Vinster:
- Förstå logiken i rekommendationsmotorn (köpta tillsammans, liknande produkter, personalisering) och dess inverkan på affärsmått
- Förmåga att konstruera produktrelationer, paketera och korsförsäljningsscenarier med stöd för artificiell intelligens och omvandla dem till testbara hypoteser
- Möjlighet att se riskerna med filterbubblor, bias och aktie-/marginalneutral automatisk rekommendation och koppla rekommendationsregler till kommersiell kontroll
En betydande del av försäljningen på stora e-handelssajter kommer från produkten som rekommenderas till kunden, inte produkten han letar efter. Ni har alla sett blocken "De som köpte det här köpte också detta", "Våra val till dig", "Billigare tillsammans". Systemet bakom dessa block kallas en rekommendationsmotor: det är programvara som producerar svar på frågan "Vad ska jag visa den här personen nu?" genom att titta på kundens beteende, produkternas relation och allmänna mönster. Artificiell intelligens (AI) är användbar inom detta område på två sätt: den hjälper dig att generera scenarier och regler när du bygger rekommendationslogik, och den analyserar dina egna produktrelationer i små butiker och kommer med idéer om paket/korsförsäljning. Men se upp: ett bra rekommendationssystem måste inte bara titta på "hur många klick" utan också på lager, marginal och kundupplevelse.
Låt oss förtydliga de två termerna. Korsförsäljning är att erbjuda en annan produkt som kompletterar en produkt till en köpare (ett fodral för en telefonköpare). Merförsäljning erbjuder en högre/dyrare modell som uppfyller samma behov (256 GB istället för 128 GB). Båda är legitima sätt att öka genomsnittlig korg (AOV); Men det fungerar när det verkligen är fördelaktigt för kunden, och det stör när det tvingas.
Tre grundläggande logiker i rekommendationssystemet
Rekommendationssystem använder vanligtvis en eller en blandning av tre tillvägagångssätt.
1) Innehållsbaserat: Den tittar på produktens egna egenskaper. "Andra löparskor som liknar denna löparsko". Det fungerar till och med med nya kunder eftersom det inte kräver beteendehistorik.
2) Kollaborativ filtrering: Tittar på beteendemönstret. "Folk som köpte den här produkten köpte också den här." Det är kraftfullt, men kräver mycket data och lider av en "kallstart" (ny produkt/ny kund).
3) Personalisering: Den skräddarsyr utställningen till en enskild kund baserat på deras tidigare beteende. Det har en kraftfull effekt men medför risk för integritet och "filterbubblor".
Följande tabell sammanfattar rekommendationsblocken och deras syfte:
block
logik
Syfte
exempel
Liknande produkter
innehållsbaserat
erbjuda ett alternativ
Stäng modeller i samma kategori
tagna tillsammans
samarbetande
korsförsäljning
telefon + fodral + skärmskydd
Våra val för dig
Personalisering
engagemang
Baserat på tidigare navigering
Favoriter/bästsäljare
Popularitet
Förtroende + ny kund
Bästsäljare i kategorin
där du slutade
sessionsdata
omkastning
Senast visade produkter
Rekommendationsuppställning med AI i en liten butik
Även små och medelstora butiker som inte kan etablera en rekommendationsmotor för företag kan på ett intelligent sätt strukturera produktrelationer med hjälp av AI. Du kan anonymt ge den riktiga "produkter som säljs tillsammans" data (beställningsartiklar) till AI och få den att analysera "vilka produkter köps tillsammans, vilka paket kan jag rekommendera?" AI genererar korsförsäljning och paketeringshypoteser åt dig; Du filtrerar dem genom lager och marginal, och sedan testar du dem faktiskt. Nyckelordet här är hypotes: AI:s förslag är inte bevis, utan en idé som ska testas.
Tips: Förvandla varje rekommendationsidé till en "om-då"-hypotes: "Om vi rekommenderar Y till någon som köper X, kommer deras korggenomsnitt att öka." Mät sedan detta med ett litet experiment (A/B-test eller tidsperiod). En rekommendation utan mätning är bara en gissning.
Kommersiell revision av rekommendationsregler
Ett rekommendationssystem kan vara farligt om det lämnas till helt automatiserat "mest klickade". Lager: att rekommendera en produkt som är slut i lager kommer att göra kunden besviken. Marginal: produkten med flest klick kan ha den lägsta marginalen; Systemet kan leda dig till olönsamma produkter. Varumärkessäkerhet och lämplighet: irrelevant eller olämplig rekommendation i känsliga kategorier (bebis, hälsa) förlorar förtroendet. Filterbubbla: att ständigt visa kunden samma typ av produkt dödar upptäckten och minskar försäljningen. Det är därför automatiska rekommendationer nödvändigtvis ramas in av affärsregler: "rekommendera vad som finns i lager", "upprätthåll inte produkten vars marginal är under denna tröskel", "upprätthåll kategoriöverensstämmelse".
Bias är också en verklig risk. Eftersom rekommendationssystemet är baserat på tidigare beteende kan det förstärka tidigare ojämlikheter; Till exempel att ständigt rekommendera billigare/sämre kvalitetsprodukter till en viss grupp. Detta är både en etisk och kommersiell fråga. Det är nödvändigt att regelbundet granska rekommendationsresultaten med sikte på "vad som rekommenderas till vem".
Fyra kopierbara mallar
1) Analys av produkter som säljs tillsammans:
Din roll: e-handelsanalytikerassistent. Nedan finns anonyma beställningsartiklar (varukoder och antal gånger tillsammans). Data: [tabell]. Uppgift: hitta de 10 artiklar som oftast köps tillsammans; För varje par, skriv en korsförsäljningshypotes ("Erbjudande Y till köpare X"). Obs: Dessa är hypoteser; Jag kommer också att kontrollera lager och marginal.
