ਲਾਭ:
- ਸਿਫਾਰਿਸ਼ ਇੰਜਣ (ਇਕੱਠੇ ਖਰੀਦੇ, ਸਮਾਨ ਉਤਪਾਦ, ਵਿਅਕਤੀਗਤਕਰਨ) ਦੇ ਤਰਕ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਵਪਾਰਕ ਮੈਟ੍ਰਿਕਸ 'ਤੇ ਇਸਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਸਮਝਣਾ
- ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਪੋਰਟ ਦੇ ਨਾਲ ਉਤਪਾਦ ਸਬੰਧਾਂ, ਪੈਕੇਜ ਅਤੇ ਕਰਾਸ-ਵੇਚਿੰਗ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਪਰੀਖਣਯੋਗ ਅਨੁਮਾਨਾਂ ਵਿੱਚ ਬਦਲਣਾ
- ਫਿਲਟਰ ਬੁਲਬੁਲਾ, ਪੱਖਪਾਤ ਅਤੇ ਸਟਾਕ/ਮਾਰਜਿਨ-ਨਿਰਪੱਖ ਆਟੋਮੈਟਿਕ ਸਿਫਾਰਿਸ਼ ਅਤੇ ਵਪਾਰਕ ਨਿਯੰਤਰਣ ਲਈ ਸਿਫਾਰਸ਼ ਨਿਯਮਾਂ ਨੂੰ ਲਿੰਕ ਕਰਨ ਦੇ ਜੋਖਮਾਂ ਨੂੰ ਵੇਖਣ ਦੀ ਯੋਗਤਾ
ਵੱਡੀਆਂ ਈ-ਕਾਮਰਸ ਸਾਈਟਾਂ 'ਤੇ ਵਿਕਰੀ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਾ ਗਾਹਕ ਨੂੰ ਸਿਫਾਰਸ਼ ਕੀਤੇ ਉਤਪਾਦ ਤੋਂ ਆਉਂਦਾ ਹੈ, ਨਾ ਕਿ ਉਹ ਉਤਪਾਦ ਜਿਸ ਦੀ ਉਹ ਭਾਲ ਕਰ ਰਿਹਾ ਹੈ। ਤੁਸੀਂ ਸਾਰਿਆਂ ਨੇ "ਜਿਨ੍ਹਾਂ ਲੋਕਾਂ ਨੇ ਇਹ ਖਰੀਦਿਆ ਉਹਨਾਂ ਨੇ ਇਹ ਵੀ ਖਰੀਦਿਆ", "ਤੁਹਾਡੇ ਲਈ ਸਾਡੀਆਂ ਚੋਣਾਂ", "ਇਕੱਠੇ ਸਸਤੇ" ਨੂੰ ਦੇਖਿਆ ਹੋਵੇਗਾ। ਇਹਨਾਂ ਬਲਾਕਾਂ ਦੇ ਪਿੱਛੇ ਸਿਸਟਮ ਨੂੰ ਇੱਕ ਸਿਫਾਰਿਸ਼ ਇੰਜਨ ਕਿਹਾ ਜਾਂਦਾ ਹੈ: ਇਹ ਉਹ ਸੌਫਟਵੇਅਰ ਹੈ ਜੋ ਸਵਾਲ ਦੇ ਜਵਾਬ ਪੈਦਾ ਕਰਦਾ ਹੈ "ਮੈਨੂੰ ਹੁਣ ਇਸ ਵਿਅਕਤੀ ਨੂੰ ਕੀ ਦਿਖਾਉਣਾ ਚਾਹੀਦਾ ਹੈ?" ਗਾਹਕ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਦੇਖ ਕੇ, ਉਤਪਾਦਾਂ ਦੇ ਸਬੰਧ ਅਤੇ ਆਮ ਪੈਟਰਨ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਇਸ ਖੇਤਰ ਵਿੱਚ ਦੋ ਤਰੀਕਿਆਂ ਨਾਲ ਉਪਯੋਗੀ ਹੈ: ਇਹ ਸਿਫ਼ਾਰਿਸ਼ ਤਰਕ ਬਣਾਉਣ ਵੇਲੇ ਦ੍ਰਿਸ਼ ਅਤੇ ਨਿਯਮ ਬਣਾਉਣ ਵਿੱਚ ਤੁਹਾਡੀ ਮਦਦ ਕਰਦਾ ਹੈ, ਅਤੇ ਇਹ ਛੋਟੇ ਸਟੋਰਾਂ ਵਿੱਚ ਤੁਹਾਡੇ ਆਪਣੇ ਉਤਪਾਦ ਸਬੰਧਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ ਅਤੇ ਪੈਕੇਜ/ਕਰਾਸ-ਵੇਚਣ ਦੇ ਵਿਚਾਰਾਂ ਨਾਲ ਆਉਂਦਾ ਹੈ। ਪਰ ਸਾਵਧਾਨ ਰਹੋ: ਇੱਕ ਚੰਗੀ ਸਿਫ਼ਾਰਿਸ਼ ਪ੍ਰਣਾਲੀ ਨੂੰ ਸਿਰਫ਼ "ਕਿੰਨੇ ਕਲਿੱਕਾਂ" 'ਤੇ ਨਹੀਂ ਬਲਕਿ ਵਸਤੂ ਸੂਚੀ, ਹਾਸ਼ੀਏ ਅਤੇ ਗਾਹਕ ਅਨੁਭਵ 'ਤੇ ਵੀ ਧਿਆਨ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ।
