zisky:
- Pochopenie logiky nástroja odporúčaní (kúpené spolu, podobné produkty, personalizácia) a jeho vplyvu na obchodné metriky
- Schopnosť konštruovať produktové vzťahy, balíky a scenáre krížového predaja s podporou umelej inteligencie a premeniť ich na testovateľné hypotézy
- Schopnosť vidieť riziká filtračnej bubliny, zaujatosti a automatického odporúčania neutrálneho na základe akcií/marže a prepojiť pravidlá odporúčaní s komerčnou kontrolou
Značná časť predaja na veľkých stránkach elektronického obchodu pochádza z produktu odporúčaného zákazníkovi, nie z produktu, ktorý hľadá. Všetci ste už videli bloky „Tí, čo kúpili toto, kúpili aj toto“, „Naše tipy pre vás“, „Spolu lacnejšie“. Systém za týmito blokmi sa nazýva nástroj odporúčaní: je to softvér, ktorý vytvára odpovede na otázku „Čo mám teraz ukázať tejto osobe?“ pohľadom na správanie zákazníka, vzťah produktov a všeobecné vzorce. Umelá inteligencia (AI) je v tejto oblasti užitočná dvoma spôsobmi: pomáha vám vytvárať scenáre a pravidlá pri vytváraní logiky odporúčaní a analyzuje vaše vlastné vzťahy s produktmi v malých predajniach a prichádza s nápadmi na balenie/krížový predaj. Ale pozor: dobrý systém odporúčaní sa musí pozerať nielen na „koľko kliknutí“, ale aj na zásoby, maržu a skúsenosti zákazníkov.
Objasnime si dva pojmy. Cross-selling ponúka ďalší produkt, ktorý kupujúcemu dopĺňa produkt (puzdro pre kupujúceho telefónu). Up-sell ponúka vyšší/drahší model, ktorý spĺňa rovnakú potrebu (256 GB namiesto 128 GB). Oba sú legitímne spôsoby zvýšenia priemerného koša (AOV); Ale funguje to, keď je to pre zákazníka skutočne výhodné, a prekáža, keď je to nútené.
Tri základné logiky systému odporúčaní
Systémy odporúčaní vo všeobecnosti používajú jeden alebo kombináciu troch prístupov.
1) Založené na obsahu: Pozerá sa na vlastnosti produktu. "Iná bežecká obuv podobná tejto bežeckej obuvi". Funguje dokonca aj s novými klientmi, pretože nevyžaduje históriu správania.
2) Kolaboratívne filtrovanie: Pozerá sa na vzor správania. "Ľudia, ktorí si kúpili tento produkt, kúpili aj tento." Je výkonný, ale vyžaduje veľa dát a trpí „studeným štartom“ (nový produkt/nový zákazník).
3) Personalizácia: Prispôsobuje vitrínu jednému zákazníkovi na základe jeho správania v minulosti. Má silný účinok, ale nesie so sebou riziko súkromia a „filtračných bublín“.
Nasledujúca tabuľka sumarizuje bloky odporúčaní a ich účel:
blokovať
logika
Účel
príklad
Podobné produkty
založené na obsahu
ponúknuť alternatívu
Zatvorte modely v rovnakej kategórii
brané spolu
kolaboratívne
krížový predaj
telefón + puzdro + ochrana displeja
Náš výber pre vás
Personalizácia
záväzok
Na základe predchádzajúcej navigácie
Obľúbené / bestsellery
Popularita
Dôvera + nový zákazník
Najpredávanejšie v kategórii
kde si skončil
údaje relácie
zvrat
Naposledy zobrazené produkty
Odporúčané nastavenie s AI v malom obchode
Dokonca aj malé a stredné obchody, ktoré nedokážu vytvoriť korporátny nástroj odporúčaní, môžu inteligentne štruktúrovať vzťahy s produktmi pomocou AI. Môžete anonymne poskytnúť AI skutočné údaje o „spolu predávaných produktoch“ (položky objednávky) a nechať ju analyzovať „ktoré produkty sa kupujú spolu, ktoré balíčky môžem odporučiť?“ AI pre vás vytvára hypotézy krížového predaja a spájania; Prefiltrujete si ich cez akcie a maržu a potom ich reálne otestujete. Kľúčovým slovom je tu hypotéza: návrh AI nie je dôkaz, ale nápad, ktorý treba otestovať.
