Câștiguri:
- Înțelegerea logicii motorului de recomandare (cumpărat împreună, produse similare, personalizare) și impactul acestuia asupra valorilor de afaceri
- Abilitatea de a construi relații cu produse, pachete și scenarii de vânzare încrucișată cu suport de inteligență artificială și de a le transforma în ipoteze testabile
- Capacitatea de a vedea riscurile de filtrare a bulei, de părtinire și de recomandare automată a stocului/marjei neutre și de a lega regulile de recomandare la controlul comercial
O parte semnificativă a vânzărilor pe site-urile mari de comerț electronic provine din produsul recomandat clientului, nu din produsul pe care acesta îl caută. Ați văzut cu toții blocurile „Cei care au cumpărat asta au cumpărat și asta”, „Alegerile noastre pentru tine”, „Mai ieftin împreună”. Sistemul din spatele acestor blocuri se numește motor de recomandare: este un software care produce răspunsuri la întrebarea „Ce ar trebui să arăt acestei persoane acum?” privind comportamentul clientului, relația dintre produse și tiparele generale. Inteligența artificială (AI) este utilă în acest domeniu în două moduri: vă ajută să generați scenarii și reguli atunci când construiți logica de recomandare și vă analizează propriile relații cu produsele din magazinele mici și vine cu idei de pachete/vânzare încrucișată. Dar atenție: un sistem bun de recomandare trebuie să se uite nu doar la „câte clicuri”, ci și la inventar, marjă și experiență client.
Să lămurim cei doi termeni. Vânzarea încrucișată este oferirea unui alt produs care completează un produs unui cumpărător (un caz pentru un cumpărător de telefon). Up-sell oferă un model mai mare/costisitor care satisface aceeași nevoie (256 GB în loc de 128 GB). Ambele sunt modalități legitime de creștere a coșului mediu (AOV); Dar funcționează atunci când este cu adevărat benefic pentru client și deranjează atunci când este forțat.
Trei logici de bază ale sistemului de recomandare
Sistemele de recomandare utilizează în general una sau un amestec de trei abordări.
1) Bazat pe conținut: se uită la caracteristicile proprii ale produsului. „Alți pantofi de alergare similari acestui pantof de alergare”. Funcționează chiar și cu clienți noi, deoarece nu necesită istoric comportamental.
2) Filtrare colaborativă: se uită la modelul de comportament. „Oamenii care au cumpărat acest produs l-au cumpărat și pe acesta.” Este puternic, dar necesită multe date și suferă de „pornire la rece” (produs nou/client nou).
3) Personalizare: adaptează vitrina unui singur client pe baza comportamentului său din trecut. Are un efect puternic, dar prezintă un risc de confidențialitate și „bule de filtrare”.
Următorul tabel rezumă blocurile de recomandări și scopul acestora:
bloc
logica
Scop
exemplu
Produse similare
bazat pe conținut
oferi o alternativă
Închide modele din aceeași categorie
luate împreună
colaborativ
vânzare încrucișată
telefon + carcasa + protectie ecran
Alegerile noastre pentru tine
Personalizare
angajamentul
Pe baza navigației anterioare
Favorite / bestselleruri
Popularitate
Încredere + client nou
Cele mai bine vândute din categorie
de unde ai plecat
datele sesiunii
inversare
Ultimele produse vizualizate
Configurarea recomandărilor cu AI într-un magazin mic
Chiar și magazinele mici și mijlocii care nu pot stabili un motor de recomandare corporativă pot structura în mod inteligent relațiile cu produsele folosind AI. Puteți oferi în mod anonim datele reale despre „produsele vândute împreună” (articolele de comandă) către AI și să îi puneți să analizeze „ce produse sunt cumpărate împreună, ce pachete pot recomanda?” AI generează ipoteze de vânzare încrucișată și grupare pentru tine; Le filtrezi prin stoc și marjă, apoi le testezi efectiv. Cuvântul cheie aici este ipoteză: sugestia AI nu este o dovadă, ci o idee care trebuie testată.