ਆਉ ਦੋਨਾਂ ਸ਼ਬਦਾਂ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰੀਏ। ਕਰਾਸ-ਸੇਲਿੰਗ ਇੱਕ ਹੋਰ ਉਤਪਾਦ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰ ਰਹੀ ਹੈ ਜੋ ਇੱਕ ਉਤਪਾਦ ਨੂੰ ਇੱਕ ਖਰੀਦਦਾਰ (ਇੱਕ ਫੋਨ ਖਰੀਦਦਾਰ ਲਈ ਇੱਕ ਕੇਸ) ਨੂੰ ਪੂਰਕ ਕਰਦਾ ਹੈ। ਅਪ-ਸੇਲ ਇੱਕ ਉੱਚ/ਮਹਿੰਗੇ ਮਾਡਲ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰ ਰਿਹਾ ਹੈ ਜੋ ਉਸੇ ਲੋੜ ਨੂੰ ਪੂਰਾ ਕਰਦਾ ਹੈ (128 GB ਦੀ ਬਜਾਏ 256 GB)। ਔਸਤ ਟੋਕਰੀ (AOV) ਨੂੰ ਵਧਾਉਣ ਦੇ ਦੋਵੇਂ ਜਾਇਜ਼ ਤਰੀਕੇ ਹਨ; ਪਰ ਇਹ ਉਦੋਂ ਕੰਮ ਕਰਦਾ ਹੈ ਜਦੋਂ ਇਹ ਗਾਹਕ ਲਈ ਸੱਚਮੁੱਚ ਲਾਭਦਾਇਕ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਜਦੋਂ ਇਹ ਮਜਬੂਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਇਹ ਪਰੇਸ਼ਾਨ ਕਰਦਾ ਹੈ।
ਸਿਫਾਰਸ਼ ਪ੍ਰਣਾਲੀ ਦੇ ਤਿੰਨ ਬੁਨਿਆਦੀ ਤਰਕ
ਸਿਫਾਰਸ਼ੀ ਪ੍ਰਣਾਲੀਆਂ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਜਾਂ ਤਿੰਨ ਪਹੁੰਚਾਂ ਦੇ ਮਿਸ਼ਰਣ ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ।
1) ਸਮੱਗਰੀ-ਆਧਾਰਿਤ: ਇਹ ਉਤਪਾਦ ਦੀਆਂ ਆਪਣੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਦੇਖਦਾ ਹੈ। "ਇਸ ਚੱਲ ਰਹੀ ਜੁੱਤੀ ਵਰਗੀ ਹੋਰ ਚੱਲ ਰਹੀ ਜੁੱਤੀ"। ਇਹ ਨਵੇਂ ਗਾਹਕਾਂ ਨਾਲ ਵੀ ਕੰਮ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਇਸ ਨੂੰ ਵਿਹਾਰਕ ਇਤਿਹਾਸ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਹੈ।
2) ਸਹਿਯੋਗੀ ਫਿਲਟਰਿੰਗ: ਵਿਹਾਰ ਪੈਟਰਨ ਨੂੰ ਵੇਖਦਾ ਹੈ. "ਜਿਨ੍ਹਾਂ ਲੋਕਾਂ ਨੇ ਇਹ ਉਤਪਾਦ ਖਰੀਦਿਆ ਹੈ ਉਹਨਾਂ ਨੇ ਵੀ ਇਹ ਖਰੀਦਿਆ ਹੈ." ਇਹ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ, ਪਰ ਬਹੁਤ ਸਾਰੇ ਡੇਟਾ ਦੀ ਲੋੜ ਹੈ ਅਤੇ "ਕੋਲਡ ਸਟਾਰਟ" (ਨਵਾਂ ਉਤਪਾਦ/ਨਵਾਂ ਗਾਹਕ) ਤੋਂ ਪੀੜਤ ਹੈ।
3) ਵਿਅਕਤੀਗਤਕਰਨ: ਇਹ ਉਹਨਾਂ ਦੇ ਪਿਛਲੇ ਵਿਵਹਾਰ ਦੇ ਅਧਾਰ 'ਤੇ ਇੱਕ ਸਿੰਗਲ ਗਾਹਕ ਲਈ ਸ਼ੋਅਕੇਸ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਇਸਦਾ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਭਾਵ ਹੈ ਪਰ ਗੋਪਨੀਯਤਾ ਅਤੇ "ਫਿਲਟਰ ਬੁਲਬਲੇ" ਦਾ ਜੋਖਮ ਹੁੰਦਾ ਹੈ।
