Прибыль:
- Понимание логики работы рекомендательного механизма (покупаемые вместе, похожие товары, персонализация) и его влияния на бизнес-показатели.
- Способность строить взаимоотношения с продуктами, сценарии упаковки и перекрестных продаж с поддержкой искусственного интеллекта и превращать их в проверяемые гипотезы.
- Возможность видеть риски пузыря фильтров, предвзятости и автоматических рекомендаций, нейтральных к акциям/марже, и связывать правила рекомендаций с коммерческим контролем.
Значительная часть продаж на крупных сайтах электронной коммерции приходится на товар, рекомендованный покупателю, а не на товар, который он ищет. Все вы видели блоки «Кто купил это, купил и это», «Наш выбор для вас», «Вместе дешевле». Система, лежащая в основе этих блоков, называется рекомендательным механизмом: это программное обеспечение, которое выдает ответы на вопрос «Что мне сейчас показать этому человеку?» глядя на поведение клиента, взаимосвязь продуктов и общие закономерности. Искусственный интеллект (ИИ) полезен в этой области двумя способами: он помогает генерировать сценарии и правила при построении логики рекомендаций, а также анализирует ваши собственные взаимоотношения с продуктами в небольших магазинах и предлагает идеи упаковки/перекрестных продаж. Но будьте осторожны: хорошая система рекомендаций должна учитывать не только «сколько кликов», но и инвентарь, прибыль и качество обслуживания клиентов.
Давайте уточним эти два термина. Перекрестные продажи — это предложение покупателю другого продукта, который дополняет его (случай для покупателя телефона). Up-sell предлагает более дорогую модель, отвечающую тем же потребностям (256 ГБ вместо 128 ГБ). Оба являются законными способами увеличения средней корзины (AOV); Но это работает, когда это действительно выгодно заказчику, и мешает, когда его принуждают.
Три основные логики рекомендательной системы
Рекомендательные системы обычно используют один или комбинацию трех подходов.
1) На основе контента: учитываются собственные особенности продукта. «Другие кроссовки, похожие на эту кроссовку». Он работает даже с новыми клиентами, поскольку не требует истории поведения.
2) Совместная фильтрация: анализирует модель поведения. «Люди, купившие этот продукт, купили и его». Это мощный инструмент, но требует большого количества данных и страдает от «холодного старта» (новый продукт/новый клиент).
3) Персонализация. Витрина адаптируется под конкретного покупателя на основе его прошлого поведения. Это имеет мощный эффект, но несет в себе риск конфиденциальности и «пузырей фильтров».
В следующей таблице приведены блоки рекомендаций и их назначение:
блокировать
логика
Цель
пример
Похожие продукты
основанный на контенте
предложить альтернативу
Близкие модели в той же категории
вместе взятые
совместный
перекрестные продажи
телефон + чехол + защитная пленка
Наша подборка для вас
Персонализация
обязательство
На основе прошлой навигации
Избранное/бестселлеры
Популярность
Доверие + новый клиент
Бестселлеры в категории
где ты остановился
данные сеанса
разворот
Последние просмотренные товары
Настройка рекомендаций с ИИ в небольшом магазине
Даже малые и средние магазины, которые не могут создать корпоративную систему рекомендаций, могут разумно структурировать взаимоотношения с товарами с помощью ИИ. Вы можете анонимно передать реальные данные о «товарах, продаваемых вместе» (товарах заказа) ИИ, и он проанализирует, «какие товары покупаются вместе, какие пакеты я могу порекомендовать?» ИИ генерирует для вас гипотезы перекрестных продаж и объединения; Вы фильтруете их по акциям и марже, а затем фактически тестируете. Ключевое слово здесь — гипотеза: предложение ИИ — это не доказательство, а идея, которую необходимо проверить.
Совет: превратите каждую рекомендательную идею в гипотезу «если-то»: «Если мы порекомендуем Y тому, кто покупает X, средняя сумма его корзины увеличится». Затем измерьте это с помощью небольшого эксперимента (A/B-тест или период времени). Рекомендация без измерения — это всего лишь предположение.
Коммерческий аудит рекомендательных правил
Система рекомендаций может быть опасной, если оставить полностью автоматизированной систему «наиболее кликабельных». На складе: рекомендация товара, которого нет в наличии, разочарует покупателя. Маржа: продукт с наибольшим количеством кликов может иметь самую низкую маржу; Система может направить вас на убыточные товары. Безопасность и пригодность бренда: нерелевантная или неуместная рекомендация в чувствительных категориях (ребенок, здоровье) теряет доверие. Пузырь фильтров: постоянная демонстрация покупателю одного и того же типа продукта убивает открытие и сужает продажи. Вот почему автоматические рекомендации обязательно оформляются бизнес-правилами: «рекомендуйте то, что есть в наличии», «не показывайте товар, маржа которого ниже этого порога», «соблюдайте соответствие категории».
Предвзятость также представляет собой реальный риск. Поскольку система рекомендаций основана на прошлом поведении, она может усилить прошлое неравенство; Например, постоянные рекомендации определенной группе более дешевых/низкокачественных товаров. Это одновременно этический и коммерческий вопрос. Необходимо регулярно проверять результаты рекомендаций на предмет того, «что кому рекомендуется».
Четыре копируемых шаблона
1) Анализ продуктов, продаваемых вместе:
Ваша роль: помощник аналитика электронной коммерции. Ниже приведены позиции анонимного заказа (коды позиций и количество раз вместе взятые). Данные: [таблица]. Задача: найти 10 пар вещей, которые чаще всего покупаются вместе; Для каждой пары напишите гипотезу перекрестных продаж («Предложите Y покупателям X»). Примечание. Это гипотезы; Я также проверю запасы и маржу.
2) Рекомендации по комплектации:
Продукт: [основной продукт]. Дополнительные продукты: [список с пометками на полях]. Задача: Предложить 3 разумных пакета; Для каждого пакета объясните выгоду клиенту в одном предложении. Правило: все товары в упаковке должны быть в наличии; делая низкорентабельный продукт основным преимуществом.
3) Самый продаваемый сценарий:
Клиент смотрит на: [продукт, цена, характеристики]. Высококлассные модели: [список с различиями в цене и функциях]. Задача: составить честное сообщение о дополнительных продажах: сколько платить за какую дополнительную выгоду. Правило: без преувеличения; Объясните разницу через конкретные особенности.
4) Проверка правила предложения:
Проверьте следующие правила рекомендаций.Правила: [список].Задание: оцените каждое правило на предмет следующих рисков: стабильность акций, защита маржи, соответствие категории, пузырь фильтров, предвзятость.Составьте список рискованных правил и свои рекомендации по исправлению.
три мини-кейса
Случай 1. Выигрыш от перекрестных продаж. Магазин электроники проанализировал данные заказов с помощью ИИ и обнаружил закономерность: «40% тех, кто купил телефон, также купили чехол в течение 30 дней». На страницу телефона добавлен блок рекомендаций подходящего чехла (отфильтровывая те, что есть в наличии). Средний показатель по корзине заметно увеличился. ИИ дал гипотезу, магазин ее протестировал и подтвердил.
Случай 2 — Ловушка маржи. Один магазин полностью отказался от главной страницы в пользу товаров, пользующихся наибольшим спросом. Наибольшим количеством кликов пользовались продукты кампании с самой низкой прибылью, а некоторые даже продавались с убытком. Оборот увеличился, но прибыль упала. Решение. В правило рекомендации добавлен фильтр «Представляйте на главной странице продукт, маржа которого ниже порогового значения».
Случай 3 — Фильтр-пузырь. На книжном сайте, поскольку покупателю постоянно рекомендовали книги одного и того же типа, он никогда не открывал для себя новые жанры, и его интерес со временем уменьшался. Когда к правилу предложений было добавлено правило разнообразия «не менее 20% предложений должно быть из разных категорий», количество открытий и продаж восстановилось.
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Что я могу порекомендовать с этим продуктом, дайте мне несколько идей.
Модель выдает общие рекомендации, возможно, отсутствующие на складе, не зная ваших фактических данных и маржи.
Мощная подсказка:
Ваша роль: аналитик электронной коммерции. Основной товар: беспроводная гарнитура (наценка 28%, в наличии). Дополнительные кандидаты (с наличием/наценкой): чехол (45%, в наличии), комплект наушников (50%, в наличии), кабель для зарядки (20%, в наличии). Задача: предложить 2 кросс-продажных пакета только с наличием в наличии и с наценкой более 30%; Напишите выгоду для клиента в одном предложении для каждого пакета.
Распространенные ошибки
- Принимаем предложение за доказательства. Результатом работы ИИ является гипотеза; Оно не становится решением без проверки.
- Игнорирование запасов и маржи. Автоматическая рекомендация может выделить убыточный или распроданный товар.
- Просто объясните это популярностью. Самый кликабельный не всегда самый выгодный или самый удобный.
- Создание пузыря фильтра. Постоянная демонстрация одного и того же продукта убивает открытия и продажи.
- Не проверяя предвзятость. Система может усилить прошлое неравенство; Требуется регулярный осмотр.
- Принудительная продажа. Продвижение дорогой модели, не имеющей никаких преимуществ, приведет к потере уверенности.
В заключение
Рекомендательные системы увеличивают среднюю корзину и лояльность, показывая покупателю нужный продукт в нужный момент. Существует три основные логики: основанная на контенте (похожие продукты), совместная покупка (покупка вместе) и персонализация. Даже в небольших магазинах ИИ может генерировать гипотезы перекрестных продаж и группирования на основе данных о заказах; Но это идеи, которые нужно проверять, а не доказывать. Обязательно сформулируйте правила рекомендаций с учетом запасов, маржи, соответствия категории и разнообразия; Регулярно проверяйте пузырь фильтра и риски смещения. Автоматические рекомендации создают ценность при соблюдении коммерческого контроля.
Задача приложения
Извлеките 5 пар продуктов, которые чаще всего покупаются вместе, из данных вашего собственного заказа (с анонимными кодами продуктов). Запросите у ИИ гипотезы перекрестных продаж с помощью шаблона «Анализ совместно продаваемых продуктов». Превратите каждую гипотезу в утверждение «если-то» и отфильтруйте ее по запасам и марже. Напишите план тестирования двух наиболее многообещающих гипотез (как долго, какой показатель измерять). Наконец, оцените свои правила рекомендаций на предмет рисков с помощью шаблона «Аудит правил рекомендаций».
контрольный список
- [ ] Я рассматривал идеи предложений как гипотезы, которые необходимо проверить, а не как доказательства.
- [ ] Я отфильтровал каждое предложение по акциям и марже.
- [ ] Помимо популярности, я также учитывал рентабельность и пригодность.
- [ ] Я избежал пузыря фильтров с помощью правила разнообразия.
- [ ] Я проверил на предмет предвзятости, что и кому показывают рекомендации.
- [ ] Я планировал проверить многообещающие предложения с помощью реального теста.