Добици:
- Разумевање логике покретача препорука (купљени заједно, слични производи, персонализација) и његовог утицаја на пословну метрику
- Способност да се конструишу односи са производима, сценарији паковања и унакрсне продаје уз подршку вештачке интелигенције и претварају их у хипотезе које се могу тестирати
- Способност сагледавања ризика од мехурића филтера, пристрасности и аутоматске препоруке неутралне залихе/марже и повезивање правила препорука са комерцијалном контролом
Значајан део продаје на великим сајтовима за е-трговину долази од производа препорученог купцу, а не од производа који тражи. Сви сте видели блокове „Они који су ово купили и ово су купили“, „Наши избори за вас“, „Јефтиније заједно“. Систем који стоји иза ових блокова назива се механизам за препоруке: то је софтвер који даје одговоре на питање „Шта да сада покажем овој особи?“ посматрајући понашање купаца, однос производа и опште обрасце. Вештачка интелигенција (АИ) је корисна у овој области на два начина: помаже вам да генеришете сценарије и правила када конструишете логику препорука, и анализира ваше сопствене односе производа у малим продавницама и долази до идеја за пакете/унакрсну продају. Али пазите: добар систем препорука мора да гледа не само на „колико кликова“ већ и на инвентар, маржу и корисничко искуство.
Хајде да разјаснимо два појма. Унакрсна продаја је понуда другог производа који допуњује производ купцу (футрола за купца телефона). Уп-селл нуди виши/скупљи модел који задовољава исту потребу (256 ГБ уместо 128 ГБ). Оба су легитимни начини повећања просечне корпе (АОВ); Али то функционише када је заиста корисно за купца, а омета када је принудно.
Три основне логике система препорука
Системи препорука генерално користе један или мешавину три приступа.
1) Засновано на садржају: Сагледава сопствене карактеристике производа. „Друге патике за трчање сличне овој ципели за трчање“. Ради чак и са новим клијентима јер не захтева историју понашања.
2) Колаборативно филтрирање: Гледа на образац понашања. „Ово су купили и људи који су купили овај производ. Моћан је, али захтева много података и пати од „хладног почетка“ (нови производ/нови купац).
3) Персонализација: прилагођава излог једном купцу на основу њиховог понашања у прошлости. Има снажан ефекат, али носи ризик од приватности и „мехурића филтера“.
Следећа табела резимира блокове препорука и њихову сврху:
блок
логика
Сврха
пример
Слични производи
заснован на садржају
понуди алтернативу
Затворите моделе у истој категорији
узети заједно
сараднички
унакрсна продаја
телефон + маска + заштита за екран
Наши избори за вас
Персонализација
посвећеност
На основу претходне навигације
Фаворити / бестселери
Популарност
Поверење + нови купац
Најпродаванији у категорији
где си стао
подаци о сесији
преокрет
Последњи прегледани производи
Препорука за подешавање са АИ у малој продавници
Чак и мале и средње продавнице које не могу да успоставе механизам за корпоративне препоруке могу интелигентно структурирати односе производа користећи АИ. Можете анонимно дати праве податке о „производима који се продају заједно“ (ставке поруџбине) АИ и да она анализира „који производи се купују заједно, које пакете могу да препоручим?“ АИ генерише хипотезе о унакрсној продаји и груписању за вас; Филтрирате их кроз залихе и марже, а затим их заправо тестирате. Кључна реч овде је хипотеза: сугестија вештачке интелигенције није доказ, већ идеја коју треба тестирати.
Савет: Претворите сваку идеју препоруке у хипотезу „ако-онда“: „Ако препоручимо И некоме ко купи Кс, њихов просек корпе ће се повећати.“ Затим измерите ово малим експериментом (А/Б тест или временски период). Препорука без мерења је само нагађање.
Комерцијална ревизија правила препоруке
Систем препорука може бити опасан ако се препусти потпуно аутоматизованом „највише кликова”. Залиха: препоручивање производа који није на лагеру разочараће купца. Маржа: производ са највише кликова може имати најнижу маржу; Систем вас може упутити на неисплативе производе. Безбедност и прикладност бренда: ирелевантна или неодговарајућа препорука у осетљивим категоријама (беба, здравље) губи поверење. Филтер балон: стално приказивање истог типа производа клијенту убија откриће и сужава продају. Зато су аутоматске препоруке нужно уоквирене пословним правилима: „препоручите оно што је на лагеру“, „не представљајте производ чија је маржа испод овог прага“, „одржавајте усклађеност категорије“.
Пристрасност је такође прави ризик. Пошто је систем препорука заснован на понашању из прошлости, он може ојачати неједнакости из прошлости; На пример, стално препоручивање јефтинијих/ниже квалитетних производа одређеној групи. Ово је и етичко и комерцијално питање. Неопходно је редовно вршити ревизију резултата препорука са циљем „шта се коме препоручује“.
Четири шаблона за копирање
1) Анализа производа који се продају заједно:
Ваша улога: помоћник аналитичара е-трговине. Испод су анонимне ставке поруџбина (шифре артикала и број пута заједно). Подаци: [табела]. Задатак: пронађите 10 пари ствари које се најчешће купују заједно; За сваки пар напишите хипотезу унакрсне продаје („Понуди И купцима Кс“). Напомена: Ово су хипотезе; Такође ћу проверити залихе и маржу.