Tip: Premeňte každý nápad na odporúčanie na hypotézu „ak-potom“: „Ak odporúčame Y niekomu, kto si kúpi X, priemer jeho košíka sa zvýši.“ Potom to zmerajte malým experimentom (test A/B alebo časové obdobie). Odporúčanie bez merania je len odhad.
Komerčný audit pravidiel odporúčaní
Systém odporúčaní môže byť nebezpečný, ak je ponechaný na úplne automatizovaný „najklikanejší“. Sklad: odporučenie produktu, ktorý nie je na sklade, sklame zákazníka. Marža: produkt s najväčším počtom kliknutí môže mať najnižšiu maržu; Systém vás môže nasmerovať na nerentabilné produkty. Bezpečnosť a vhodnosť značky: irelevantné alebo nevhodné odporúčanie v citlivých kategóriách (dieťa, zdravie) stráca dôveru. Filtračná bublina: neustále ukazovanie rovnakého typu produktu zákazníkovi zabíja objavovanie a zužuje predaj. Preto sú automatické odporúčania nevyhnutne zarámované obchodnými pravidlami: „odporúčajte, čo je na sklade“, „neprezentujte produkt, ktorého marža je pod touto hranicou“, „zachovajte súlad s kategóriami“.
Skutočným rizikom je aj zaujatosť. Pretože systém odporúčaní je založený na minulom správaní, môže posilniť minulé nerovnosti; Napríklad neustále odporúčanie lacnejších/menej kvalitných produktov určitej skupine. Ide o etický aj komerčný problém. Výstupy odporúčaní je potrebné pravidelne auditovať s ohľadom na to, „čo sa komu odporúča“.
Štyri kopírovateľné šablóny
1) Analýza produktov predávaných spolu:
Vaša úloha: asistent analytika elektronického obchodu. Nižšie sú uvedené anonymné položky objednávky (kódy položiek a počet spojení). Údaje: [tabuľka]. Úloha: nájdite spolu 10 párov vecí, ktoré sa najčastejšie kupujú; Pre každý pár napíšte hypotézu krížového predaja („Ponúknite Y kupujúcim X“). Poznámka: Toto sú hypotézy; Skontrolujem aj zásoby a maržu.
2) Odporúčanie balíka:
Produkt: [hlavný produkt]. Doplnkové produkty: [zoznam, s poznámkami na okraji]. Úloha: Navrhnite 3 rozumné balenia; Pri každom balíčku jednou vetou vysvetlite výhodu zákazníkovi. Pravidlo: všetky produkty v balení musia byť na sklade; čím sa produkt s nízkou maržou stal hlavným ťahákom.
3) Najpredávanejší scenár:
Zákazník sa pozerá na: [produkt, cena, vlastnosti]. Luxusné modely: [zoznam, s rozdielmi v cene/funkcii]. Úloha: navrhnúť poctivú správu o upsell: koľko zaplatiť za akú dodatočnú výhodu.Pravidlo: bez preháňania; Vysvetlite rozdiel prostredníctvom konkrétnych prvkov.
4) Kontrola pravidiel návrhu:
Skontrolujte nasledujúce pravidlá odporúčaní.Pravidlá: [zoznam].Úloha: vyhodnoťte každé pravidlo voči nasledujúcim rizikám: konzistencia akcií, ochrana marže, prispôsobenie sa kategórii, bublina filtra, zaujatosť. Uveďte rizikové pravidlá a svoje odporúčanie na opravu.
tri mini prípady
Prípad 1 – Zisk z krížového predaja. Obchod s elektronikou analyzoval údaje o objednávkach pomocou AI a našiel vzorec „40 % tých, ktorí si kúpili telefón, si do 30 dní kúpilo aj puzdro“. Na stránku telefónu bol pridaný vhodný blok odporúčaní prípadu (odfiltrovanie tých, ktoré sú na sklade). Priemer koša sa merateľne zvýšil. AI dala hypotézu, obchod ju otestoval a overil.