ਹੇਠ ਦਿੱਤੀ ਸਾਰਣੀ ਸਿਫ਼ਾਰਿਸ਼ ਬਲਾਕਾਂ ਅਤੇ ਉਹਨਾਂ ਦੇ ਉਦੇਸ਼ਾਂ ਦਾ ਸਾਰ ਦਿੰਦੀ ਹੈ:
ਬਲਾਕ
ਤਰਕ
ਮਕਸਦ
ਉਦਾਹਰਨ
ਸਮਾਨ ਉਤਪਾਦ
ਸਮੱਗਰੀ ਅਧਾਰਿਤ
ਇੱਕ ਵਿਕਲਪ ਪੇਸ਼ ਕਰਦੇ ਹਨ
ਉਸੇ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਮਾਡਲ ਬੰਦ ਕਰੋ
ਇਕੱਠੇ ਲਿਆ
ਸਹਿਯੋਗੀ
ਕਰਾਸ ਵਿਕਰੀ
ਫ਼ੋਨ + ਕੇਸ + ਸਕ੍ਰੀਨ ਪ੍ਰੋਟੈਕਟਰ
ਤੁਹਾਡੇ ਲਈ ਸਾਡੀਆਂ ਚੋਣਾਂ
ਵਿਅਕਤੀਗਤਕਰਨ
ਵਚਨਬੱਧਤਾ
ਪਿਛਲੀ ਨੈਵੀਗੇਸ਼ਨ 'ਤੇ ਆਧਾਰਿਤ
ਮਨਪਸੰਦ / ਸਭ ਤੋਂ ਵੱਧ ਵਿਕਣ ਵਾਲੇ
ਪ੍ਰਸਿੱਧੀ
ਭਰੋਸਾ + ਨਵਾਂ ਗਾਹਕ
ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਵਿਕਰੇਤਾ
ਜਿੱਥੇ ਤੁਸੀਂ ਛੱਡ ਦਿੱਤਾ ਸੀ
ਸੈਸ਼ਨ ਡਾਟਾ
ਉਲਟਾ
ਪਿਛਲੀ ਵਾਰ ਦੇਖੇ ਗਏ ਉਤਪਾਦ
ਇੱਕ ਛੋਟੇ ਸਟੋਰ ਵਿੱਚ AI ਨਾਲ ਸਿਫਾਰਿਸ਼ ਸੈੱਟਅੱਪ
ਇੱਥੋਂ ਤੱਕ ਕਿ ਛੋਟੇ ਅਤੇ ਦਰਮਿਆਨੇ ਸਟੋਰ ਜੋ ਇੱਕ ਕਾਰਪੋਰੇਟ ਸਿਫ਼ਾਰਿਸ਼ ਇੰਜਣ ਸਥਾਪਤ ਨਹੀਂ ਕਰ ਸਕਦੇ ਹਨ, ਉਹ AI ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੂਝ-ਬੂਝ ਨਾਲ ਉਤਪਾਦ ਸਬੰਧਾਂ ਨੂੰ ਬਣਾਉਂਦੇ ਹਨ। ਤੁਸੀਂ ਅਗਿਆਤ ਤੌਰ 'ਤੇ AI ਨੂੰ ਅਸਲ "ਇਕੱਠੇ ਵੇਚੇ ਗਏ ਉਤਪਾਦਾਂ" ਦਾ ਡੇਟਾ (ਆਰਡਰ ਆਈਟਮਾਂ) ਦੇ ਸਕਦੇ ਹੋ ਅਤੇ ਇਹ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰ ਸਕਦੇ ਹੋ ਕਿ "ਕਿਹੜੇ ਉਤਪਾਦ ਇਕੱਠੇ ਖਰੀਦੇ ਜਾਂਦੇ ਹਨ, ਮੈਂ ਕਿਹੜੇ ਪੈਕੇਜਾਂ ਦੀ ਸਿਫਾਰਸ਼ ਕਰ ਸਕਦਾ ਹਾਂ?" AI ਤੁਹਾਡੇ ਲਈ ਕਰਾਸ-ਸੇਲਿੰਗ ਅਤੇ ਬੰਡਲਿੰਗ ਪਰਿਕਲਪਨਾ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਸਟਾਕ ਅਤੇ ਮਾਰਜਿਨ ਦੁਆਰਾ ਫਿਲਟਰ ਕਰਦੇ ਹੋ, ਅਤੇ ਫਿਰ ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹੋ. ਇੱਥੇ ਮੁੱਖ ਸ਼ਬਦ ਪਰਿਕਲਪਨਾ ਹੈ: AI ਦਾ ਸੁਝਾਅ ਸਬੂਤ ਨਹੀਂ ਹੈ, ਪਰ ਜਾਂਚ ਕਰਨ ਲਈ ਇੱਕ ਵਿਚਾਰ ਹੈ।
ਸੁਝਾਅ: ਹਰੇਕ ਸਿਫ਼ਾਰਿਸ਼ ਵਿਚਾਰ ਨੂੰ "ਜੇ-ਤਾਂ" ਪਰਿਕਲਪਨਾ ਵਿੱਚ ਬਦਲੋ: "ਜੇਕਰ ਅਸੀਂ X ਨੂੰ ਖਰੀਦਣ ਵਾਲੇ ਕਿਸੇ ਵਿਅਕਤੀ ਨੂੰ Y ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਉਹਨਾਂ ਦੀ ਟੋਕਰੀ ਔਸਤ ਵਧ ਜਾਵੇਗੀ।" ਫਿਰ ਇਸਨੂੰ ਇੱਕ ਛੋਟੇ ਪ੍ਰਯੋਗ (A/B ਟੈਸਟ ਜਾਂ ਸਮੇਂ ਦੀ ਮਿਆਦ) ਨਾਲ ਮਾਪੋ। ਬਿਨਾਂ ਮਾਪ ਦੇ ਇੱਕ ਸਿਫ਼ਾਰਿਸ਼ ਸਿਰਫ਼ ਇੱਕ ਅਨੁਮਾਨ ਹੈ।
