Dobički:
- Razumevanje logike mehanizma priporočil (kupljeno skupaj, podobni izdelki, personalizacija) in njegovega vpliva na poslovne meritve
- Sposobnost konstruiranja odnosov med izdelki, scenarijev pakiranja in navzkrižne prodaje s podporo umetne inteligence in njihovega spreminjanja v hipoteze, ki jih je mogoče preveriti
- Sposobnost vpogleda v tveganja filtrirnega mehurčka, pristranskosti in samodejnega priporočila, nevtralnega glede delnice/marže, ter povezovanje pravil priporočila s komercialnim nadzorom
Pomemben del prodaje na velikih spletnih mestih za e-trgovino izvira iz izdelka, ki je priporočen kupcu, ne izdelka, ki ga išče. Vsi ste že videli bloke "Tisti, ki so kupili to, so kupili tudi to", "Naš izbor za vas", "Skupaj ceneje". Sistem za temi bloki se imenuje mehanizem za priporočila: to je programska oprema, ki proizvaja odgovore na vprašanje "Kaj naj tej osebi zdaj pokažem?" s pogledom na vedenje kupca, razmerje med izdelki in splošne vzorce. Umetna inteligenca (AI) je na tem področju uporabna na dva načina: pomaga vam pri ustvarjanju scenarijev in pravil pri izdelavi logike priporočil ter analizira vaše lastne odnose med izdelki v majhnih trgovinah in pripravi ideje za pakete/navzkrižno prodajo. Vendar pozor: dober sistem priporočil ne sme upoštevati le "koliko klikov", temveč tudi zalogo, maržo in izkušnjo strank.
Razjasnimo oba pojma. Navzkrižna prodaja je ponudba drugega izdelka, ki kupcu dopolnjuje izdelek (ovitek za kupca telefona). Up-sell ponuja višji/dražji model, ki ustreza enakim potrebam (256 GB namesto 128 GB). Oba sta legitimna načina za povečanje povprečne košarice (AOV); Vendar deluje, ko je za stranko resnično koristno, in moti, ko je prisiljeno.
Tri osnovne logike priporočilnega sistema
Sistemi za priporočanje običajno uporabljajo enega ali mešanico treh pristopov.
1) Temelji na vsebini: obravnava lastnosti izdelka. "Drugi tekaški copati, podobni temu tekaškemu copatu". Deluje celo z novimi strankami, ker ne zahteva vedenjske zgodovine.
2) Sodelovalno filtriranje: preuči vedenjski vzorec. "Ljudje, ki so kupili ta izdelek, so kupili tudi tega." Je zmogljiv, vendar zahteva veliko podatkov in trpi zaradi "hladnega zagona" (nov izdelek/nova stranka).
3) Personalizacija: Predstavitev prilagodi posamezni stranki glede na njeno preteklo vedenje. Ima močan učinek, vendar prinaša tveganje za zasebnost in "filtrske mehurčke".
Naslednja tabela povzema bloke priporočil in njihov namen:
blok
logika
Namen
primer
Podobni izdelki
temelji na vsebini
ponuditi alternativo
Zapri modele v isti kategoriji
skupaj
sodelovalno
navzkrižno prodajo
telefon + etui + zaščita zaslona
Naši izbori za vas
Personalizacija
zavezanost
Na podlagi pretekle navigacije
Priljubljene/uspešnice
Priljubljenost
Zaupanje + nova stranka
Uspešnice v kategoriji
kjer si končal
podatke o seji
preobrat
Zadnji ogledani izdelki
Priporočena nastavitev z AI v majhni trgovini
Tudi majhne in srednje velike trgovine, ki ne morejo vzpostaviti korporativnega mehanizma za priporočila, lahko inteligentno strukturirajo odnose z izdelki z uporabo umetne inteligence. Umetni inteligenci lahko anonimno posredujete resnične podatke o "izdelkih, ki se prodajajo skupaj" (predmete naročila), da analizira "kateri izdelki so kupljeni skupaj, katere pakete lahko priporočim?" AI ustvarja hipoteze o navzkrižni prodaji in združevanju za vas; Filtrirate jih skozi zaloge in marže, nato pa jih dejansko preizkusite. Ključna beseda tukaj je hipoteza: predlog AI ni dokaz, ampak ideja, ki jo je treba preizkusiti.