2) Препорука пакета:
Производ: [главни производ]. Комплементарни производи: [листа, са напоменама на маргинама]. Задатак: Предложити 3 разумна паковања; За сваки пакет у једној реченици објасните корист купцу. Правило: сви производи у пакету морају бити на залихама; чинећи производ са ниском маржом главним циљем.
3) Најпродаванији сценарио:
Купац гледа на: [производ, цену, карактеристике]. Висококласни модели: [листа, са разликама у цени/карактеристима]. Задатак: саставити искрену поруку о повећању продаје: колико платити за коју додатну корист. Правило: без претеривања; Објасните разлику кроз конкретне карактеристике.
4) Провера правила предлога:
Проверите следећа правила препоруке.Правила: [листа].Задатак: процените свако правило у односу на следеће ризике: доследност залиха, заштита маргине, уклапање категорије, филтер мехур, пристрасност.Наведите ризична правила и своју препоруку за исправку.
три мини кофера
Случај 1 — Добитак од унакрсне продаје. Продавница електронике је анализирала податке о наруџбини помоћу вештачке интелигенције и пронашла образац „40% оних који су купили телефон такође је купило кућиште у року од 30 дана“. Додан блок са препорукама одговарајућег случаја на страници телефона (филтрирање оних на залихама). Просек корпе је мерљиво повећан. АИ је дао хипотезу, продавница је тестирала и потврдила.
Случај 2 — Замка маргине. Једна продавница је у потпуности напустила почетну страницу на производе са "највише кликова". Производи са највећим бројем кликова били су производи кампање са најнижим маржама, неки су чак продати са губитком. Промет је порастао, али је профит опао. Решење: Филтер „Истакните производ чија је маргина испод прага на почетној страници“ додат је правилу препоруке.
Случај 3 — Филтер мехур. На сајту за књиге, пошто се купцу стално препоручује иста врста књиге, купац никада није открио нове жанрове и његово интересовање је временом опадало. Када је правило разноликости „најмање 20% предлога требало да буде из различитих категорија“ додато правилу сугестије, откриће и продаја су се опоравили.
Слаби промпт / Јаки промпт
Слабо обавештење:
Шта могу да препоручим са овим производом, дајте ми неке идеје.
Модел производи генеричке препоруке, можда ван залиха, без познавања ваших стварних података и марже.
Снажан упит:
Ваша улога: аналитичар е-трговине. Главни производ: бежичне слушалице (маржа 28%, на лагеру). Комплементарни кандидати (са залихама/марже): торбица (45%, на лагеру), сет слушалица (50%, на лагеру), кабл за пуњење (20%, на лагеру).Задатак: предложити 2 унакрсна пакета само са на лагеру и са маржама преко 30%; Напишите корист за купца у једној реченици за сваки пакет.
Уобичајене грешке
- Погрешио предлог као доказ. Излаз АИ је хипотеза; То не постаје одлука без тестирања.
- Игнорисање инвентара и марже. Аутоматска препорука може да истакне неисплатив или распродат производ.
- Само то припишите популарности. Највише кликова није увек најисплативије или најпогодније.
- Прављење филтерског мехурића. Стално приказивање истог производа убија откриће и продају.
- Не проверава пристрасност. Систем може да појача неједнакости из прошлости; Потребан је редован преглед.
- Принудна препродаја. Гурање скупог модела који нема користи ће узроковати да изгубите самопоуздање.
Укратко
Системи препорука повећавају просек корпе и лојалност показујући купцу прави производ у правом тренутку. Постоје три основне логике: заснована на садржају (слични производи), колаборативни (купљени заједно) и персонализација. Чак иу малим продавницама, АИ може да генерише хипотезе о унакрсној продаји и груписању на основу података о поруџбини; Али ово су идеје које треба тестирати, а не доказ. Обавезно уоквирите правила препорука око залиха, маргине, уклапања категорије и разноликости; Редовно проверавајте ризик од мехурића филтера и пристрасности. Аутоматска препорука ствара вредност када се придржава комерцијалне контроле.
Задатак апликације
Издвојите 5 парова производа који се најчешће купују заједно из сопствених података о поруџбини (са анонимним кодовима производа). Питајте АИ за хипотезе о унакрсној продаји помоћу шаблона „Анализа заједничког производа“. Претворите сваку хипотезу у изјаву „ако-онда“ и филтрирајте је кроз залихе и маргине. Напишите план тестирања за 2 хипотезе које највише обећавају (колико дуго, коју метрику да мерите). На крају, процените своја правила препоруке за ризике помоћу шаблона „Ревизија правила препоруке“.
контролна листа
- [ ] Идеје сугестија сам третирао као хипотезе које треба тестирати, а не као доказ.
- [ ] Сваки предлог сам филтрирао кроз залихе и маргине.
- [ ] Осим популарности, разматрао сам и профитабилност и прикладност.
- [ ] Избегао сам филтер мехур са правилом разноликости.
- [ ] Проверио сам за пристрасност шта препоруке показују коме.
- [ ] Планирао сам да измерим обећавајуће предлоге правим тестом.