Winst:
- Inzicht in de logica van de aanbevelingsengine (samen gekocht, vergelijkbare producten, personalisatie) en de impact ervan op bedrijfsstatistieken
- Vermogen om productrelaties op te bouwen, scenario's te verpakken en cross-selling met ondersteuning voor kunstmatige intelligentie en deze om te zetten in testbare hypothesen
- Mogelijkheid om de risico's van filterbubbel, bias en aandelen/marge-neutrale automatische aanbevelingen te zien en aanbevelingsregels te koppelen aan commerciële controle
Een aanzienlijk deel van de omzet op grote e-commercesites is afkomstig van het product dat aan de klant wordt aanbevolen, en niet van het product waarnaar hij op zoek is. Jullie hebben allemaal de blokken gezien: "Degenen die dit kochten, kochten dit ook", "Onze keuzes voor jou", "Samen goedkoper". Het systeem achter deze blokken heet een aanbevelingsengine: het is software die antwoorden produceert op de vraag "Wat moet ik deze persoon nu laten zien?" door te kijken naar het gedrag van de klant, de samenhang van de producten en algemene patronen. Kunstmatige intelligentie (AI) is op twee manieren nuttig op dit gebied: het helpt je bij het genereren van scenario's en regels bij het construeren van aanbevelingslogica, en het analyseert je eigen productrelaties in kleine winkels en komt met pakket-/cross-selling-ideeën. Maar pas op: een goed aanbevelingssysteem moet niet alleen kijken naar ‘hoeveel klikken’, maar ook naar voorraad, marge en klantervaring.
Laten we de twee termen verduidelijken. Cross-selling is het aanbieden van een ander product dat een product aanvult aan een koper (een case voor een telefoonkoper). Up-sell is het aanbieden van een duurder/duurder model dat in dezelfde behoefte voorziet (256 GB in plaats van 128 GB). Beide zijn legitieme manieren om de gemiddelde korf (AOV) te vergroten; Maar het werkt als het de klant echt ten goede komt, en het stoort als het wordt geforceerd.
Drie basislogica's van het aanbevelingssysteem
Aanbevelingssystemen gebruiken doorgaans één of een combinatie van drie benaderingen.
1) Op inhoud gebaseerd: er wordt gekeken naar de eigen kenmerken van het product. "Andere hardloopschoenen vergelijkbaar met deze hardloopschoen". Het werkt zelfs met nieuwe klanten omdat er geen gedragsgeschiedenis voor nodig is.
2) Collaboratief filteren: kijkt naar het gedragspatroon. "Mensen die dit product kochten, kochten ook dit." Het is krachtig, maar vereist veel data en heeft last van een ‘koude start’ (nieuw product/nieuwe klant).
3) Personalisatie: Het stemt de showcase af op één enkele klant op basis van zijn gedrag uit het verleden. Het heeft een krachtig effect, maar brengt het risico van privacy en ‘filterbubbels’ met zich mee.
De volgende tabel vat de aanbevelingsblokken en hun doel samen:
blok
logica
Doel
voorbeeld
Soortgelijke producten
op inhoud gebaseerd
een alternatief bieden
Sluit modellen in dezelfde categorie
samen genomen
samenwerkend
kruisverkoop
telefoon + hoesje + screenprotector
Onze keuzes voor jou
Personalisatie
inzet
Gebaseerd op eerdere navigatie
Favorieten/bestsellers
Populariteit
Vertrouwen + nieuwe klant
Bestsellers in de categorie
waar je was gebleven
sessie gegevens
omkering
Laatst bekeken producten
Aanbeveling opstelling met AI in een kleine winkel
Zelfs kleine en middelgrote winkels die geen bedrijfsaanbevelingsmotor kunnen opzetten, kunnen productrelaties op intelligente wijze structureren met behulp van AI. Je kunt anoniem de echte ‘producten samen verkocht’-gegevens (bestelartikelen) aan AI geven en deze laten analyseren ‘welke producten worden samen gekocht, welke pakketten kan ik aanbevelen?’ AI genereert voor u cross-selling en bundelingshypothesen; Je filtert ze op voorraad en marge, en vervolgens test je ze daadwerkelijk. Het sleutelwoord hier is hypothese: de suggestie van de AI is geen bewijs, maar een idee dat moet worden getest.