Sfat: Transformă fiecare idee de recomandare într-o ipoteză „dacă-atunci”: „Dacă recomandăm Y cuiva care cumpără X, media coșului său va crește.” Apoi măsurați acest lucru cu un mic experiment (test A/B sau perioadă de timp). O recomandare fără măsurare este doar o presupunere.
Auditul comercial al regulilor de recomandare
Un sistem de recomandare poate fi periculos dacă este lăsat la „cele mai multe clicuri” complet automatizat. Stoc: recomandarea unui produs care este epuizat va dezamăgi clientul. Marja: produsul cu cele mai multe clicuri poate avea cea mai mică marjă; Sistemul vă poate direcționa către produse neprofitabile. Siguranța și adecvarea mărcii: recomandarea irelevantă sau inadecvată în categorii sensibile (bebeluș, sănătate) își pierde încrederea. Balon de filtrare: arătând în mod constant clientului același tip de produs, distruge descoperirea și restrânge vânzările. De aceea, recomandările automate sunt încadrate neapărat de reguli de afaceri: „recomandați ce este în stoc”, „nu prezentați produsul a cărui marjă este sub acest prag”, „mențineți conformitatea categoriei”.
Prejudecata este, de asemenea, un risc real. Deoarece sistemul de recomandare se bazează pe comportamentul trecut, acesta poate consolida inegalitățile din trecut; De exemplu, recomandarea constantă a unor produse mai ieftine/de calitate inferioară unui anumit grup. Aceasta este atât o problemă etică, cât și comercială. Este necesar să se auditeze periodic rezultatele recomandărilor în vederea „ceea ce i se recomandă cui”.
Patru șabloane copiabile
1) Analiza produselor vândute împreună:
Rolul dvs.: asistent analist e-commerce. Mai jos sunt articolele de comandă anonime (codurile articolului și numărul de ori luate împreună). Date: [tabel]. Sarcină: găsiți cele 10 perechi de articole cumpărate cel mai frecvent împreună; Pentru fiecare pereche, scrieți o ipoteză de vânzare încrucișată („Oferă Y cumpărătorilor X”). Notă: Acestea sunt ipoteze; Voi verifica, de asemenea, stocul și marja.
2) Recomandare pachet:
Produs: [produs principal]. Produse complementare: [listă, cu note în marjă]. Sarcină: Sugerați 3 pachete sensibile; Pentru fiecare pachet, explicați beneficiul clientului într-o singură propoziție. Regula: toate produsele din pachet trebuie sa fie in stoc; făcând produsul cu marjă scăzută principala atracție.
3) Scenariul cel mai bine vândut:
Clientul se uită la: [produs, preț, caracteristici].Modele de lux: [listă, cu diferențe de preț/funcții]. Sarcină: redactați un mesaj de upsell sincer: cât să plătiți pentru ce beneficiu suplimentar.Regulă: fără exagerare; Explicați diferența prin caracteristici concrete.
4) Verificarea regulilor de sugestie:
Verificați următoarele reguli de recomandare. Reguli: [listă]. Sarcină: evaluați fiecare regulă în raport cu următoarele riscuri: consistența stocului, protecția marjei, potrivirea categoriei, balonul de filtrare, părtinire. Enumerați regulile riscante și recomandarea dvs. pentru corecție.
trei mini cutii
Cazul 1 – Câștig de vânzare încrucișată. Un magazin de electronice a analizat datele comenzilor cu ajutorul inteligenței artificiale și a găsit un model de „40% dintre cei care și-au cumpărat un telefon au cumpărat și o husă în 30 de zile”. S-a adăugat un bloc adecvat de recomandare a carcasei pe pagina de telefon (filtrul pe cele din stoc). Media coșului a crescut considerabil. AI a dat o ipoteză, magazinul a testat-o și a verificat-o.
