Zyski:
- Zrozumienie logiki silnika rekomendacji (kupione razem, podobne produkty, personalizacja) i jego wpływu na metryki biznesowe
- Umiejętność konstruowania relacji produktowych, scenariuszy pakietowych i sprzedaży krzyżowej przy wsparciu sztucznej inteligencji i przekształcania ich w sprawdzalne hipotezy
- Możliwość zobaczenia ryzyka związanego z bańką filtrującą, stronniczością i automatyczną rekomendacją neutralną pod względem akcji/marży oraz powiązania zasad rekomendacji z kontrolą komercyjną
Znacząca część sprzedaży w dużych serwisach e-commerce pochodzi z produktu polecanego klientowi, a nie z produktu, którego szuka. Wszyscy widzieliście bloki „Ci, którzy to kupili, kupili także i to”, „Nasze typy dla Ciebie”, „Razem taniej”. System stojący za tymi blokami nazywa się silnikiem rekomendacyjnym: jest to oprogramowanie, które generuje odpowiedzi na pytanie: „Co powinienem teraz pokazać tej osobie?” patrząc na zachowanie klienta, powiązania produktów i ogólne wzorce. Sztuczna inteligencja (AI) przydaje się na tym polu na dwa sposoby: pomaga generować scenariusze i reguły podczas konstruowania logiki rekomendacji oraz analizuje własne relacje produktowe w małych sklepach i proponuje pomysły na pakiety/sprzedaż krzyżową. Ale uwaga: dobry system rekomendacji musi uwzględniać nie tylko liczbę kliknięć, ale także stan zapasów, marżę i satysfakcję klienta.
Wyjaśnijmy te dwa terminy. Sprzedaż krzyżowa polega na oferowaniu kupującemu innego produktu, który uzupełnia produkt (sprawa dla kupującego telefon). Up-sell oferuje wyższy/droższy model, który spełnia te same potrzeby (256 GB zamiast 128 GB). Obydwa są uzasadnionymi sposobami na zwiększenie średniego koszyka (AOV); Działa jednak, gdy jest to naprawdę korzystne dla klienta, przeszkadza, gdy jest wymuszone.
Trzy podstawowe logiki systemu rekomendacji
Systemy rekomendujące zazwyczaj wykorzystują jedno podejście lub kombinację trzech podejść.
1) Oparta na treści: analizuje cechy produktu. „Inne buty do biegania podobne do tego buta do biegania”. Działa nawet z nowymi klientami, ponieważ nie wymaga historii behawioralnej.
2) Filtrowanie oparte na współpracy: sprawdza wzorce zachowań. „Ludzie, którzy kupili ten produkt, kupili także i ten”. Jest potężny, ale wymaga dużej ilości danych i cierpi z powodu „zimnego startu” (nowy produkt/nowy klient).
3) Personalizacja: dostosowuje prezentację do konkretnego klienta na podstawie jego przeszłych zachowań. Ma potężny efekt, ale niesie ze sobą ryzyko prywatności i „pęcherzyków filtrujących”.
Poniższa tabela podsumowuje bloki rekomendacji i ich cel:
blok
logika
Cel
przykład
Podobne produkty
oparte na treści
zaproponować alternatywę
Zamknij modele w tej samej kategorii
wzięte razem
współpracujący
sprzedaż krzyżowa
telefon + etui + zabezpieczenie ekranu
Nasze typy dla Ciebie
Personalizacja
zaangażowanie
Na podstawie wcześniejszej nawigacji
Ulubione / bestsellery
Popularność
Zaufanie + nowy klient
Bestsellery w tej kategorii
gdzie skończyłeś
dane sesji
odwrócenie
Ostatnio oglądane produkty
Konfiguracja rekomendacji za pomocą AI w małym sklepie
Nawet małe i średnie sklepy, które nie mogą stworzyć korporacyjnego silnika rekomendacji, mogą inteligentnie strukturyzować relacje produktowe za pomocą sztucznej inteligencji. Możesz anonimowo przekazać sztucznej inteligencji rzeczywiste dane dotyczące „produktów sprzedanych razem” (pozycje zamówienia) i zlecić jej analizę, „które produkty są kupowane razem i jakie pakiety mogę polecić?” AI generuje dla Ciebie hipotezy dotyczące sprzedaży krzyżowej i łączenia; Filtrujesz je według zapasów i marży, a następnie faktycznie je testujesz. Kluczowym słowem jest tutaj hipoteza: sugestia sztucznej inteligencji nie jest dowodem, ale pomysłem do przetestowania.