ਸਿਫ਼ਾਰਿਸ਼ ਨਿਯਮਾਂ ਦਾ ਵਪਾਰਕ ਆਡਿਟ
ਇੱਕ ਸਿਫ਼ਾਰਿਸ਼ ਪ੍ਰਣਾਲੀ ਖ਼ਤਰਨਾਕ ਹੋ ਸਕਦੀ ਹੈ ਜੇਕਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਵੈਚਲਿਤ "ਸਭ ਤੋਂ ਵੱਧ ਕਲਿੱਕ ਕੀਤੇ" ਲਈ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਸਟਾਕ: ਕਿਸੇ ਉਤਪਾਦ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਨਾ ਜੋ ਸਟਾਕ ਤੋਂ ਬਾਹਰ ਹੈ, ਗਾਹਕ ਨੂੰ ਨਿਰਾਸ਼ ਕਰੇਗਾ। ਮਾਰਜਿਨ: ਸਭ ਤੋਂ ਵੱਧ ਕਲਿੱਕਾਂ ਵਾਲੇ ਉਤਪਾਦ ਦਾ ਸਭ ਤੋਂ ਘੱਟ ਮਾਰਜਿਨ ਹੋ ਸਕਦਾ ਹੈ; ਸਿਸਟਮ ਤੁਹਾਨੂੰ ਗੈਰ-ਲਾਭਕਾਰੀ ਉਤਪਾਦਾਂ ਵੱਲ ਸੇਧਿਤ ਕਰ ਸਕਦਾ ਹੈ। ਬ੍ਰਾਂਡ ਦੀ ਸੁਰੱਖਿਆ ਅਤੇ ਅਨੁਕੂਲਤਾ: ਸੰਵੇਦਨਸ਼ੀਲ ਸ਼੍ਰੇਣੀਆਂ (ਬੱਚਾ, ਸਿਹਤ) ਵਿੱਚ ਅਪ੍ਰਸੰਗਿਕ ਜਾਂ ਅਣਉਚਿਤ ਸਿਫ਼ਾਰਿਸ਼ ਵਿਸ਼ਵਾਸ ਗੁਆ ਦਿੰਦੀ ਹੈ। ਫਿਲਟਰ ਬੁਲਬੁਲਾ: ਗਾਹਕ ਨੂੰ ਲਗਾਤਾਰ ਇੱਕੋ ਕਿਸਮ ਦਾ ਉਤਪਾਦ ਦਿਖਾਉਣਾ ਖੋਜ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ ਅਤੇ ਵਿਕਰੀ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। ਇਸ ਲਈ ਸਵੈਚਲਿਤ ਸਿਫ਼ਾਰਸ਼ਾਂ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਵਪਾਰਕ ਨਿਯਮਾਂ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ: "ਸਿਫ਼ਾਰਸ਼ ਕਰੋ ਕਿ ਕੀ ਸਟਾਕ ਵਿੱਚ ਹੈ", "ਉਸ ਉਤਪਾਦ ਨੂੰ ਵਿਸ਼ੇਸ਼ਤਾ ਨਾ ਦਿਓ ਜਿਸਦਾ ਮਾਰਜਿਨ ਇਸ ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੋਂ ਹੇਠਾਂ ਹੈ", "ਸ਼੍ਰੇਣੀ ਦੀ ਪਾਲਣਾ ਨੂੰ ਬਣਾਈ ਰੱਖੋ"।
ਪੱਖਪਾਤ ਵੀ ਇੱਕ ਅਸਲੀ ਖਤਰਾ ਹੈ। ਕਿਉਂਕਿ ਸਿਫਾਰਸ਼ ਪ੍ਰਣਾਲੀ ਪਿਛਲੇ ਵਿਵਹਾਰ 'ਤੇ ਅਧਾਰਤ ਹੈ, ਇਹ ਪਿਛਲੀਆਂ ਅਸਮਾਨਤਾਵਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰ ਸਕਦੀ ਹੈ; ਉਦਾਹਰਨ ਲਈ, ਕਿਸੇ ਖਾਸ ਸਮੂਹ ਨੂੰ ਲਗਾਤਾਰ ਸਸਤੇ/ਘੱਟ ਗੁਣਵੱਤਾ ਵਾਲੇ ਉਤਪਾਦਾਂ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਨਾ। ਇਹ ਇੱਕ ਨੈਤਿਕ ਅਤੇ ਵਪਾਰਕ ਮੁੱਦਾ ਹੈ। "ਕਿਸੇ ਨੂੰ ਕੀ ਸਿਫ਼ਾਰਿਸ਼ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ" ਦੇ ਨਜ਼ਰੀਏ ਨਾਲ ਸਿਫਾਰਸ਼ਾਂ ਦੇ ਆਉਟਪੁੱਟ ਦਾ ਨਿਯਮਿਤ ਤੌਰ 'ਤੇ ਆਡਿਟ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਇਕੱਠੇ ਵੇਚੇ ਗਏ ਉਤਪਾਦਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਈ-ਕਾਮਰਸ ਵਿਸ਼ਲੇਸ਼ਕ ਸਹਾਇਕ। ਹੇਠਾਂ ਅਗਿਆਤ ਆਰਡਰ ਆਈਟਮਾਂ ਹਨ (ਆਈਟਮ ਕੋਡ ਅਤੇ ਇਕੱਠੇ ਲਏ ਗਏ ਸਮੇਂ ਦੀ ਸੰਖਿਆ)। ਡੇਟਾ: [ਸਾਰਣੀ]। ਕੰਮ: 10 ਜੋੜੇ ਚੀਜ਼ਾਂ ਨੂੰ ਲੱਭੋ ਜੋ ਅਕਸਰ ਇਕੱਠੇ ਖਰੀਦੀਆਂ ਜਾਂਦੀਆਂ ਹਨ; ਹਰੇਕ ਜੋੜੇ ਲਈ, ਇੱਕ ਕਰਾਸ-ਸੇਲਿੰਗ ਪਰਿਕਲਪਨਾ ਲਿਖੋ ("ਖਰੀਦਦਾਰਾਂ ਨੂੰ Y ਪੇਸ਼ਕਸ਼ X")। ਨੋਟ: ਇਹ ਅਨੁਮਾਨ ਹਨ; ਮੈਂ ਸਟਾਕ ਅਤੇ ਮਾਰਜਿਨ ਦੀ ਵੀ ਜਾਂਚ ਕਰਾਂਗਾ।
2) ਬੰਡਲ ਸਿਫਾਰਸ਼:
ਉਤਪਾਦ: [ਮੁੱਖ ਉਤਪਾਦ]। ਪੂਰਕ ਉਤਪਾਦ: [ਸੂਚੀ, ਹਾਸ਼ੀਏ ਦੇ ਨੋਟਾਂ ਦੇ ਨਾਲ]। ਕੰਮ: 3 ਸਮਝਦਾਰ ਪੈਕੇਜਾਂ ਦਾ ਸੁਝਾਅ ਦਿਓ; ਹਰੇਕ ਪੈਕੇਜ ਲਈ, ਇੱਕ ਵਾਕ ਵਿੱਚ ਗਾਹਕ ਨੂੰ ਲਾਭ ਦੀ ਵਿਆਖਿਆ ਕਰੋ। ਨਿਯਮ: ਪੈਕੇਜ ਵਿੱਚ ਸਾਰੇ ਉਤਪਾਦ ਸਟਾਕ ਵਿੱਚ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ; ਘੱਟ ਮਾਰਜਿਨ ਵਾਲੇ ਉਤਪਾਦ ਨੂੰ ਮੁੱਖ ਡਰਾਅ ਬਣਾਉਣਾ।
3) ਸਭ ਤੋਂ ਵੱਧ ਵਿਕਣ ਵਾਲਾ ਦ੍ਰਿਸ਼:
ਗਾਹਕ ਇਸ ਨੂੰ ਦੇਖ ਰਿਹਾ ਹੈ: [ਉਤਪਾਦ, ਕੀਮਤ, ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ]।ਅਪਸਕੇਲ ਮਾਡਲ: [ਸੂਚੀ, ਕੀਮਤ/ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਅੰਤਰਾਂ ਨਾਲ]।ਟਾਸਕ: ਇੱਕ ਇਮਾਨਦਾਰ ਅੱਪਸੇਲ ਸੰਦੇਸ਼ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰੋ: ਕਿਸ ਵਾਧੂ ਲਾਭ ਲਈ ਕਿੰਨਾ ਭੁਗਤਾਨ ਕਰਨਾ ਹੈ। ਨਿਯਮ: ਕੋਈ ਅਤਿਕਥਨੀ ਨਹੀਂ; ਠੋਸ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੁਆਰਾ ਅੰਤਰ ਦੀ ਵਿਆਖਿਆ ਕਰੋ।
4) ਸੁਝਾਅ ਨਿਯਮ ਜਾਂਚ:
ਹੇਠਾਂ ਦਿੱਤੇ ਸਿਫਾਰਸ਼ ਨਿਯਮਾਂ ਦੀ ਜਾਂਚ ਕਰੋ। ਨਿਯਮ: [ਸੂਚੀ]। ਕਾਰਜ: ਹੇਠਾਂ ਦਿੱਤੇ ਜੋਖਮਾਂ ਦੇ ਵਿਰੁੱਧ ਹਰੇਕ ਨਿਯਮ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ: ਸਟਾਕ ਇਕਸਾਰਤਾ, ਹਾਸ਼ੀਏ ਦੀ ਸੁਰੱਖਿਆ, ਸ਼੍ਰੇਣੀ ਫਿੱਟ, ਫਿਲਟਰ ਬੁਲਬੁਲਾ, ਪੱਖਪਾਤ। ਜੋਖਮ ਵਾਲੇ ਨਿਯਮਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਅਤੇ ਸੁਧਾਰ ਲਈ ਤੁਹਾਡੀ ਸਿਫ਼ਾਰਸ਼ ਕਰੋ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਕਰਾਸ-ਵਿਕਰੀ ਲਾਭ। ਇੱਕ ਇਲੈਕਟ੍ਰੋਨਿਕਸ ਸਟੋਰ ਨੇ AI ਨਾਲ ਆਰਡਰ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਅਤੇ ਇੱਕ ਪੈਟਰਨ ਪਾਇਆ "40% ਜਿਨ੍ਹਾਂ ਨੇ ਇੱਕ ਫੋਨ ਖਰੀਦਿਆ ਉਹਨਾਂ ਨੇ ਵੀ 30 ਦਿਨਾਂ ਦੇ ਅੰਦਰ ਇੱਕ ਕੇਸ ਖਰੀਦਿਆ।" ਫ਼ੋਨ ਪੰਨੇ 'ਤੇ ਇੱਕ ਢੁਕਵਾਂ ਕੇਸ ਸਿਫ਼ਾਰਿਸ਼ ਬਲਾਕ ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ (ਸਟਾਕ ਵਿੱਚ ਉਹਨਾਂ ਨੂੰ ਫਿਲਟਰ ਕਰਨਾ)। ਟੋਕਰੀ ਔਸਤ ਮਾਪਿਆ ਵਾਧਾ ਹੋਇਆ. ਏਆਈ ਨੇ ਇੱਕ ਪਰਿਕਲਪਨਾ ਦਿੱਤੀ, ਸਟੋਰ ਨੇ ਇਸਦੀ ਜਾਂਚ ਕੀਤੀ ਅਤੇ ਪੁਸ਼ਟੀ ਕੀਤੀ।
ਕੇਸ 2 - ਹਾਸ਼ੀਏ ਦਾ ਜਾਲ। ਇੱਕ ਸਟੋਰ ਨੇ ਹੋਮਪੇਜ ਨੂੰ "ਸਭ ਤੋਂ ਵੱਧ ਕਲਿੱਕ ਕੀਤੇ" ਉਤਪਾਦਾਂ ਲਈ ਪੂਰੀ ਤਰ੍ਹਾਂ ਛੱਡ ਦਿੱਤਾ। ਸਭ ਤੋਂ ਵੱਧ ਕਲਿੱਕ ਕੀਤੇ ਉਤਪਾਦ ਸਭ ਤੋਂ ਘੱਟ ਮਾਰਜਿਨ ਵਾਲੇ ਮੁਹਿੰਮ ਉਤਪਾਦ ਸਨ, ਕੁਝ ਤਾਂ ਘਾਟੇ 'ਤੇ ਵੀ ਵੇਚੇ ਗਏ। ਟਰਨਓਵਰ ਵਧਿਆ ਪਰ ਮੁਨਾਫਾ ਘਟਿਆ। ਹੱਲ: "ਉਸ ਉਤਪਾਦ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਕਰੋ ਜਿਸਦਾ ਹਾਸ਼ੀਏ ਹੋਮ ਪੇਜ 'ਤੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੋਂ ਹੇਠਾਂ ਹੈ" ਫਿਲਟਰ ਨੂੰ ਸਿਫਾਰਸ਼ ਨਿਯਮ ਵਿੱਚ ਜੋੜਿਆ ਗਿਆ ਹੈ।
ਕੇਸ 3 — ਫਿਲਟਰ ਬੁਲਬੁਲਾ। ਕਿਸੇ ਕਿਤਾਬ ਦੀ ਸਾਈਟ 'ਤੇ, ਕਿਉਂਕਿ ਗਾਹਕ ਨੂੰ ਲਗਾਤਾਰ ਇੱਕੋ ਕਿਸਮ ਦੀ ਕਿਤਾਬ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਸੀ, ਗਾਹਕ ਨੇ ਕਦੇ ਵੀ ਨਵੀਆਂ ਸ਼ੈਲੀਆਂ ਨਹੀਂ ਲੱਭੀਆਂ ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਉਸਦੀ ਦਿਲਚਸਪੀ ਘਟਦੀ ਗਈ। ਜਦੋਂ ਵਿਭਿੰਨਤਾ ਨਿਯਮ "ਸੁਝਾਅ ਦਾ ਘੱਟੋ-ਘੱਟ 20% ਵੱਖ-ਵੱਖ ਸ਼੍ਰੇਣੀਆਂ ਤੋਂ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ" ਨੂੰ ਸੁਝਾਅ ਨਿਯਮ ਵਿੱਚ ਜੋੜਿਆ ਗਿਆ, ਖੋਜ ਅਤੇ ਵਿਕਰੀ ਮੁੜ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਮੈਂ ਇਸ ਉਤਪਾਦ ਨਾਲ ਕੀ ਸਿਫਾਰਸ਼ ਕਰ ਸਕਦਾ ਹਾਂ, ਮੈਨੂੰ ਕੁਝ ਵਿਚਾਰ ਦਿਓ.
