ලාභ:
- නිර්දේශ එන්ජිමේ තර්කනය (එකට මිලදී ගත්, සමාන නිෂ්පාදන, පුද්ගලීකරණය) සහ ව්යාපාරික ප්රමිතික කෙරෙහි එහි බලපෑම අවබෝධ කර ගැනීම
- කෘතිම බුද්ධි සහාය ඇතිව නිෂ්පාදන සම්බන්ධතා, පැකේජ සහ හරස් විකුණුම් අවස්ථා ගොඩනඟා ඒවා පරීක්ෂා කළ හැකි උපකල්පන බවට පත් කිරීමේ හැකියාව
- පෙරහන් බුබුල, පක්ෂග්රාහී සහ කොටස්/ආන්තික-උදාසීන ස්වයංක්රීය නිර්දේශයේ අවදානම් දැකීමේ හැකියාව සහ වාණිජ පාලනයට නිර්දේශ නීති සම්බන්ධ කිරීම
විශාල ඊ-වාණිජ්ය අඩවි වල විකුණුම් වලින් සැලකිය යුතු කොටසක් පැමිණෙන්නේ පාරිභෝගිකයාට නිර්දේශිත නිෂ්පාදනයෙන් මිස ඔහු සොයන නිෂ්පාදනයෙන් නොවේ. "මේක ගත්ත අය මේකත් ගත්තා", "අපේ පික්ස් ඔයාට", "එකට ලාබයි" කියන බ්ලොක් ඔයාලා හැමෝම දැකලා ඇති. මෙම කුට්ටි පිටුපස ඇති පද්ධතිය නිර්දේශිත එන්ජිමක් ලෙස හැඳින්වේ: එය "මම දැන් මෙම පුද්ගලයාට පෙන්විය යුත්තේ කුමක්ද?" යන ප්රශ්නයට පිළිතුරු සපයන මෘදුකාංගයකි. පාරිභෝගිකයාගේ හැසිරීම, නිෂ්පාදනවල සම්බන්ධතාවය සහ සාමාන්ය රටා දෙස බැලීමෙන්. කෘත්රිම බුද්ධිය (AI) මෙම ක්ෂේත්රය තුළ ක්රම දෙකකින් ප්රයෝජනවත් වේ: එය ඔබට නිර්දේශ තර්කය ගොඩනඟන විට අවස්ථා සහ රීති උත්පාදනය කිරීමට උපකාරී වන අතර, එය කුඩා වෙළඳසැල්වල ඔබේම නිෂ්පාදන සම්බන්ධතා විශ්ලේෂණය කර පැකේජ/හරස් විකුණුම් අදහස් ඉදිරිපත් කරයි. නමුත් පරෙස්සම් වන්න: හොඳ නිර්දේශ පද්ධතියක් "කිලික් කීයක්" පමණක් නොව ඉන්වෙන්ටරි, ආන්තිකය සහ පාරිභෝගික අත්දැකීම් දෙස බැලිය යුතුය.
පද දෙක පැහැදිලි කරමු. Cross-selling යනු මිලදී ගන්නෙකුට නිෂ්පාදනයක් සම්පූර්ණ කරන වෙනත් නිෂ්පාදනයක් පිරිනැමීමයි (දුරකථන ගැනුම්කරුවෙකු සඳහා නඩුවක්). ඉහළ-විකිණීම එකම අවශ්යතාවය (128 GB වෙනුවට 256 GB) සපුරාලන ඉහළ/මිල අධික ආකෘතියක් පිරිනමයි. දෙකම සාමාන්ය කූඩය (AOV) වැඩි කිරීමට නීත්යානුකූල ක්රම වේ; නමුත් එය පාරිභෝගිකයාට සැබවින්ම ප්රයෝජනවත් වන විට එය ක්රියාත්මක වන අතර බල කරන විට එය බාධා කරයි.
නිර්දේශ පද්ධතියේ මූලික තර්ක තුනක්
නිර්දේශිත පද්ධති සාමාන්යයෙන් ප්රවේශයන් තුනක් හෝ මිශ්රණයක් භාවිතා කරයි.
1) අන්තර්ගතය මත පදනම් වූ: එය නිෂ්පාදනයේ ම විශේෂාංග දෙස බලයි. "මෙම ධාවන සපත්තුවට සමාන වෙනත් ධාවන සපත්තු". එය චර්යාත්මක ඉතිහාසයක් අවශ්ය නොවන නිසා එය නව ගනුදෙනුකරුවන් සමඟ පවා ක්රියා කරයි.
