Fitimet:
- Kuptimi i logjikës së motorit të rekomandimeve (të blera së bashku, produkte të ngjashme, personalizimi) dhe ndikimi i tij në matjet e biznesit
- Aftësia për të ndërtuar marrëdhënie produkti, paketim dhe skenarë të shitjeve të kryqëzuara me mbështetjen e inteligjencës artificiale dhe t'i kthejë ato në hipoteza të testueshme
- Aftësia për të parë rreziqet e flluskës së filtrit, paragjykimeve dhe rekomandimeve automatike neutrale të stokut/marzhit dhe të lidhni rregullat e rekomandimit me kontrollin tregtar
Një pjesë e konsiderueshme e shitjeve në faqet e mëdha të tregtisë elektronike vjen nga produkti i rekomanduar për klientin, jo nga produkti që ai kërkon. Të gjithë i keni parë blloqet "Ata që e blenë këtë blenë edhe këtë", "Zgjedhjet tona për ju", "Më lirë së bashku". Sistemi pas këtyre blloqeve quhet motor rekomandimi: është softuer që prodhon përgjigje për pyetjen "Çfarë duhet t'i tregoj këtij personi tani?" duke parë sjelljen e klientit, marrëdhëniet e produkteve dhe modelet e përgjithshme. Inteligjenca artificiale (AI) është e dobishme në këtë fushë në dy mënyra: të ndihmon të gjenerosh skenarë dhe rregulla kur ndërton logjikën e rekomandimeve, dhe analizon marrëdhëniet e produkteve tuaja në dyqane të vogla dhe del me ide të paketave/shitjeve të kryqëzuara. Por kini kujdes: një sistem i mirë rekomandimi duhet të shikojë jo vetëm "sa klikime", por edhe inventarin, diferencën dhe përvojën e klientit.
Le të sqarojmë dy termat. Shitja e kryqëzuar është ofrimi i një produkti tjetër që plotëson një produkt ndaj një blerësi (një kuti për një blerës telefoni). Up-sell ofron një model më të lartë/të shtrenjtë që plotëson të njëjtën nevojë (256 GB në vend të 128 GB). Të dyja janë mënyra legjitime për të rritur shportën mesatare (AOV); Por funksionon kur është vërtet e dobishme për klientin dhe shqetëson kur detyrohet.
Tre logjika bazë të sistemit të rekomandimeve
Sistemet rekomanduese zakonisht përdorin një ose një përzierje të tre qasjeve.
1) Bazuar në përmbajtje: Ai shikon veçoritë e vetë produktit. "Këpucë të tjera vrapimi të ngjashme me këtë këpucë vrapimi". Ai madje funksionon me klientë të rinj sepse nuk kërkon histori të sjelljes.
2) Filtrimi bashkëpunues: Shikon modelin e sjelljes. “Njerëzit që kanë blerë këtë produkt kanë blerë edhe këtë”. Është i fuqishëm, por kërkon shumë të dhëna dhe vuan nga një "fillim i ftohtë" (produkt i ri/klient i ri).
3) Personalizimi: Ai përshtat vitrinën për një klient të vetëm bazuar në sjelljen e tyre në të kaluarën. Ka një efekt të fuqishëm, por mbart një rrezik privatësie dhe "flluska filtri".
Tabela e mëposhtme përmbledh blloqet e rekomandimeve dhe qëllimin e tyre:
bllokoj
logjikës
Qëllimi
shembull
Produkte të ngjashme
bazuar në përmbajtje
ofrojnë një alternativë
Mbyllni modelet në të njëjtën kategori
të marra së bashku
bashkëpunuese
shitja e kryqëzuar
telefon + kasë + mbrojtës ekrani
Zgjedhjet tona për ju
Personalizimi
angazhim
Bazuar në lundrimin e kaluar
Të preferuarat / bestsellerët
Popullariteti
Besim + klient i ri
Bestsellerët në kategori
aty ku e keni lënë
të dhënat e sesionit
përmbysja
Produktet e shikuara së fundi
Konfigurimi i rekomandimeve me AI në një dyqan të vogël
Edhe dyqanet e vogla dhe të mesme që nuk mund të krijojnë një motor rekomandimi të korporatës mund të strukturojnë në mënyrë inteligjente marrëdhëniet e produkteve duke përdorur AI. Ju mund t'i jepni në mënyrë anonime të dhënat e vërteta të "produkteve të shitura së bashku" (artikujt e porositjes) tek AI dhe ta bëni atë të analizojë "cilat produkte blihen së bashku, cilat paketa mund t'ju rekomandoj?" AI gjeneron hipoteza të shitjes së kryqëzuar dhe të bashkimit për ju; Ju i filtroni ato përmes aksioneve dhe marzhit, dhe më pas i testoni ato. Fjala kyçe këtu është hipoteza: sugjerimi i AI nuk është provë, por një ide për t'u testuar.