Namig: vsako idejo za priporočilo spremenite v hipotezo "če-potem": "Če nekomu, ki kupi X, priporočamo Y, se bo povprečje njegove košarice povečalo." Nato to izmerite z majhnim poskusom (preizkus A/B ali časovno obdobje). Priporočilo brez meritev je samo ugibanje.
Komercialna revizija priporočilnih pravil
Sistem priporočil je lahko nevaren, če ga prepustimo popolnoma avtomatiziranemu »največkrat klikanemu«. Zaloga: priporočanje izdelka, ki ni na zalogi, bo stranko razočaralo. Marža: izdelek z največ kliki ima lahko najnižjo maržo; Sistem vas lahko usmeri na nedonosne izdelke. Varnost in primernost blagovne znamke: nepomembno ali neustrezno priporočilo v občutljivih kategorijah (dojenček, zdravje) izgubi zaupanje. Filtrirni mehurček: stalno prikazovanje iste vrste izdelka stranki ubija odkritje in zmanjšuje prodajo. Zato so samodejna priporočila nujno uokvirjena s poslovnimi pravili: "priporočaj, kar je na zalogi", "ne predstavljaj izdelka, katerega marža je pod tem pragom", "ohranjaj skladnost kategorije".
Pristranskost je tudi resnično tveganje. Ker sistem priporočil temelji na preteklem vedenju, lahko okrepi pretekle neenakosti; Na primer stalno priporočanje cenejših/manj kakovostnih izdelkov določeni skupini. To je tako etično kot komercialno vprašanje. Treba je redno revidirati rezultate priporočil z namenom, »kaj se komu priporoča«.
Štiri predloge za kopiranje
1) Analiza izdelkov, ki se prodajajo skupaj:
Vaša vloga: pomočnik analitika e-trgovine. Spodaj so anonimni artikli naročila (šifre artiklov in število krat). Podatki: [tabela]. Naloga: poiščite 10 parov predmetov, ki jih najpogosteje kupujete skupaj; Za vsak par napišite hipotezo navzkrižne prodaje (»Ponudite Y kupcem X«). Opomba: To so hipoteze; Preveril bom tudi zalogo in maržo.
2) Priporočilo svežnja:
Izdelek: [glavni izdelek]. Komplementarni izdelki: [seznam, z opombami ob robu]. Naloga: Predlagajte 3 smiselne pakete; Za vsak paket v enem stavku razložite ugodnost za stranko. Pravilo: vsi izdelki v paketu morajo biti na zalogi; zaradi česar je izdelek z nizko maržo glavni žreb.
3) Najbolj prodajan scenarij:
Stranka si ogleduje: [izdelek, cena, lastnosti]. Vrhunski modeli: [seznam, z razlikami v ceni/funkcijah]. Naloga: osnutek poštenega sporočila o višji prodaji: koliko plačati za katero dodatno ugodnost. Pravilo: brez pretiravanja; Pojasnite razliko skozi konkretne značilnosti.
4) Preverjanje pravila predloga:
Preverite naslednja priporočilna pravila. Pravila: [seznam]. Naloga: ovrednotite vsako pravilo glede na naslednja tveganja: doslednost zalog, zaščita marže, prileganje kategoriji, mehurček filtra, pristranskost. Navedite tvegana pravila in svoja priporočila za popravek.
trije mini kovčki
Primer 1 – Dobiček pri navzkrižni prodaji. Trgovina z elektroniko je z umetno inteligenco analizirala podatke o naročilih in odkrila vzorec "40 % tistih, ki so kupili telefon, je kupilo tudi etui v 30 dneh." Na stran s telefonom je dodan blok s priporočili primernih etuijev (izločanje tistih, ki so na zalogi). Povprečje košarice se je merljivo povečalo. AI je podal hipotezo, trgovina jo je preizkusila in preverila.