2) සහයෝගී පෙරහන: හැසිරීම් රටාව දෙස බලයි. "මේ භාණ්ඩය ගත්ත අය මේකත් ගත්තා." එය ප්රබලයි, නමුත් බොහෝ දත්ත අවශ්ය වන අතර "සීතල ආරම්භයකින්" (නව නිෂ්පාදනයක්/නව පාරිභෝගිකයෙක්) පීඩා විඳිති.
3) පුද්ගලීකරණය: එය තනි පාරිභෝගිකයෙකුට ඔවුන්ගේ අතීත හැසිරීම මත පදනම්ව ප්රදර්ශනාගාරය සකස් කරයි. එය බලගතු බලපෑමක් ඇති නමුත් පුද්ගලිකත්වය සහ "පෙරහන බුබුලු" අවදානම දරයි.
පහත වගුවේ නිර්දේශිත කොටස් සහ ඒවායේ අරමුණ සාරාංශ කරයි:
අවහිර කරන්න
තර්කනය
අරමුණ
උදාහරණයක්
සමාන නිෂ්පාදන
අන්තර්ගතය පදනම් කරගත්
විකල්පයක් ඉදිරිපත් කරන්න
එකම කාණ්ඩයේ ආකෘති වසා දමන්න
එකට ගත්තා
සහයෝගී
හරස් විකිණීම
දුරකථනය + නඩුව + තිර ආරක්ෂකය
ඔබ සඳහා අපගේ තේරීම්
පුද්ගලීකරණය
කැපවීම
අතීත සංචාලනය මත පදනම්ව
ප්රියතම / වැඩියෙන්ම අලෙවි වන ඒවා
ජනප්රියත්වය
විශ්වාසය + නව පාරිභෝගිකයා
කාණ්ඩයේ වැඩියෙන්ම අලෙවි වන ඒවා
ඔබ නතර කළ තැන
සැසි දත්ත
ආපසු හැරවීම
අවසන් වරට බැලූ නිෂ්පාදන
කුඩා වෙළඳසැලක AI සමඟ නිර්දේශ සැකසීම
ආයතනික නිර්දේශ එන්ජිමක් ස්ථාපිත කළ නොහැකි කුඩා හා මධ්යම ගබඩාවලට පවා AI භාවිතයෙන් නිෂ්පාදන සබඳතා බුද්ධිමත්ව ව්යුහගත කළ හැකිය. ඔබට නිර්නාමිකව "එකට විකුණන ලද නිෂ්පාදන" දත්ත (ඇණවුම් අයිතම) AI වෙත ලබා දිය හැකි අතර එය "එකට මිලදී ගන්නේ කුමන නිෂ්පාදනද, මට නිර්දේශ කළ හැකි පැකේජ මොනවාද?" AI ඔබ වෙනුවෙන් හරස් විකුණුම් සහ බද්ධ කිරීමේ උපකල්පන ජනනය කරයි; ඔබ ඒවා කොටස් සහ ආන්තිකය හරහා පෙරහන් කරන්න, පසුව ඔබ ඒවා සැබවින්ම පරීක්ෂා කරන්න. මෙහි ප්රධාන වචනය වන්නේ උපකල්පනයයි: AI හි යෝජනාව සාක්ෂි නොවේ, නමුත් පරීක්ෂා කළ යුතු අදහසකි.
ඉඟිය: එක් එක් නිර්දේශ අදහස "එසේ නම්" උපකල්පනයක් බවට පත් කරන්න: "අපි X මිලදී ගන්නා කෙනෙකුට Y නිර්දේශ කරන්නේ නම්, ඔවුන්ගේ බාස්කට් සාමාන්යය වැඩි වනු ඇත." ඉන්පසු කුඩා අත්හදා බැලීමකින් මෙය මැන බලන්න (A/B පරීක්ෂණය හෝ කාල සීමාව). මිනුම් නොමැතිව නිර්දේශ කිරීම අනුමානයක් පමණි.