Këshillë: Kthejeni çdo ide rekomandimi në një hipotezë "nëse-atëherë": "Nëse i rekomandojmë Y dikujt që blen X, mesatarja e shportës së tyre do të rritet". Më pas mateni këtë me një eksperiment të vogël (test A/B ose periudhë kohore). Një rekomandim pa matje është vetëm një supozim.
Auditimi komercial i rregullave të rekomandimit
Një sistem rekomandimi mund të jetë i rrezikshëm nëse lihet plotësisht i automatizuar "më të klikuarit". Stoku: rekomandimi i një produkti që nuk ka magazinë do ta zhgënjejë klientin. Marzhi: produkti me më shumë klikime mund të ketë marzhin më të ulët; Sistemi mund t'ju drejtojë drejt produkteve jofitimprurëse. Siguria dhe përshtatshmëria e markës: rekomandimi i parëndësishëm ose i papërshtatshëm në kategoritë e ndjeshme (foshnja, shëndeti) humb besimin. Flluskë filtri: duke i treguar vazhdimisht klientit të njëjtin lloj produkti vret zbulimin dhe ngushton shitjet. Kjo është arsyeja pse rekomandimet automatike janë domosdoshmërisht të përshtatura nga rregullat e biznesit: "rekomandoni atë që ka në magazinë", "mos e shfaqni produktin marzhi i të cilit është nën këtë prag", "ruani pajtueshmërinë e kategorisë".
Paragjykimi është gjithashtu një rrezik real. Për shkak se sistemi i rekomandimeve bazohet në sjelljen e kaluar, ai mund të përforcojë pabarazitë e së kaluarës; Për shembull, duke rekomanduar vazhdimisht produkte më të lira/cilësi më të ulët për një grup të caktuar. Kjo është një çështje etike dhe tregtare. Është e nevojshme që rregullisht të auditohen rezultatet e rekomandimeve me synimin "çfarë kujt i rekomandohet".
Katër shabllone të kopjueshëm
1) Analiza e produkteve të shitura së bashku:
Roli juaj: asistent i analistit të tregtisë elektronike. Më poshtë janë artikujt e porosive anonime (kodet e artikujve dhe numri i herëve të marra së bashku). Të dhënat: [tabela]. Detyrë: gjeni 10 palët e artikujve që blihen më shpesh së bashku; Për çdo çift, shkruani një hipotezë të shitjes së kryqëzuar ("Oferta Y për blerësit X"). Shënim: Këto janë hipoteza; Do të kontrolloj gjithashtu stokun dhe marzhin.
2) Rekomandimi i paketës:
Produkti: [produkti kryesor]. Produktet plotësuese: [lista, me shënime marzhi]. Detyra: Sugjeroni 3 paketa të arsyeshme; Për çdo paketë, shpjegoni përfitimin klientit me një fjali. Rregulli: të gjitha produktet në paketë duhet të jenë në magazinë; duke e bërë produktin me marzh të ulët tërheqjen kryesore.
3) Skenari më i shitur:
Klienti po shikon: [produkti, çmimi, veçoritë]. Modelet e larta: [lista, me dallime në çmim/veçori]. Detyra: hartoni një mesazh të sinqertë për shitjen e lartë: sa duhet të paguani për cilin përfitim shtesë. Rregulli: pa ekzagjerim; Shpjegoni ndryshimin përmes veçorive konkrete.
4) Kontrolli i rregullave të sugjerimit:
Kontrolloni rregullat e mëposhtme të rekomandimit.Rregullat: [lista].Detyra: vlerësoni çdo rregull kundrejt rreziqeve të mëposhtme: qëndrueshmëria e stokut, mbrojtja e marzhit, përshtatja e kategorisë, flluska e filtrit, paragjykimi. Rendisni rregullat e rrezikshme dhe rekomandimin tuaj për korrigjim.
tre mini kuti
Rasti 1 - Fitimi nga shitja e kryqëzuar. Një dyqan elektronik analizoi të dhënat e porosive me AI dhe gjeti një model prej "40% e atyre që blenë një telefon gjithashtu blenë një kasë brenda 30 ditëve". Shtoi një bllok të përshtatshëm rekomandimi të kasës në faqen e telefonit (duke filtruar ato në magazinë). Mesatarja e shportës u rrit në mënyrë të matshme. AI dha një hipotezë, dyqani e testoi dhe verifikoi atë.