2. primer – past marže. Ena trgovina je domačo stran popolnoma opustila "najbolj klikanim" izdelkom. Najbolj klikani izdelki so bili oglaševalski izdelki z najnižjimi maržami, nekateri celo z izgubo. Promet se je povečal, dobiček pa upadel. Rešitev: Pravilu za priporočila je bil dodan filter »Predstavi izdelek, katerega marža je pod pragom na domači strani«.
Primer 3 – Filtrirni mehurček. Na spletnem mestu s knjigami, ker so stranki nenehno priporočali isto vrsto knjige, stranka nikoli ni odkrila novih žanrov in njeno zanimanje se je sčasoma zmanjšalo. Ko je bilo pravilu predlogov dodano pravilo raznolikosti "vsaj 20 % predlogov mora biti iz različnih kategorij", sta si odkritje in prodaja opomogla.
Šibek poziv/močan poziv
Šibek poziv:
Kaj lahko priporočim pri tem izdelku, dajte mi nekaj idej.
Model daje splošna priporočila, morda razprodanih izdelkov, ne da bi poznal vaše dejanske podatke in maržo.
Močan poziv:
Vaša vloga: analitik e-trgovine. Glavni izdelek: brezžične slušalke (marža 28%, na zalogi). Komplementarni kandidati (z zalogo/maržo): torbica (45%, na zalogi), komplet ušesnih čepkov (50%, na zalogi), polnilni kabel (20%, na zalogi). Naloga: predlagati 2 paketa navzkrižne prodaje samo z zalogo in z maržami nad 30%; Za vsak paket v enem stavku napišite korist za kupca.
Pogoste napake
- Zamenjati predlog za dokaz. Rezultat AI je hipoteza; Ne postane odločitev brez testiranja.
- Ignoriranje zalog in marže. Samodejno priporočilo lahko izpostavi nedonosne ali razprodane izdelke.
- Samo pripisati priljubljenosti. Največ klikov ni vedno najbolj donosno ali najbolj priročno.
- Ustvarjanje filtrskega mehurčka. Nenehno prikazovanje istega izdelka ubija odkritje in prodajo.
- Brez preverjanja pristranskosti. Sistem lahko okrepi pretekle neenakosti; Potreben je redni pregled.
- Prisilna nadgradnja. Potiskanje dragega modela, ki nima nobenih prednosti, bo povzročilo izgubo zaupanja.
Če povzamem
Priporočilni sistemi povečajo povprečje košarice in zvestobo tako, da kupcu pokažejo pravi izdelek v pravem trenutku. Obstajajo tri osnovne logike: vsebinska (podobni izdelki), sodelovalna (skupaj kupljena) in personalizacija. Tudi v majhnih trgovinah lahko AI ustvari hipoteze o navzkrižni prodaji in združevanju iz podatkov o naročilih; Toda to so ideje, ki jih je treba preizkusiti, ne dokazi. Bodite prepričani, da določite priporočilna pravila okoli zaloge, marže, ustreznosti kategorije in raznolikosti; Redno preverjajte mehurček filtra in tveganja pristranskosti. Samodejno priporočilo ustvarja vrednost, če se drži komercialnega nadzora.
Aplikacijska naloga
Izvlecite 5 parov izdelkov, ki jih najpogosteje kupujete skupaj, iz lastnih podatkov o naročilu (z anonimnimi kodami izdelkov). Vprašajte AI za hipoteze o navzkrižni prodaji s predlogo »Analiza soprodanih izdelkov«. Spremenite vsako hipotezo v izjavo "če-potem" in jo filtrirajte skozi zaloge in marže. Napišite testni načrt za 2 najbolj obetavni hipotezi (kako dolgo, katero metriko meriti). Na koncu ocenite svoja priporočilna pravila glede tveganj s predlogo »Revizija priporočilnih pravil«.
kontrolni seznam
- [ ] Predloge sem obravnaval kot hipoteze, ki jih je treba preizkusiti, ne kot dokaze.
- [ ] Vsak predlog sem filtriral skozi zaloge in marže.
- [ ] Poleg priljubljenosti sem upošteval tudi donosnost in primernost.
- [ ] S pravilom raznolikosti sem se izognil mehurčku filtra.
- [ ] Preveril sem pristranskost, kaj komu kažejo priporočila.
- [ ] Obetavne predloge sem nameraval izmeriti s pravim testom.