Wskazówka: zamień każdy pomysł na rekomendację w hipotezę „jeśli-to”: „Jeśli polecimy Y komuś, kto kupi X, jego średni koszyk wzrośnie”. Następnie zmierz to za pomocą małego eksperymentu (test A/B lub okres czasu). Rekomendacja bez pomiaru jest jedynie przypuszczeniem.
Audyt komercyjny zasad rekomendacji
System rekomendacji może być niebezpieczny, jeśli zostanie pozostawiony całkowicie zautomatyzowanemu „najczęściej klikanemu”. Zapas: polecenie produktu, którego nie ma w magazynie, rozczaruje klienta. Marża: produkt z największą liczbą kliknięć może mieć najniższą marżę; System może skierować Cię do nierentownych produktów. Bezpieczeństwo i przydatność marki: nieistotna lub nieodpowiednia rekomendacja w drażliwych kategoriach (dziecko, zdrowie) traci zaufanie. Bańka filtrująca: ciągłe pokazywanie klientowi tego samego rodzaju produktu zabija odkrycie i zawęża sprzedaż. Dlatego automatyczne rekomendacje koniecznie muszą być opatrzone regułami biznesowymi: „polecaj to, co jest w magazynie”, „nie promuj produktu, którego marża jest poniżej tego progu”, „zachowaj zgodność kategorii”.
Stronniczość jest również realnym ryzykiem. Ponieważ system rekomendacji opiera się na przeszłych zachowaniach, może uwypuklić przeszłe nierówności; Na przykład ciągłe polecanie określonej grupie produktów tańszych/niższej jakości. Jest to kwestia etyczna i handlowa. Konieczne jest regularne audytowanie wyników rekomendacji pod kątem tego, „komu jest to rekomendowane”.
Cztery szablony do kopiowania
1) Analiza produktów sprzedawanych łącznie:
Twoja rola: asystent analityka e-commerce. Poniżej znajdują się anonimowe pozycje zamówienia (kody pozycji i liczba łącznych zamówień). Dane: [tabela]. Zadanie: znajdź 10 par przedmiotów najczęściej kupowanych razem; Dla każdej pary napisz hipotezę dotyczącą sprzedaży krzyżowej („Oferta Y kupującym X”). Uwaga: są to hipotezy; Sprawdzę również stan magazynowy i marżę.
2) Zalecenia dotyczące pakietu:
Produkt: [główny produkt]. Produkty uzupełniające: [lista z dopiskami na marginesie]. Zadanie: Zaproponuj 3 sensowne opakowania; Dla każdego pakietu wyjaśnij w jednym zdaniu korzyść dla klienta. Zasada: wszystkie produkty w pakiecie muszą znajdować się na magazynie; co sprawia, że produkt niskomarżowy staje się główną atrakcją.
3) Scenariusz najlepiej sprzedający się:
Klient patrzy na: [produkt, cenę, funkcje]. Ekskluzywne modele: [lista, z różnicami w cenie/funkcjach]. Zadanie: przygotuj uczciwy przekaz dotyczący sprzedaży dodatkowej: ile zapłacić za jaką dodatkową korzyść. Zasada: bez przesady; Wyjaśnij różnicę poprzez konkretne cechy.
4) Sprawdzenie reguły sugestii:
Sprawdź następujące zasady rekomendacji.Zasady: [lista].Zadanie: oceń każdą regułę pod kątem następujących zagrożeń: spójność zapasów, ochrona marży, dopasowanie kategorii, bańka filtrująca, stronniczość.Wymień ryzykowne zasady i zalecenie dotyczące korekty.
trzy mini etui
Przypadek 1 – Zysk ze sprzedaży krzyżowej. Sklep z elektroniką przeanalizował dane o zamówieniach za pomocą sztucznej inteligencji i odkrył wzór mówiący, że „40% osób, które kupiły telefon, kupiło także etui w ciągu 30 dni”. Dodano blok rekomendacji odpowiednich przypadków do strony telefonu (odfiltrowując te, które są dostępne). Średnia koszykowa wzrosła wymiernie. AI postawiła hipotezę, sklep ją przetestował i zweryfikował.