Rasti 2 - Kurthi i marzhit. Një dyqan e braktisi faqen kryesore për produktet "më të klikuara". Produktet më të klikuara ishin produktet e fushatës me marzhe më të ulëta, disa madje u shitën me humbje. Qarkullimi u rrit, por fitimet ranë. Zgjidhja: Rregullit të rekomandimit i është shtuar filtri "Veço produktin, diferenca e të cilit është nën pragun në faqen kryesore".
Rasti 3 - Flluskë filtri. Në një faqe librash, për shkak se klientit i rekomandohej vazhdimisht i njëjti lloj libri, klienti nuk zbuloi kurrë zhanre të reja dhe interesi i tij u ul me kalimin e kohës. Kur rregullit të sugjerimit iu shtua rregulli i diversitetit "të paktën 20% e sugjerimeve duhet të jenë nga kategori të ndryshme", zbulimi dhe shitjet u rikuperuan.
Prompt i dobët / Prompt i fortë
Njoftim i dobët:
Çfarë mund të rekomandoj me këtë produkt, më jepni disa ide.
Modeli prodhon rekomandime gjenerike, ndoshta të pa disponueshme, pa i ditur të dhënat dhe marzhin tuaj aktual.
Njoftim i fuqishëm:
Roli juaj: analist i tregtisë elektronike. Produkti kryesor: kufje me valë (diferencë 28%, në magazinë). Kandidatët plotësues (me stok/marzh): çantë mbajtëse (45%, në magazinë), grup kufjesh (50%, në magazinë), kabllo karikimi (20%, në magazinë). Detyra: propozoni 2 paketa të kryqëzuara vetëm me magazinë dhe me marzhe mbi 30%; Shkruani përfitimin e klientit me një fjali për çdo paketë.
Gabimet e zakonshme
- Gabimi i sugjerimit për provë. Prodhimi i AI është hipoteza; Nuk bëhet vendim pa u testuar.
- Injorimi i inventarit dhe marzhit. Rekomandimi automatik mund të nxjerrë në pah produktin jofitimprurës ose të shitur.
- Thjesht ia atribuoni popullaritetit. Më e klikuar nuk është gjithmonë më fitimprurëse apo më e përshtatshme.
- Krijimi i një flluskë filtri. Shfaqja e vazhdueshme e të njëjtit produkt vret zbulimin dhe shitjet.
- Mos kontrollimi i paragjykimeve. Sistemi mund të përforcojë pabarazitë e së kaluarës; Kërkohet inspektim i rregullt.
- Shitje e detyruar. Shtyrja e një modeli të shtrenjtë që nuk ka përfitime do t'ju bëjë të humbni besimin.
Në përmbledhje
Sistemet e rekomandimit rrisin mesataren dhe besnikërinë e shportës duke i treguar klientit produktin e duhur në momentin e duhur. Ekzistojnë tre logjika bazë: e bazuar në përmbajtje (produkte të ngjashme), bashkëpunuese (të blera së bashku) dhe personalizimi. Edhe në dyqanet e vogla, AI mund të gjenerojë hipoteza të shitjes së kryqëzuar dhe të grumbullimit nga të dhënat e porosive; Por këto janë ide për t'u testuar, jo prova. Sigurohuni që të hartoni rregullat e rekomandimit rreth stokut, marzhit, përshtatjes së kategorisë dhe shumëllojshmërisë; Kontrolloni rregullisht flluskën e filtrit dhe rreziqet e paragjykimit. Rekomandimi automatik krijon vlerë kur i përmbahet kontrollit komercial.
Detyra e aplikimit
Nxirrni 5 çiftet e produkteve që blihen më shpesh së bashku nga të dhënat tuaja të porosisë (me kode anonime të produkteve). Kërkoni nga AI për hipotezat e shitjes së kryqëzuar me shabllonin "Analiza e produktit bashkë-shitur". Kthejeni çdo hipotezë në një deklaratë "nëse-atëherë" dhe filtrojeni atë përmes aksioneve dhe marzhit. Shkruani një plan testimi për 2 hipotezat më premtuese (sa kohë, çfarë metrike të matet). Së fundi, vlerësoni rregullat tuaja të rekomandimit për rreziqet me shabllonin "Auditimi i rregullave të rekomandimeve".
listë kontrolli
- [ ] I trajtova idetë e sugjerimeve si hipoteza për t'u testuar, jo si prova.
- [ ] Kam filtruar çdo sugjerim përmes aksioneve dhe marzhit.
- [ ] Përveç popullaritetit, kam konsideruar gjithashtu përfitimin dhe përshtatshmërinë.
- [ ] E shmanga flluskën e filtrit me rregullin e diversitetit.
- [ ] Kontrollova për paragjykime se çfarë i tregojnë rekomandimet kujt.
- [ ] Kam planifikuar të masë sugjerimet premtuese me një test të vërtetë.