ਮਾਡਲ ਤੁਹਾਡੇ ਅਸਲ ਡੇਟਾ ਅਤੇ ਹਾਸ਼ੀਏ ਨੂੰ ਜਾਣੇ ਬਿਨਾਂ ਆਮ, ਸ਼ਾਇਦ ਸਟਾਕ ਤੋਂ ਬਾਹਰ ਦੀਆਂ ਸਿਫ਼ਾਰਸ਼ਾਂ ਪੈਦਾ ਕਰਦਾ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਈ-ਕਾਮਰਸ ਵਿਸ਼ਲੇਸ਼ਕ। ਮੁੱਖ ਉਤਪਾਦ: ਵਾਇਰਲੈੱਸ ਹੈੱਡਸੈੱਟ (ਮਾਰਜਿਨ 28%, ਸਟਾਕ ਵਿੱਚ)। ਪੂਰਕ ਉਮੀਦਵਾਰ (ਸਟਾਕ/ਮਾਰਜਿਨ ਦੇ ਨਾਲ): ਕੈਰੀਿੰਗ ਕੇਸ (45%, ਸਟਾਕ ਵਿੱਚ), ਈਅਰਬਡਸ ਦਾ ਸੈੱਟ (50%, ਸਟਾਕ ਵਿੱਚ), ਚਾਰਜਿੰਗ ਕੇਬਲ (20%, ਸਟਾਕ ਵਿੱਚ)। ਟਾਸਕ: ਸਿਰਫ ਸਟਾਕ ਵਿੱਚ ਅਤੇ 30% ਤੋਂ ਵੱਧ ਮਾਰਜਿਨ ਦੇ ਨਾਲ 2 ਕਰਾਸ-ਸੇਲਿੰਗ ਪੈਕੇਜਾਂ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰੋ; ਹਰੇਕ ਪੈਕੇਜ ਲਈ ਗਾਹਕ ਲਾਭ ਨੂੰ ਇੱਕ ਵਾਕ ਵਿੱਚ ਲਿਖੋ।
ਆਮ ਗਲਤੀਆਂ
- ਸਬੂਤ ਲਈ ਸੁਝਾਅ ਨੂੰ ਗਲਤ ਕਰਨਾ. AI ਦਾ ਆਉਟਪੁੱਟ ਅਨੁਮਾਨ ਹੈ; ਪਰਖੇ ਬਿਨਾਂ ਫੈਸਲਾ ਨਹੀਂ ਹੁੰਦਾ।
- ਵਸਤੂ ਸੂਚੀ ਅਤੇ ਹਾਸ਼ੀਏ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ। ਸਵੈਚਲਿਤ ਸਿਫ਼ਾਰਿਸ਼ ਗੈਰ-ਲਾਭਕਾਰੀ ਜਾਂ ਵੇਚੇ ਗਏ ਉਤਪਾਦ ਨੂੰ ਉਜਾਗਰ ਕਰ ਸਕਦੀ ਹੈ।
- ਬਸ ਇਸ ਨੂੰ ਪ੍ਰਸਿੱਧੀ ਲਈ ਗੁਣ. ਸਭ ਤੋਂ ਵੱਧ ਕਲਿੱਕ ਕੀਤਾ ਗਿਆ ਹਮੇਸ਼ਾ ਸਭ ਤੋਂ ਵੱਧ ਲਾਭਦਾਇਕ ਜਾਂ ਸਭ ਤੋਂ ਸੁਵਿਧਾਜਨਕ ਨਹੀਂ ਹੁੰਦਾ.
- ਇੱਕ ਫਿਲਟਰ ਬੁਲਬੁਲਾ ਬਣਾਉਣਾ। ਉਹੀ ਉਤਪਾਦ ਲਗਾਤਾਰ ਦਿਖਾਉਣਾ ਖੋਜ ਅਤੇ ਵਿਕਰੀ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ।
- ਪੱਖਪਾਤ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕਰ ਰਿਹਾ। ਸਿਸਟਮ ਪਿਛਲੀਆਂ ਅਸਮਾਨਤਾਵਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰ ਸਕਦਾ ਹੈ; ਨਿਯਮਤ ਨਿਰੀਖਣ ਦੀ ਲੋੜ ਹੈ.
- ਜ਼ਬਰਦਸਤੀ ਵੇਚਣਾ। ਇੱਕ ਮਹਿੰਗੇ ਮਾਡਲ ਨੂੰ ਅੱਗੇ ਵਧਾਉਣਾ ਜਿਸਦਾ ਕੋਈ ਲਾਭ ਨਹੀਂ ਹੈ, ਤੁਹਾਨੂੰ ਆਤਮ ਵਿਸ਼ਵਾਸ ਗੁਆ ਦੇਵੇਗਾ।
ਸੰਖੇਪ ਵਿੱਚ
