ambang pada halaman utama" telah ditambahkan pada peraturan pengesyoran.
Kes 3 — Gelembung penapis. Di tapak buku, kerana pelanggan sentiasa mengesyorkan jenis buku yang sama, pelanggan tidak pernah menemui genre baharu dan minatnya berkurangan dari semasa ke semasa. Apabila peraturan kepelbagaian "sekurang-kurangnya 20% daripada cadangan hendaklah daripada kategori berbeza" telah ditambahkan pada peraturan cadangan, penemuan dan jualan dipulihkan.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Apa yang boleh saya cadangkan dengan produk ini, berikan saya beberapa idea.
Model ini menghasilkan cadangan generik, mungkin kehabisan stok tanpa mengetahui data dan margin sebenar anda.
Gesaan kuat:
Peranan anda: penganalisis e-dagang. Produk utama: set kepala wayarles (margin 28%, dalam stok). Calon pelengkap (dengan stok/margin): sarung pembawa (45%, dalam stok), set fon telinga (50%, dalam stok), kabel pengecas (20%, dalam stok). Tugas: cadangkan 2 pakej jualan silang hanya dengan dalam stok dan dengan margin melebihi 30%; Tulis faedah pelanggan dalam satu ayat untuk setiap pakej.
Kesilapan biasa
- Tersilap cadangan sebagai bukti. Output AI ialah hipotesis; Ia tidak menjadi keputusan tanpa diuji.
- Mengabaikan inventori dan margin. Pengesyoran automatik boleh menyerlahkan produk yang tidak menguntungkan atau habis dijual.
- Hanya mengaitkannya dengan populariti. Yang paling diklik tidak selalunya yang paling menguntungkan atau paling mudah.
- Mencipta gelembung penapis. Memaparkan produk yang sama secara berterusan membunuh penemuan dan jualan.
- Tidak memeriksa berat sebelah. Sistem ini boleh mengukuhkan ketidaksamaan masa lalu; Pemeriksaan berkala diperlukan.
- Upselling secara paksa. Menolak model mahal yang tiada faedah akan menyebabkan anda hilang keyakinan.
Secara ringkasnya
Sistem pengesyoran meningkatkan purata bakul dan kesetiaan dengan menunjukkan kepada pelanggan produk yang betul pada masa yang tepat. Terdapat tiga logik asas: berasaskan kandungan (produk serupa), kolaboratif (dibeli bersama) dan pemperibadian. Walaupun di kedai kecil, AI boleh menjana hipotesis jualan silang dan penggabungan daripada data pesanan; Tetapi ini adalah idea untuk diuji, bukan bukti. Pastikan anda merangka peraturan pengesyoran di sekitar stok, margin, kesesuaian kategori dan kepelbagaian; Periksa gelembung penapis dan risiko berat sebelah dengan kerap. Pengesyoran automatik mencipta nilai apabila mematuhi kawalan komersial.
Tugasan permohonan
Ekstrak 5 pasangan produk yang paling kerap dibeli bersama daripada data pesanan anda sendiri (dengan kod produk tanpa nama). Minta AI untuk hipotesis jualan silang dengan templat "Analisis produk yang dijual bersama". Tukar setiap hipotesis menjadi pernyataan "jika-maka" dan tapis melalui stok dan margin. Tulis pelan ujian untuk 2 hipotesis yang paling menjanjikan (berapa lama, apakah metrik untuk diukur). Akhir sekali, nilai peraturan pengesyoran anda untuk risiko menggunakan templat "Audit peraturan pengesyoran".
senarai semak
- [ ] Saya menganggap idea cadangan sebagai hipotesis untuk diuji, bukan sebagai bukti.
- [ ] Saya menapis setiap cadangan melalui stok dan margin.
- [ ] Selain populariti, saya juga menganggap keuntungan dan kesesuaian.
- [ ] Saya mengelakkan gelembung penapis dengan peraturan kepelbagaian.
- [ ] Saya menyemak berat sebelah perkara yang ditunjukkan oleh pengesyoran kepada siapa.
- [ ] Saya merancang untuk mengukur cadangan yang menjanjikan dengan ujian sebenar.