Tip: verander elk aanbevelingsidee in een ‘als-dan’-hypothese: ‘Als we Y aanbevelen aan iemand die X koopt, zal het gemiddelde van zijn mandje stijgen.’ Meet dit dan met een klein experiment (A/B-test of tijdsperiode). Een aanbeveling zonder meting is slechts een gok.
Commerciële audit van aanbevelingsregels
Een aanbevelingssysteem kan gevaarlijk zijn als het wordt overgelaten aan een volledig geautomatiseerd 'meest geklikt'-systeem. Voorraad: het aanbevelen van een product dat niet op voorraad is, zal de klant teleurstellen. Marge: het product met de meeste klikken heeft mogelijk de laagste marge; Het systeem kan u naar onrendabele producten leiden. Merkveiligheid en geschiktheid: irrelevante of ongepaste aanbevelingen in gevoelige categorieën (baby, gezondheid) verliezen vertrouwen. Filterbubbel: de klant voortdurend hetzelfde type product laten zien doodt de ontdekking en beperkt de verkoop. Dat is de reden waarom automatische aanbevelingen noodzakelijkerwijs worden omkaderd door bedrijfsregels: "beveel aan wat op voorraad is", "bied geen product aan waarvan de marge onder deze drempel ligt", "handhaaf de naleving van de categorie".
Vooringenomenheid is ook een reëel risico. Omdat het aanbevelingssysteem gebaseerd is op gedrag uit het verleden, kan het de ongelijkheden uit het verleden versterken; Bijvoorbeeld het voortdurend aanbevelen van goedkopere/lagere producten aan een bepaalde groep. Dit is zowel een ethische als een commerciële kwestie. Het is noodzakelijk om de uitkomsten van de aanbevelingen regelmatig te controleren met het oog op "wat wordt aanbevolen aan wie".
Vier kopieerbare sjablonen
1) Analyse van producten die samen worden verkocht:
Jouw rol: assistent e-commerceanalist. Hieronder staan anonieme bestelartikelen (artikelcodes en aantal keren bij elkaar opgeteld). Gegevens: [tabel]. Taak: vind de 10 paar artikelen die het vaakst samen worden gekocht; Schrijf voor elk paar een cross-sellinghypothese (“Bied Y aan kopers X”). Opmerking: dit zijn hypothesen; Ook zal ik de voorraad en marge controleren.
2) Bundelaanbeveling:
Product: [hoofdproduct]. Aanvullende producten: [lijst, met kanttekeningen]. Taak: Stel 3 verstandige pakketten voor; Leg per pakket in één zin het voordeel voor de klant uit. Regel: alle producten in het pakket moeten op voorraad zijn; waardoor het product met een lage marge de belangrijkste trekpleister wordt.
3) Bestverkopende scenario:
Klant kijkt naar: [product, prijs, kenmerken]. Luxe modellen: [lijst, met verschillen in prijs/kenmerken]. Taak: stel een eerlijk upsell-bericht op: hoeveel moet je betalen voor welk extra voordeel. Regel: niet overdrijven; Leg het verschil uit aan de hand van concrete kenmerken.
4) Controle van de suggestieregel:
Controleer de volgende aanbevelingsregels. Regels: [lijst]. Taak: evalueer elke regel op basis van de volgende risico's: aandelenconsistentie, margebescherming, categorie-fit, filterbubbel, bias. Maak een lijst van de risicovolle regels en uw aanbeveling voor correctie.
drie minikoffers
Geval 1 — Winst uit cross-selling. Een elektronicawinkel analyseerde bestelgegevens met AI en ontdekte een patroon: "40% van degenen die een telefoon kochten, kochten ook binnen 30 dagen een hoesje." Een geschikt case-aanbevelingsblok toegevoegd aan de telefoonpagina (waarbij de op voorraad gefilterde exemplaren eruit worden gefilterd). Het mandgemiddelde steeg meetbaar. AI gaf een hypothese, de winkel testte en verifieerde deze.