නිර්දේශ රීති පිළිබඳ වාණිජ විගණනය
නිර්දේශ පද්ධතියක් සම්පූර්ණයෙන්ම ස්වයංක්රීය "වඩාත් ක්ලික් කිරීම්" වෙත තැබුවහොත් අනතුරුදායක විය හැක. තොග: තොග නොමැති නිෂ්පාදනයක් නිර්දේශ කිරීම පාරිභෝගිකයා බලාපොරොත්තු සුන් කරයි. ආන්තිකය: වැඩිපුර ක්ලික් කිරීම් සහිත නිෂ්පාදනයට අඩුම ආන්තිකය තිබිය හැකිය; පද්ධතිය ඔබව ලාභ නොලබන නිෂ්පාදන වෙත යොමු කළ හැකිය. සන්නාම ආරක්ෂාව සහ යෝග්යතාව: සංවේදී කාණ්ඩවල (ළදරු, සෞඛ්ය) අදාළ නොවන හෝ නුසුදුසු නිර්දේශයන් විශ්වාසය නැති කර ගනී. පෙරහන් බුබුල: එකම වර්ගයේ නිෂ්පාදනයක් පාරිභෝගිකයාට නිරන්තරයෙන් පෙන්වමින් සොයාගැනීම් විනාශ කරන අතර විකුණුම් පටු කරයි. ස්වයංක්රීය නිර්දේශ ව්යාපාරික නීති මගින් අවශ්යයෙන්ම සකස් වන්නේ එබැවිනි: "තොගයේ ඇති දේ නිර්දේශ කරන්න", "මෙම සීමාවට පහළින් ඇති භාණ්ඩය විශේෂාංග නොකරන්න", "ප්රවර්ග අනුකූලතාව පවත්වා ගන්න".
පක්ෂග්රාහීත්වය ද සැබෑ අවදානමකි. නිර්දේශ පද්ධතිය අතීත හැසිරීම් මත පදනම් වී ඇති නිසා, එය අතීත අසමානතාවයන් ශක්තිමත් කළ හැකිය; උදාහරණයක් ලෙස, යම් කණ්ඩායමකට මිල අඩු/අඩු ගුණාත්මක නිෂ්පාදන නිරන්තරයෙන් නිර්දේශ කිරීම. මෙය සදාචාරාත්මක මෙන්ම වාණිජමය ගැටලුවකි. "නිර්දේශ කරන්නේ කාටද" යන අදහසින් නිර්දේශ නිමැවුම් නිතිපතා විගණනය කිරීම අවශ්ය වේ.
පිටපත් කළ හැකි සැකිලි හතරක්
1) එකට විකුණන නිෂ්පාදන විශ්ලේෂණය:
ඔබේ කාර්යභාරය: ඊ-වාණිජ්ය විශ්ලේෂක සහකාර. පහත දැක්වෙන්නේ නිර්නාමික ඇණවුම් අයිතම (අයිතම කේත සහ එකට ගත් වාර ගණන). දත්ත: [වගුව]. කාර්යය: නිතර නිතර මිලදී ගත් භාණ්ඩ යුගල 10 සොයා ගන්න; සෑම යුගලයක් සඳහාම, හරස් විකුණුම් කල්පිතයක් ලියන්න ("මිලදී ගන්නන් X වෙත Y පිරිනැමීම"). සටහන: මේවා උපකල්පන වේ; මම කොටස් සහ ආන්තිකය ද පරීක්ෂා කරමි.
2) බණ්ඩල් නිර්දේශය:
නිෂ්පාදනය: [ප්රධාන නිෂ්පාදනය]. අනුපූරක නිෂ්පාදන: [ලැයිස්තුව, ආන්තික සටහන් සමඟ]. කාර්යය: සංවේදී පැකේජ 3ක් යෝජනා කරන්න; සෑම පැකේජයක් සඳහාම, පාරිභෝගිකයාට එක් වාක්යයකින් ප්රතිලාභ පැහැදිලි කරන්න. රීතිය: පැකේජයේ ඇති සියලුම නිෂ්පාදන තොගයේ තිබිය යුතුය; අඩු ආන්තික නිෂ්පාදනය ප්රධාන ඇඳීම බවට පත් කිරීම.
3) ඉහළම විකුණුම් තත්ත්වය:
පාරිභෝගිකයා බලන්නේ: [නිෂ්පාදනය, මිල, විශේෂාංග].උසස් මාදිලි: [ලැයිස්තුව, මිල/විශේෂාංග වෙනස්කම් සමඟ]. කාර්යය: අවංක ඉහළ විකුණුම් පණිවිඩයක් කෙටුම්පත් කරන්න: කුමන අමතර ප්රතිලාභයක් සඳහා කොපමණ මුදලක් ගෙවිය යුතුද. රීතිය: අතිශයෝක්තියක් නැත; කොන්ක්රීට් ලක්ෂණ හරහා වෙනස පැහැදිලි කරන්න.
4) යෝජනා රීති පරීක්ෂාව:
පහත නිර්දේශ රීති පරීක්ෂා කරන්න.රීති: [ලැයිස්තුව].කාර්යය: පහත අවදානම් වලට එරෙහිව එක් එක් රීතිය ඇගයීම: කොටස් අනුකූලතාව, ආන්තික ආරක්ෂණය, ප්රවර්ග ගැලපීම, පෙරහන් බුබුල, පක්ෂග්රාහී වීම.අවදානම් නීති ලැයිස්තුගත කරන්න සහ නිවැරදි කිරීම සඳහා ඔබේ නිර්දේශය.
කුඩා නඩු තුනක්
නඩුව 1 - හරස් විකුණුම් ලාභය. ඉලෙක්ට්රොනික වෙළඳසැලක් AI සමඟ ඇණවුම් දත්ත විශ්ලේෂණය කළ අතර "දුරකථනයක් මිලදී ගත් අයගෙන් 40% ක් දින 30 ක් ඇතුළත නඩුවක් මිලදී ගත්" රටාවක් සොයා ගන්නා ලදී. දුරකථන පිටුවට සුදුසු සිද්ධි නිර්දේශ වාරණයක් එක් කරන ලදී (තොග ඇති ඒවා පෙරීම). බාස්කට් සාමාන්යය මැනිය හැකි ලෙස වැඩි විය. AI උපකල්පනයක් ලබා දුන්නේය, ගබඩාව එය පරීක්ෂා කර සත්යාපනය කළේය.
නඩුව 2 - ආන්තික උගුල. එක් වෙළඳසැලක් මුල් පිටුව සම්පූර්ණයෙන්ම "වඩාත් ක්ලික් කළ" නිෂ්පාදන සඳහා අතහැර දමා ඇත. වැඩිපුරම ක්ලික් කරන ලද නිෂ්පාදන වූයේ අඩුම ආන්තිකය සහිත ප්රචාරක නිෂ්පාදන වන අතර සමහර ඒවා පාඩුවට පවා අලෙවි විය. පිරිවැටුම වැඩි වූ නමුත් ලාභය අඩු විය. විසඳුම: "මුල් පිටුවේ සීමාවට පහළින් ඇති භාණ්ඩය විශේෂාංග කරන්න" පෙරහන නිර්දේශ රීතියට එක් කර ඇත.
නඩුව 3 - පෙරහන් බුබුල. පොත් අඩවියක, පාරිභෝගිකයා නිරන්තරයෙන් එකම වර්ගයේ පොත් නිර්දේශ කර ඇති නිසා, පාරිභෝගිකයා කිසි විටෙකත් නව ප්රභේද සොයා නොගත් අතර කාලයත් සමඟ ඔහුගේ උනන්දුව අඩු විය. "යෝජනා වලින් අවම වශයෙන් 20%ක් විවිධ කාණ්ඩ වලින් විය යුතුය" යන විවිධත්ව රීතිය යෝජනා රීතියට එක් කළ විට, සොයාගැනීම් සහ විකුණුම් ප්රතිසාධනය විය.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
මෙම නිෂ්පාදනය සමඟ මට නිර්දේශ කළ හැක්කේ කුමක්ද, මට අදහස් කිහිපයක් දෙන්න.
ආකෘතිය ඔබේ සත්ය දත්ත සහ ආන්තිකය නොදැන සාමාන්ය, සමහර විට තොගයෙන් බැහැර නිර්දේශ නිෂ්පාදනය කරයි.
බලවත් විමසුම:
ඔබේ කාර්යභාරය: ඊ-වාණිජ්ය විශ්ලේෂක. ප්රධාන නිෂ්පාදනය: රැහැන් රහිත හෙඩ්සෙට් (ආන්තික 28%, තොගයේ). අනුපූරක අපේක්ෂකයින් (තොග/ආන්තිකය සමඟ): රැගෙන යන නඩුව (45%, තොගයේ), ඉයර්බඩ් කට්ටලය (50%, තොගයේ), ආරෝපණ කේබල් (20%, තොගයේ ඇත). කාර්යය: තොගයේ ඇති සහ 30% ට වැඩි ආන්තික සහිත පමණක් හරස් විකුණුම් පැකේජ 2ක් යෝජනා කරන්න; එක් එක් පැකේජය සඳහා පාරිභෝගික ප්රතිලාභ එක වාක්යයකින් ලියන්න.
පොදු වැරදි
- යෝජනාව සාක්ෂි සඳහා වරදවා වටහා ගැනීම. AI හි ප්රතිදානය කල්පිතයයි; එය පරීක්ෂණයකින් තොරව තීරණයක් බවට පත් නොවේ.
- ඉන්වෙන්ටරි සහ ආන්තිකය නොසලකා හැරීම. ස්වයංක්රීය නිර්දේශය මඟින් ලාභ නොලබන හෝ විකුණා ඇති නිෂ්පාදනයක් ඉස්මතු කළ හැක.