ਸਿਫ਼ਾਰਸ਼ ਪ੍ਰਣਾਲੀਆਂ ਗਾਹਕ ਨੂੰ ਸਹੀ ਸਮੇਂ 'ਤੇ ਸਹੀ ਉਤਪਾਦ ਦਿਖਾ ਕੇ ਟੋਕਰੀ ਔਸਤ ਅਤੇ ਵਫ਼ਾਦਾਰੀ ਨੂੰ ਵਧਾਉਂਦੀਆਂ ਹਨ। ਇੱਥੇ ਤਿੰਨ ਬੁਨਿਆਦੀ ਤਰਕ ਹਨ: ਸਮੱਗਰੀ-ਆਧਾਰਿਤ (ਸਮਾਨ ਉਤਪਾਦ), ਸਹਿਯੋਗੀ (ਇਕੱਠੇ ਖਰੀਦੇ), ਅਤੇ ਵਿਅਕਤੀਗਤਕਰਨ। ਇੱਥੋਂ ਤੱਕ ਕਿ ਛੋਟੇ ਸਟੋਰਾਂ ਵਿੱਚ, AI ਆਰਡਰ ਡੇਟਾ ਤੋਂ ਕਰਾਸ-ਸੇਲਿੰਗ ਅਤੇ ਬੰਡਲਿੰਗ ਅਨੁਮਾਨਾਂ ਨੂੰ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ; ਪਰ ਇਹ ਪਰਖਣ ਲਈ ਵਿਚਾਰ ਹਨ, ਸਬੂਤ ਨਹੀਂ। ਸਟਾਕ, ਹਾਸ਼ੀਏ, ਸ਼੍ਰੇਣੀ ਫਿੱਟ, ਅਤੇ ਵਿਭਿੰਨਤਾ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਸਿਫ਼ਾਰਸ਼ ਨਿਯਮਾਂ ਨੂੰ ਬਣਾਉਣਾ ਯਕੀਨੀ ਬਣਾਓ; ਫਿਲਟਰ ਬੁਲਬੁਲਾ ਅਤੇ ਪੱਖਪਾਤ ਦੇ ਜੋਖਮਾਂ ਦੀ ਨਿਯਮਤ ਤੌਰ 'ਤੇ ਜਾਂਚ ਕਰੋ। ਜਦੋਂ ਵਪਾਰਕ ਨਿਯੰਤਰਣ ਦੀ ਪਾਲਣਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਤਾਂ ਆਟੋਮੈਟਿਕ ਸਿਫ਼ਾਰਿਸ਼ ਮੁੱਲ ਪੈਦਾ ਕਰਦੀ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਤੁਹਾਡੇ ਆਪਣੇ ਆਰਡਰ ਡੇਟਾ (ਅਗਿਆਤ ਉਤਪਾਦ ਕੋਡਾਂ ਦੇ ਨਾਲ) ਤੋਂ ਅਕਸਰ ਖਰੀਦੇ ਗਏ 5 ਉਤਪਾਦ ਜੋੜਿਆਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰੋ। AI ਨੂੰ "ਸਹਿ-ਵੇਚਣ ਵਾਲੇ ਉਤਪਾਦ ਵਿਸ਼ਲੇਸ਼ਣ" ਟੈਮਪਲੇਟ ਨਾਲ ਕਰਾਸ-ਵੇਚਣ ਵਾਲੀਆਂ ਧਾਰਨਾਵਾਂ ਲਈ ਪੁੱਛੋ। ਹਰੇਕ ਪਰਿਕਲਪਨਾ ਨੂੰ "ਜੇ-ਤਾਂ" ਬਿਆਨ ਵਿੱਚ ਬਦਲੋ ਅਤੇ ਇਸਨੂੰ ਸਟਾਕ ਅਤੇ ਹਾਸ਼ੀਏ ਦੁਆਰਾ ਫਿਲਟਰ ਕਰੋ। 2 ਸਭ ਤੋਂ ਹੋਨਹਾਰ ਧਾਰਨਾਵਾਂ ਲਈ ਇੱਕ ਟੈਸਟ ਪਲਾਨ ਲਿਖੋ (ਕਿੰਨਾ ਸਮਾਂ, ਕਿਸ ਮਾਪਦੰਡ ਨੂੰ ਮਾਪਣਾ ਹੈ)। ਅੰਤ ਵਿੱਚ, "ਸਿਫਾਰਿਸ਼ ਨਿਯਮ ਆਡਿਟ" ਟੈਮਪਲੇਟ ਨਾਲ ਜੋਖਮਾਂ ਲਈ ਆਪਣੇ ਸਿਫਾਰਸ਼ ਨਿਯਮਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਸੁਝਾਵਾਂ ਦੇ ਵਿਚਾਰਾਂ ਨੂੰ ਪਰਖਣ ਲਈ ਅਨੁਮਾਨਾਂ ਵਜੋਂ ਮੰਨਿਆ, ਸਬੂਤ ਵਜੋਂ ਨਹੀਂ।
- [ ] ਮੈਂ ਹਰੇਕ ਸੁਝਾਅ ਨੂੰ ਸਟਾਕ ਅਤੇ ਮਾਰਜਿਨ ਦੁਆਰਾ ਫਿਲਟਰ ਕੀਤਾ ਹੈ।
- [] ਪ੍ਰਸਿੱਧੀ ਤੋਂ ਇਲਾਵਾ, ਮੈਂ ਮੁਨਾਫੇ ਅਤੇ ਅਨੁਕੂਲਤਾ ਨੂੰ ਵੀ ਮੰਨਿਆ।
- [ ] ਮੈਂ ਵਿਭਿੰਨਤਾ ਨਿਯਮ ਦੇ ਨਾਲ ਫਿਲਟਰ ਬੁਲਬੁਲੇ ਤੋਂ ਪਰਹੇਜ਼ ਕੀਤਾ।
- [ ] ਮੈਂ ਪੱਖਪਾਤ ਲਈ ਜਾਂਚ ਕੀਤੀ ਕਿ ਸਿਫ਼ਾਰਿਸ਼ਾਂ ਕਿਸ ਨੂੰ ਦਿਖਾਉਂਦੀਆਂ ਹਨ।
- [ ] ਮੈਂ ਵਾਸਤਵਿਕ ਸੁਝਾਵਾਂ ਨੂੰ ਅਸਲ ਟੈਸਟ ਨਾਲ ਮਾਪਣ ਦੀ ਯੋਜਨਾ ਬਣਾਈ ਹੈ।