Geval 2 — Margeval. Eén winkel verliet de startpagina volledig voor producten waarop het meest werd geklikt. De meest aangeklikte producten waren de campagneproducten met de laagste marges, waarvan sommige zelfs met verlies werden verkocht. De omzet steeg, maar de winst daalde. Oplossing: het filter 'Plaats het product waarvan de marge lager is dan de drempel op de startpagina' is toegevoegd aan de aanbevelingsregel.
Geval 3 — Filterbubbel. Omdat de klant op een boekensite voortdurend hetzelfde type boek werd aanbevolen, ontdekte de klant nooit nieuwe genres en nam zijn interesse in de loop van de tijd af. Toen de diversiteitsregel "minstens 20% van de suggesties moet uit verschillende categorieën komen" werd toegevoegd aan de suggestieregel, herstelden de ontdekking en de verkoop zich.
Zwakke prompt/sterke prompt
Zwakke prompt:
Wat kan ik aanbevelen met dit product, geef me enkele ideeën.
Het model produceert generieke aanbevelingen die mogelijk niet op voorraad zijn, zonder dat u uw werkelijke gegevens en marge kent.
Krachtige prompt:
Jouw rol: e-commerceanalist. Hoofdproduct: draadloze headset (marge 28%, op voorraad). Complementaire kandidaten (met voorraad/marge): draagtas (45%, op voorraad), set oordopjes (50%, op voorraad), oplaadkabel (20%, op voorraad). Taak: 2 cross-sellingpakketten voorstellen, alleen met op voorraad en met marges boven de 30%; Schrijf voor elk pakket het klantvoordeel in één zin.
Veel voorkomende fouten
- De suggestie voor bewijs aangezien. De output van AI is de hypothese; Het wordt geen beslissing zonder te worden getoetst.
- Negeren van voorraad en marge. Automatische aanbevelingen kunnen onrendabele of uitverkochte producten benadrukken.
- Schrijf het gewoon toe aan populariteit. De meest aangeklikte pagina is niet altijd de meest winstgevende of handigste.
- Een filterbubbel creëren. Het voortdurend tonen van hetzelfde product doodt ontdekking en verkoop.
- Niet controleren van bias. Het systeem kan ongelijkheden uit het verleden versterken; Regelmatige inspectie is vereist.
- Gedwongen upselling. Als u een duur model pusht dat geen voordelen biedt, verliest u het vertrouwen.
Samengevat
Aanbevelingssystemen verhogen het winkelgemiddelde en de loyaliteit door de klant het juiste product op het juiste moment te tonen. Er zijn drie basislogica’s: op inhoud gebaseerd (soortgelijke producten), samenwerking (samen gekocht) en personalisatie. Zelfs in kleine winkels kan AI cross-selling- en bundelingshypothesen genereren uit bestelgegevens; Maar dit zijn ideeën die getest moeten worden, geen bewijs. Zorg ervoor dat u aanbevelingsregels formuleert rond voorraad, marge, categorie-aanpassing en variëteit; Controleer regelmatig de filterbubbel en het risico op bias. Automatische aanbevelingen creëren waarde wanneer er commerciële controle op wordt uitgeoefend.
Applicatie taak
Haal uit uw eigen bestelgegevens (met anonieme productcodes) de 5 meest gekochte productparen samen. Vraag AI om cross-sellinghypothesen met de sjabloon ‘Co-sold productanalyse’. Verander elke hypothese in een ‘als-dan’-verklaring en filter deze op basis van aandelen en marges. Schrijf een testplan voor de twee meest veelbelovende hypothesen (hoe lang, welke maatstaf te meten). Evalueer ten slotte uw aanbevelingsregels op risico's met de sjabloon 'Aanbevelingsregelaudit'.
controlelijst
- [ ] Ik behandelde suggestie-ideeën als hypothesen die getest moesten worden, niet als bewijs.
- [ ] Elke suggestie heb ik gefilterd op voorraad en marge.
- [ ] Naast populariteit heb ik ook gekeken naar winstgevendheid en geschiktheid.
- [ ] Met de diversiteitsregel heb ik de filterbubbel vermeden.
- [ ] Ik heb op vooringenomenheid gecontroleerd wat de aanbevelingen aan wie laten zien.
- [ ] Ik was van plan de veelbelovende suggesties te meten met een echte test.