- එය ජනප්රියත්වයට පමණක් ආරෝපණය කරන්න. වඩාත්ම ක්ලික් කරන ලද සෑම විටම වඩාත්ම ලාභදායී හෝ වඩාත්ම පහසු නොවේ.
- පෙරහන් බුබුලක් නිර්මාණය කිරීම. එකම භාණ්ඩය නිරන්තරයෙන් පෙන්වීම සොයාගැනීම් සහ විකුණුම් විනාශ කරයි.
- පක්ෂග්රාහීත්වය පරීක්ෂා නොකරයි. පද්ධතියට අතීත අසමානතාවයන් ශක්තිමත් කළ හැකිය; නිතිපතා පරීක්ෂා කිරීම අවශ්ය වේ.
- බලහත්කාරයෙන් ඉහළට විකිණීම. කිසිදු ප්රතිලාභයක් නොමැති මිල අධික ආකෘතියක් තල්ලු කිරීම ඔබට විශ්වාසය නැති කර ගැනීමට හේතු වේ.
සාරාංශයක් ලෙස
නිර්දේශ පද්ධති පාරිභෝගිකයාට නියම භාණ්ඩය නියම මොහොතේ පෙන්වීමෙන් බාස්කට් සාමාන්යය සහ පක්ෂපාතිත්වය වැඩි කරයි. මූලික තර්ක තුනක් ඇත: අන්තර්ගතය මත පදනම් වූ (සමාන නිෂ්පාදන), සහයෝගී (එකට මිලදී ගත්) සහ පුද්ගලීකරණය. කුඩා වෙළඳසැල් වල පවා, AI හට ඇණවුම් දත්ත වලින් හරස් විකුණුම් සහ බද්ධ කිරීමේ උපකල්පන ජනනය කළ හැකිය; නමුත් මේවා පරීක්ෂා කළ යුතු අදහස් මිස සාක්ෂි නොවේ. තොග, ආන්තිකය, ප්රවර්ග ගැලපීම සහ විවිධත්වය වටා නිර්දේශ රීති සැකසීමට වග බලා ගන්න; පෙරහන් බුබුල සහ පක්ෂග්රාහී අවදානම නිරන්තරයෙන් පරීක්ෂා කරන්න. වාණිජ පාලනයට අනුගත වූ විට ස්වයංක්රීය නිර්දේශය වටිනාකමක් නිර්මාණය කරයි.
යෙදුම් කාර්යය
ඔබගේම ඇණවුම් දත්ත වලින් (නිර්නාමික නිෂ්පාදන කේත සමඟ) නිතර මිලදී ගත් නිෂ්පාදන යුගල 5 උපුටා ගන්න. "සම-විකුණුම් නිෂ්පාදන විශ්ලේෂණය" අච්චුව සමඟ හරස් විකුණුම් උපකල්පන සඳහා AI ගෙන් විමසන්න. සෑම උපකල්පනයක්ම "if-then" ප්රකාශයක් බවට පත් කර කොටස් සහ ආන්තිකය හරහා පෙරහන් කරන්න. වඩාත්ම පොරොන්දු වූ උපකල්පන 2 සඳහා පරීක්ෂණ සැලැස්මක් ලියන්න (කොපමණ කාලයක්, කුමන මෙට්රික් මැනිය යුතුද යන්න). අවසාන වශයෙන්, "නිර්දේශ රීති විගණනය" අච්චුව සමඟ අවදානම් සඳහා ඔබේ නිර්දේශ රීති ඇගයීමට ලක් කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම යෝජනා අදහස් සැලකුවේ පරීක්ෂා කළ යුතු උපකල්පන ලෙස මිස සාක්ෂි ලෙස නොවේ.
- [ ] මම එක් එක් යෝජනාව කොටස් සහ ආන්තිකය හරහා පෙරා ගත්තෙමි.
- [ ] ජනප්රියත්වයට අමතරව, මම ලාභදායිත්වය සහ යෝග්යතාවය ද සලකා බැලුවෙමි.
- [ ] මම විවිධත්ව රීතිය සමඟින් පෙරහන් බුබුල මඟ හැරියෙමි.
- [ ] මම නිර්දේශවලින් පෙන්වන්නේ කාටද යන්න පක්ෂග්රාහී දැයි පරීක්ෂා කළෙමි.
- [ ] මම පොරොන්දු වූ යෝජනා සැබෑ පරීක්ෂණයකින් මැනීමට සැලසුම් කළෙමි.