Przypadek 2 — Pułapka marginesowa. Jeden sklep całkowicie porzucił stronę główną na rzecz „najczęściej klikanych” produktów. Najczęściej klikanymi produktami były produkty z kampanii, które miały najniższe marże, a niektóre sprzedawały się nawet ze stratą. Obroty wzrosły, ale zyski spadły. Rozwiązanie: Do reguły rekomendacji dodano filtr „Pochwal się na stronie głównej produktem, którego marża jest niższa od progu”.
Przypadek 3 — Bąbelek filtrujący. Na stronie z książkami, ponieważ klientowi stale polecano ten sam rodzaj książki, klient nigdy nie odkrył nowych gatunków, a jego zainteresowanie z czasem malało. Kiedy do reguły sugestii dodano zasadę różnorodności „co najmniej 20% sugestii powinno pochodzić z różnych kategorii”, odkryto i sprzedaż wzrosła.
Słaba zachęta/silna zachęta
Słaba zachęta:
Co mogę polecić z tym produktem, podrzućcie mi jakieś pomysły.
Model generuje ogólne rekomendacje, być może niedostępne, bez znajomości rzeczywistych danych i marży.
Potężny monit:
Twoja rola: analityk e-commerce. Główny produkt: bezprzewodowy zestaw słuchawkowy (marża 28%, w magazynie). Kandydaci uzupełniający (z zapasem/marżą): futerał (45%, w magazynie), zestaw słuchawek dousznych (50%, w magazynie), kabel do ładowania (20%, w magazynie). Zadanie: zaproponować 2 pakiety cross-sellingu tylko z dostępnością i marżą powyżej 30%; W jednym zdaniu dla każdego opakowania napisz korzyść dla klienta.
Typowe błędy
- Branie sugestii za dowód. Wynikiem sztucznej inteligencji jest hipoteza; Decyzja nie zostaje podjęta bez sprawdzenia.
- Ignorowanie zapasów i marży. Automatyczna rekomendacja może wyróżnić produkt nieopłacalny lub wyprzedany.
- Po prostu przypisz to popularności. Najczęściej klikane nie zawsze jest najbardziej opłacalne i najwygodniejsze.
- Tworzenie bańki filtrującej. Ciągłe pokazywanie tego samego produktu zabija odkrywanie i sprzedaż.
- Nie sprawdzam stronniczości. System może wzmocnić istniejące nierówności; Wymagana jest regularna kontrola.
- Wymuszona dosprzedaż. Pchanie drogiego modelu, który nie ma żadnych zalet, spowoduje utratę pewności siebie.
Podsumowując
Systemy rekomendacji zwiększają średnią koszyka i lojalność, pokazując klientowi odpowiedni produkt we właściwym momencie. Istnieją trzy podstawowe logiki: oparta na treści (podobne produkty), współpraca (kupowane razem) i personalizacja. Nawet w małych sklepach sztuczna inteligencja może generować hipotezy dotyczące sprzedaży krzyżowej i łączenia produktów na podstawie danych o zamówieniach; Ale to są pomysły, które należy przetestować, a nie dowód. Pamiętaj, aby sformułować zasady rekomendacji dotyczące zapasów, marży, dopasowania kategorii i różnorodności; Regularnie sprawdzaj bańkę filtra i ryzyko błędu systematycznego. Automatyczne rekomendacje tworzą wartość, jeśli są przestrzegane pod kontrolą handlową.
Zadanie aplikacji
Wyodrębnij 5 najczęściej kupowanych razem par produktów z własnych danych zamówienia (z anonimowymi kodami produktów). Zapytaj AI o hipotezy dotyczące sprzedaży krzyżowej za pomocą szablonu „Analiza produktu współsprzedawanego”. Zamień każdą hipotezę w stwierdzenie „jeśli-to” i przefiltruj je według zapasów i marży. Napisz plan testów dla 2 najbardziej obiecujących hipotez (jak długo i jaki wskaźnik mierzyć). Na koniec oceń reguły rekomendacji pod kątem ryzyka za pomocą szablonu „Audyt reguł rekomendacji”.
lista kontrolna
- [ ] Sugestie traktowałem jako hipotezy do sprawdzenia, a nie jako dowód.
- [ ] Przefiltrowałem każdą sugestię według zapasów i marży.
- [ ] Oprócz popularności wziąłem pod uwagę także opłacalność i przydatność.
- [ ] Uniknąłem bańki filtrującej z zasadą różnorodności.
- [ ] Sprawdziłem pod kątem stronniczości, co rekomendacje pokazują komu.
- [ ] Planowałem zmierzyć obiecujące sugestie prawdziwym testem.