Gevinster:
- Forstå logikken til anbefalingsmotoren (kjøpt sammen, lignende produkter, personalisering) og dens innvirkning på forretningsberegninger
- Evne til å konstruere produktrelasjoner, pakke- og krysssalgsscenarier med støtte for kunstig intelligens og gjøre dem om til testbare hypoteser
- Evne til å se risikoen for filterboble, skjevhet og aksje-/marginnøytral automatisk anbefaling og koble anbefalingsregler til kommersiell kontroll
En betydelig del av salget på store e-handelssider kommer fra produktet anbefalt til kunden, ikke produktet han leter etter. Dere har alle sett blokkene «De som kjøpte dette kjøpte også dette», «Våre valg for deg», «Billigere sammen». Systemet bak disse blokkene kalles en anbefalingsmotor: det er programvare som produserer svar på spørsmålet "Hva skal jeg vise denne personen nå?" ved å se på kundens atferd, produktenes forhold og generelle mønstre. Kunstig intelligens (AI) er nyttig i dette feltet på to måter: den hjelper deg med å generere scenarier og regler når du konstruerer anbefalingslogikk, og den analyserer dine egne produktforhold i små butikker og kommer opp med ideer om pakker/krysssalg. Men pass på: et godt anbefalingssystem må ikke bare se på "hvor mange klikk", men også på beholdning, margin og kundeopplevelse.
La oss avklare de to begrepene. Krysssalg er å tilby et annet produkt som utfyller et produkt til en kjøper (et etui for en telefonkjøper). Oppsalg tilbyr en høyere/dyrere modell som dekker samme behov (256 GB i stedet for 128 GB). Begge er legitime måter å øke gjennomsnittlig kurv (AOV); Men det fungerer når det virkelig er gunstig for kunden, og det forstyrrer når det blir tvunget.
Tre grunnleggende logikker i anbefalingssystemet
Anbefalingssystemer bruker vanligvis én eller en blanding av tre tilnærminger.
1) Innholdsbasert: Den ser på produktets egne funksjoner. "Andre løpesko som ligner på denne løpeskoen". Det fungerer til og med med nye kunder fordi det ikke krever atferdshistorie.
2) Samarbeidsfiltrering: Ser på atferdsmønsteret. "Folk som kjøpte dette produktet kjøpte også dette." Den er kraftig, men krever mye data og lider av en «kald start» (nytt produkt/ny kunde).
3) Personalisering: Den skreddersyr utstillingsvinduet til en enkelt kunde basert på deres tidligere oppførsel. Det har en kraftig effekt, men medfører en risiko for personvern og "filterbobler".
Følgende tabell oppsummerer anbefalingsblokkene og deres formål:
blokk
logikk
Formål
eksempel
Lignende produkter
innholdsbasert
tilby et alternativ
Lukk modeller i samme kategori
tatt sammen
samarbeidende
krysssalg
telefon + etui + skjermbeskytter
Våre valg for deg
Personalisering
engasjement
Basert på tidligere navigasjon
Favoritter / bestselgere
Popularitet
Tillit + ny kunde
Bestselgere i kategorien
der du slapp
øktdata
reversering
Sist sett produkter
Anbefalt oppsett med AI i en liten butikk
Selv små og mellomstore butikker som ikke kan etablere en bedriftsanbefalingsmotor, kan strukturere produktforhold på en intelligent måte ved hjelp av AI. Du kan anonymt gi de virkelige "produkter solgt sammen"-data (bestillingsvarer) til AI og få den til å analysere "hvilke produkter er kjøpt sammen, hvilke pakker kan jeg anbefale?" AI genererer krysssalg og buntinghypoteser for deg; Du filtrerer dem gjennom lager og margin, og så tester du dem faktisk. Nøkkelordet her er hypotese: AIs forslag er ikke bevis, men en idé som skal testes.
Tips: Gjør hver anbefalingside om til en "hvis-da"-hypotese: "Hvis vi anbefaler Y til noen som kjøper X, vil kurvgjennomsnittet deres øke." Mål deretter dette med et lite eksperiment (A/B-test eller tidsperiode). En anbefaling uten måling er bare en gjetning.
Kommersiell revisjon av anbefalingsregler
Et anbefalingssystem kan være farlig hvis det overlates til fullstendig automatisert "mest klikket". Lager: å anbefale et produkt som ikke er på lager vil skuffe kunden. Margin: produktet med flest klikk kan ha lavest margin; Systemet kan lede deg til ulønnsomme produkter. Merkevaresikkerhet og egnethet: irrelevant eller upassende anbefaling i sensitive kategorier (baby, helse) mister tillit. Filterboble: Å konstant vise kunden samme type produkt dreper oppdagelsen og begrenser salget. Det er derfor automatiske anbefalinger nødvendigvis er innrammet av forretningsregler: "anbefal hva som er på lager", "ikke bruk produktet hvis margin er under denne terskelen", "oppretthold kategorioverholdelse".
Bias er også en reell risiko. Fordi anbefalingssystemet er basert på tidligere atferd, kan det forsterke tidligere ulikheter; For eksempel å stadig anbefale billigere/lavere kvalitetsprodukter til en bestemt gruppe. Dette er både et etisk og kommersielt spørsmål. Det er nødvendig å regelmessig revidere anbefalingene med tanke på "hva som blir anbefalt til hvem".
Fire kopierbare maler
1) Analyse av produkter solgt sammen:
Din rolle: e-handelsanalytikerassistent. Nedenfor er anonyme bestillingsvarer (varekoder og antall ganger samlet). Data: [tabell]. Oppgave: Finn de 10 vareparene som oftest kjøpes sammen; For hvert par, skriv en kryssalgshypotese ("Tilbud Y til kjøpere X"). Merk: Dette er hypoteser; Jeg skal også sjekke lager og margin.