Prípad 2 – Pasca marže. Jeden obchod opustil domovskú stránku úplne na „najklikanejšie“ produkty. Najviac klikanými produktmi boli produkty kampane s najnižšou maržou, niektoré sa dokonca predávali so stratou. Obrat sa zvýšil, ale zisky klesli. Riešenie: Do pravidla odporúčaní bol pridaný filter „Uveďte produkt, ktorého marža je pod prahovou hodnotou na domovskej stránke“.
Prípad 3 – Filtračná bublina. Na stránke s knihami, pretože zákazníkovi bol neustále odporúčaný ten istý typ knihy, zákazník nikdy neobjavil nové žánre a jeho záujem časom klesal. Keď sa k pravidlu návrhov pridalo pravidlo rozmanitosti „aspoň 20 % návrhov by malo byť z rôznych kategórií“, objavovanie a predaj sa obnovili.
Slabá výzva / Silná výzva
Slabá výzva:
Čo môžem odporučiť s týmto produktom, dajte mi nejaké nápady.
Model vytvára všeobecné odporúčania, ktoré možno nie sú na sklade, bez toho, aby poznal vaše skutočné údaje a maržu.
Výkonná výzva:
Vaša úloha: analytik elektronického obchodu. Hlavný produkt: bezdrôtový headset (marža 28 %, skladom). Doplnkoví kandidáti (so skladom/maržou): puzdro na prenášanie (45 %, skladom), sada štupľov (50 %, skladom), nabíjací kábel (20 %, skladom). Ku každému balíčku napíšte jednou vetou zákaznícky benefit.
Časté chyby
- Zamieňanie návrhu za dôkaz. Výstupom AI je hypotéza; Nestane sa rozhodnutím bez otestovania.
- Ignorovanie zásob a marže. Automatické odporúčanie môže upozorniť na nerentabilný alebo vypredaný produkt.
- Stačí to pripísať popularite. Najklikanejší nie je vždy najziskovejší alebo najpohodlnejší.
- Vytvorenie filtračnej bubliny. Neustále ukazovanie toho istého produktu zabíja objavovanie a predaj.
- Nekontroluje zaujatosť. Systém môže posilniť minulé nerovnosti; Vyžaduje sa pravidelná kontrola.
- Nútený upselling. Tlačenie drahého modelu, ktorý nemá žiadne výhody, spôsobí stratu sebadôvery.
V súhrne
Systémy odporúčaní zvyšujú priemer košíka a lojalitu tým, že zákazníkovi ukážu správny produkt v správnom čase. Existujú tri základné logiky: založená na obsahu (podobné produkty), kolaboratívna (kúpené spolu) a personalizácia. Dokonca aj v malých predajniach dokáže AI generovať hypotézy krížového predaja a spájania z údajov o objednávkach; Ale to sú myšlienky, ktoré treba otestovať, nie dokazovať. Nezabudnite stanoviť pravidlá odporúčaní týkajúce sa akcií, marže, prispôsobenia kategórii a rozmanitosti; Pravidelne kontrolujte bublinu filtra a riziko skreslenia. Automatické odporúčanie vytvára hodnotu pri dodržiavaní komerčnej kontroly.
Aplikačná úloha
Extrahujte 5 najčastejšie nakupovaných párov produktov z vašich vlastných údajov o objednávke (s anonymnými kódmi produktov). Požiadajte AI o hypotézy krížového predaja pomocou šablóny „Analýza produktov spoločne predávaných“. Premeňte každú hypotézu na vyhlásenie „ak-potom“ a prefiltrujte ho cez zásoby a maržu. Napíšte testovací plán pre 2 najsľubnejšie hypotézy (ako dlho, akú metriku merať). Nakoniec vyhodnoťte pravidlá odporúčaní pre riziká pomocou šablóny „Audit pravidiel odporúčaní“.
kontrolný zoznam
- [ ] Nápady na návrhy som považoval za hypotézy, ktoré treba otestovať, nie za dôkazy.
- [ ] Každý návrh som prefiltroval cez akcie a maržu.
- [ ] Okrem obľúbenosti som zvažoval aj ziskovosť a vhodnosť.
- [ ] Filtračnej bubline som sa vyhol pravidlom diverzity.
- [ ] Skontroloval som zaujatosť toho, čo komu ukazujú odporúčania.
- [ ] Plánoval som zmerať sľubné návrhy skutočným testom.