2) Paketrekommendation:
Produkt: [huvudprodukt]. Kompletterande produkter: [lista, med marginalanteckningar]. Uppgift: Föreslå 3 vettiga paket; För varje paket, förklara fördelen för kunden i en mening. Regel: alla produkter i paketet måste finnas i lager; gör produkten med låga marginaler till huvuddraget.
3) Bästsäljande scenario:
Kunden tittar på: [produkt, pris, funktioner]. Exklusiva modeller: [lista, med pris-/funktionsskillnader]. Uppgift: utkast till ett ärligt merförsäljningsmeddelande: hur mycket ska man betala för vilken ytterligare förmån. Regel: ingen överdrift; Förklara skillnaden genom konkreta drag.
4) Förslagsregelkontroll:
Kontrollera följande rekommendationsregler.Regler: [lista].Uppgift: utvärdera varje regel mot följande risker: lagerkonsistens, marginalskydd, kategoripassning, filterbubbla, bias. Lista de riskfyllda reglerna och din rekommendation för korrigering.
tre minifodral
Fall 1 — Korsförsäljningsvinst. En elektronikbutik analyserade orderdata med AI och fann ett mönster av "40 % av de som köpte en telefon köpte också ett fodral inom 30 dagar." Lade till ett lämpligt rekommendationsblock för fodral på telefonsidan (filtrerade bort de som finns i lager). Korggenomsnittet ökade mätbart. AI gav en hypotes, butiken testade och verifierade den.
Fall 2 — Marginalfälla. En butik övergav hemsidan helt till "mest klickade" produkter. De mest klickade produkterna var kampanjprodukterna med lägst marginaler, några såldes till och med med förlust. Omsättningen ökade men vinsten sjönk. Lösning: Filtret "Visa produkten vars marginal ligger under tröskeln på hemsidan" har lagts till i rekommendationsregeln.
Fall 3 — Filterbubbla. På en boksajt, eftersom kunden ständigt rekommenderades samma typ av bok, upptäckte kunden aldrig nya genrer och hans intresse minskade med tiden. När mångfaldsregeln "minst 20 % av förslagen ska vara från olika kategorier" lades till förslagsregeln, återhämtade upptäckten och försäljningen.
Svag prompt / Stark prompt
Svag uppmaning:
Vad kan jag rekommendera med denna produkt, ge mig några idéer.
Modellen producerar generiska, kanske slutsålda rekommendationer utan att känna till din faktiska data och marginal.
Kraftfull uppmaning:
Din roll: e-handelsanalytiker. Huvudprodukt: trådlöst headset (marginal 28%, i lager). Kompletterande kandidater (med lager/marginal): bärväska (45 %, i lager), uppsättning öronsnäckor (50 %, i lager), laddningskabel (20 %, i lager). Uppgift: föreslå 2 korsförsäljningspaket endast med i lager och med marginaler över 30 %; Skriv kundnyttan i en mening för varje paket.
Vanliga misstag
- Missförstå förslaget som bevis. Utgången av AI är hypotesen; Det blir inte ett beslut utan att prövas.
- Ignorera lager och marginal. Automatisk rekommendation kan markera olönsam eller slutsåld produkt.
- Tillskriv det bara popularitet. Den mest klickade är inte alltid den mest lönsamma eller bekvämaste.
- Skapa en filterbubbla. Att ständigt visa samma produkt dödar upptäckt och försäljning.
- Kontrollerar inte partiskhet. Systemet kan förstärka tidigare ojämlikheter; Regelbunden inspektion krävs.
- Påtvingad merförsäljning. Att trycka på en dyr modell som inte har några fördelar kommer att få dig att tappa självförtroendet.
Sammanfattningsvis
Rekommendationssystem ökar korgens genomsnitt och lojalitet genom att visa kunden rätt produkt i rätt ögonblick. Det finns tre grundläggande logiker: innehållsbaserad (liknande produkter), kollaborativ (köpt tillsammans) och personalisering. Även i små butiker kan AI generera korsförsäljnings- och paketeringshypoteser från orderdata; Men det här är idéer som ska testas, inte bevis. Var noga med att utforma rekommendationsregler kring lager, marginal, kategoripassning och variation; Kontrollera regelbundet filterbubblan och förspänningsriskerna. Automatisk rekommendation skapar värde när den följs till kommersiell kontroll.
Applikationsuppgift
Extrahera de 5 produktpar som oftast köps tillsammans från din egen beställningsdata (med anonyma produktkoder). Be AI om korsförsäljningshypoteser med mallen för analys av samsåld produkt. Förvandla varje hypotes till ett "om-då"-påstående och filtrera det genom lager och marginal. Skriv en testplan för de 2 mest lovande hypoteserna (hur länge, vilket mått som ska mätas). Slutligen, utvärdera dina rekommendationsregler för risker med mallen "Rekommendationsregelrevision".
checklista
- [ ] Jag behandlade förslagsidéer som hypoteser som skulle testas, inte som bevis.
- [ ] Jag filtrerade varje förslag genom lager och marginal.
- [ ] Förutom popularitet tänkte jag också på lönsamhet och lämplighet.
- [ ] Jag undvek filterbubblan med mångfaldsregeln.
- [ ] Jag kontrollerade för partiskhet vad rekommendationerna visar för vem.
- [ ] Jag planerade att mäta de lovande förslagen med ett riktigt test.