2) Pakkeanbefaling:
Produkt: [hovedprodukt]. Utfyllende produkter: [liste, med margnotater].Oppgave: Foreslå 3 fornuftige pakker; For hver pakke, forklar fordelen for kunden i én setning. Regel: alle produkter i pakken må være på lager; gjør produktet med lav margin til hovedtrekket.
3) Mest solgte scenario:
Kunden ser på: [produkt, pris, funksjoner]. Eksklusive modeller: [liste, med pris-/funksjonsforskjeller]. Oppgave: utkast til en ærlig mersalgsmelding: hvor mye du skal betale for hvilken ekstra fordel. Regel: ingen overdrivelse; Forklar forskjellen gjennom konkrete trekk.
4) Kontroll av forslagsregel:
Sjekk følgende anbefalingsregler.Regler: [liste].Oppgave: Vurder hver regel mot følgende risikoer: lagerkonsistens, marginbeskyttelse, kategoritilpasning, filterboble, skjevhet. List opp de risikofylte reglene og din anbefaling for korreksjon.
tre minisaker
Tilfelle 1 — Krysssalgsgevinst. En elektronikkbutikk analyserte ordredata med AI og fant et mønster på «40 % av de som kjøpte en telefon, kjøpte også et etui innen 30 dager». Lagt til en passende anbefalingsblokk for etui på telefonsiden (filtrerte ut de som er på lager). Kurvgjennomsnittet økte målbart. AI ga en hypotese, butikken testet og bekreftet den.
Tilfelle 2 - Marginfelle. En butikk forlot hjemmesiden helt til "mest klikkede" produkter. De mest klikkede produktene var kampanjeproduktene med lavest marginer, noen solgte til og med med tap. Omsetningen økte, men fortjenesten falt. Løsning: "Vis produktet hvis margin er under terskelen på hjemmesiden"-filteret er lagt til i anbefalingsregelen.
Tilfelle 3 — Filterboble. På en bokside, fordi kunden hele tiden ble anbefalt samme type bok, oppdaget kunden aldri nye sjangre og interessen avtok over tid. Da mangfoldsregelen «minst 20 % av forslagene skulle være fra forskjellige kategorier» ble lagt til forslagsregelen, ble oppdagelse og salg gjenvunnet.
Svak forespørsel / Sterk forespørsel
Svak melding:
Hva kan jeg anbefale med dette produktet, gi meg noen ideer.
Modellen produserer generiske, kanskje utsolgte anbefalinger uten å kjenne dine faktiske data og margin.
Kraftig ledetekst:
Din rolle: e-handelsanalytiker. Hovedprodukt: trådløst headset (margin 28 %, på lager). Komplementære kandidater (med lager/margin): bæreveske (45 %, på lager), sett med ørepropper (50 %, på lager), ladekabel (20 %, på lager).Oppgave: foreslå 2 krysssalgspakker kun med på lager og med marginer over 30 %; Skriv kundefordelen i én setning for hver pakke.
Vanlige feil
- Tar feil av forslaget som bevis. Utgangen til AI er hypotesen; Det blir ikke en beslutning uten å bli testet.
- Ignorerer inventar og margin. Automatisk anbefaling kan fremheve ulønnsomt eller utsolgt produkt.
- Bare tilskriv det popularitet. Den mest klikkede er ikke alltid den mest lønnsomme eller mest praktiske.
- Opprette en filterboble. Konstant å vise det samme produktet dreper oppdagelse og salg.
- Sjekker ikke skjevhet. Systemet kan forsterke tidligere ulikheter; Regelmessig inspeksjon er nødvendig.
- Tvunget mersalg. Å skyve en dyr modell som ikke har noen fordeler vil føre til at du mister selvtilliten.
Oppsummert
Anbefalingssystemer øker kurvgjennomsnittet og lojaliteten ved å vise kunden det riktige produktet til rett øyeblikk. Det er tre grunnleggende logikker: innholdsbasert (lignende produkter), samarbeid (kjøpt sammen) og personalisering. Selv i små butikker kan AI generere kryssalgs- og buntinghypoteser fra ordredata; Men dette er ideer som skal testes, ikke bevis. Sørg for å lage anbefalingsregler rundt lager, margin, kategoritilpasning og variasjon; Sjekk filterboblen og forspenningsrisikoen regelmessig. Automatisk anbefaling skaper verdi når det overholdes kommersiell kontroll.
Søknadsoppgave
Trekk ut de 5 produktparene som oftest kjøpes sammen fra dine egne bestillingsdata (med anonyme produktkoder). Be AI om kryssalgshypoteser med malen for analyse av samsolgt produkt. Gjør hver hypotese til en "hvis-da"-utsagn og filtrer den gjennom aksje og margin. Skriv en testplan for de 2 mest lovende hypotesene (hvor lenge, hvilken beregning du skal måle). Til slutt, evaluer anbefalingsreglene for risikoer med malen "Revisjon av anbefalingsregel".
sjekkliste
- [ ] Jeg behandlet forslagsideer som hypoteser som skulle testes, ikke som bevis.
- [ ] Jeg filtrerte hvert forslag gjennom lager og margin.
- [ ] Foruten popularitet, vurderte jeg også lønnsomhet og egnethet.
- [ ] Jeg unngikk filterboblen med mangfoldsregelen.
- [ ] Jeg sjekket for skjevhet hva anbefalingene viser til hvem.
- [ ] Jeg planla å måle de lovende forslagene med en ekte test.