Cazul 2 — Capcană de marjă. Un magazin a abandonat în întregime pagina de pornire în favoarea produselor „cel mai multe clicuri”. Produsele cu cele mai multe clicuri au fost produsele din campanie cu cele mai mici marje, unele chiar vândute în pierdere. Cifra de afaceri a crescut, dar profiturile au scăzut. Soluție: filtrul „Prezentați produsul a cărui marjă este sub pragul de pe pagina de pornire” a fost adăugat la regula de recomandare.
Cazul 3 — Filtru cu bule. Pe un site de carte, deoarece clientului i s-a recomandat constant același tip de carte, clientul nu a descoperit niciodată genuri noi și interesul său a scăzut în timp. Când regula de diversitate „cel puțin 20% din sugestii ar trebui să fie din diferite categorii” a fost adăugată la regula de sugestie, descoperirea și vânzările au fost recuperate.
Prompt slab / Prompt puternic
Prompt slab:
Ce pot sa recomand cu acest produs, dati-mi cateva idei.
Modelul produce recomandări generice, poate epuizate, fără a cunoaște datele și marja dvs. reale.
Solicitare puternică:
Rolul dvs.: analist e-commerce. Produs principal: cască wireless (marja 28%, în stoc). Candidați complementari (cu stoc/marja): husă de transport (45%, pe stoc), set de căști (50%, pe stoc), cablu de încărcare (20%, pe stoc). Sarcină: propune 2 pachete de vânzare încrucișată doar cu în stoc și cu marje peste 30%; Scrieți beneficiul clientului într-o propoziție pentru fiecare pachet.
Greșeli comune
- Greșeli sugestia pentru dovezi. Rezultatul AI este ipoteza; Nu devine o decizie fără a fi testată.
- Ignorând inventarul și marja. Recomandarea automată poate evidenția un produs neprofitabil sau epuizat.
- Atribuiți-o doar popularității. Cel mai accesat nu este întotdeauna cel mai profitabil sau cel mai convenabil.
- Crearea unei bule de filtru. Arătarea constantă a aceluiași produs distruge descoperirea și vânzările.
- Nu se verifică părtinirea. Sistemul poate consolida inegalitățile din trecut; Este necesară o inspecție regulată.
- Vânzare forțată. Împingerea unui model scump care nu are beneficii vă va face să vă pierdeți încrederea.
Pe scurt
Sistemele de recomandare cresc media coșului și loialitatea, arătând clientului produsul potrivit la momentul potrivit. Există trei logici de bază: bazate pe conținut (produse similare), colaborative (cumpărate împreună) și personalizare. Chiar și în magazinele mici, AI poate genera ipoteze de vânzare încrucișată și grupare din datele comenzilor; Dar acestea sunt idei care trebuie testate, nu dovezi. Asigurați-vă că încadrați regulile de recomandare în jurul stocului, marjei, potrivirea categoriei și varietatea; Verificați regulat bula de filtru și riscurile de polarizare. Recomandarea automată creează valoare atunci când este respectată controlul comercial.
Sarcina de aplicare
Extrageți cele 5 perechi de produse cel mai frecvent achiziționate împreună din propriile date de comandă (cu coduri de produs anonime). Solicitați AI pentru ipoteze de vânzare încrucișată cu șablonul „Analiza produsului co-vândut”. Transformă fiecare ipoteză într-o declarație „dacă-atunci” și filtrează-o prin stoc și marjă. Scrieți un plan de testare pentru cele mai promițătoare 2 ipoteze (cât timp, ce măsură să măsoare). În cele din urmă, evaluați regulile de recomandare pentru riscuri cu șablonul „Audit pentru reguli de recomandare”.
lista de verificare
- [ ] Am tratat ideile de sugestie ca ipoteze de testat, nu ca dovezi.
- [ ] Am filtrat fiecare sugestie prin stoc și marjă.
- [ ] Pe lângă popularitate, am luat în considerare și rentabilitatea și adecvarea.
- [ ] Am evitat balonul de filtru cu regula diversităţii.
- [ ] Am verificat pentru părtinire ceea ce recomandările arată cui.
- [ ] Am plănuit să măsoare sugestiile promițătoare cu un test real.