กำไร:
- ทำความเข้าใจตรรกะของกลไกการแนะนำ (ซื้อร่วมกัน ผลิตภัณฑ์ที่คล้ายคลึงกัน การปรับเปลี่ยนในแบบของคุณ) และผลกระทบต่อตัวชี้วัดทางธุรกิจ
- ความสามารถในการสร้างความสัมพันธ์ของผลิตภัณฑ์ แพ็คเกจ และสถานการณ์การขายต่อเนื่องด้วยการสนับสนุนปัญญาประดิษฐ์ และเปลี่ยนให้เป็นสมมติฐานที่ทดสอบได้
- ความสามารถในการมองเห็นความเสี่ยงของฟองตัวกรอง อคติ และคำแนะนำอัตโนมัติสำหรับหุ้น/มาร์จิ้นที่เป็นกลาง และลิงก์กฎการแนะนำไปยังการควบคุมเชิงพาณิชย์
ยอดขายส่วนใหญ่บนไซต์อีคอมเมิร์ซขนาดใหญ่มาจากผลิตภัณฑ์ที่แนะนำให้แก่ลูกค้า ไม่ใช่ผลิตภัณฑ์ที่เขากำลังมองหา คุณคงเคยเห็นบล็อก "คนที่ซื้อสิ่งนี้ก็ซื้อสิ่งนี้", "สิ่งที่เราคัดสรรมาเพื่อคุณ", "ถูกกว่าด้วยกัน" ระบบที่อยู่เบื้องหลังบล็อกเหล่านี้เรียกว่ากลไกการแนะนำ: เป็นซอฟต์แวร์ที่สร้างคำตอบสำหรับคำถาม "ฉันควรแสดงอะไรให้บุคคลนี้ตอนนี้" โดยพิจารณาจากพฤติกรรมของลูกค้า ความสัมพันธ์ของสินค้า และรูปแบบทั่วไป ปัญญาประดิษฐ์ (AI) มีประโยชน์ในสองด้านในด้านนี้: ช่วยให้คุณสร้างสถานการณ์และกฎเกณฑ์เมื่อสร้างตรรกะการแนะนำ และวิเคราะห์ความสัมพันธ์ของผลิตภัณฑ์ของคุณในร้านค้าขนาดเล็ก และเกิดแนวคิดเกี่ยวกับแพ็คเกจ/การขายต่อเนื่อง แต่ระวัง: ระบบการแนะนำที่ดีต้องดูไม่เพียงแค่ "จำนวนคลิก" เท่านั้น แต่ยังต้องพิจารณาถึงพื้นที่โฆษณา อัตรากำไรขั้นต้น และประสบการณ์ของลูกค้าด้วย
มาชี้แจงคำสองคำกัน การขายต่อเนื่องคือการเสนอผลิตภัณฑ์อื่นที่เสริมผลิตภัณฑ์ให้กับผู้ซื้อ (กรณีสำหรับผู้ซื้อโทรศัพท์) การขายต่อยอดนำเสนอรุ่นที่สูงกว่า/แพงซึ่งตอบสนองความต้องการเดียวกัน (256 GB แทนที่จะเป็น 128 GB) ทั้งสองวิธีเป็นวิธีที่ถูกต้องในการเพิ่มตะกร้าเฉลี่ย (AOV) แต่จะได้ผลเมื่อเป็นประโยชน์ต่อลูกค้าอย่างแท้จริง และจะรบกวนเมื่อถูกบังคับ
ตรรกะพื้นฐานสามประการของระบบการแนะนำ
โดยทั่วไประบบผู้แนะนำจะใช้วิธีใดวิธีหนึ่งหรือผสมกันระหว่างสามวิธี
1) Content-based: ดูที่คุณลักษณะของผลิตภัณฑ์ "รองเท้าวิ่งรุ่นอื่นที่คล้ายกับรองเท้าวิ่งรุ่นนี้" มันยังใช้งานได้กับลูกค้าใหม่ด้วยเพราะไม่จำเป็นต้องมีประวัติพฤติกรรม
2) การกรองการทำงานร่วมกัน: ดูที่รูปแบบพฤติกรรม "ผู้ที่ซื้อผลิตภัณฑ์นี้ก็ซื้อสิ่งนี้เช่นกัน" มีประสิทธิภาพมาก แต่ต้องใช้ข้อมูลจำนวนมาก และประสบปัญหาจาก "การสตาร์ทแบบเย็น" (ผลิตภัณฑ์ใหม่/ลูกค้าใหม่)
3) การปรับเปลี่ยนในแบบของคุณ: ปรับแต่งการแสดงให้กับลูกค้ารายเดียวตามพฤติกรรมในอดีตของพวกเขา มันมีผลกระทบที่ทรงพลัง แต่มีความเสี่ยงต่อความเป็นส่วนตัวและ "ฟองอากาศตัวกรอง"
ตารางต่อไปนี้สรุปบล็อกคำแนะนำและวัตถุประสงค์:
บล็อก
ตรรกะ
วัตถุประสงค์
ตัวอย่าง
สินค้าที่คล้ายกัน
เนื้อหาตาม
เสนอทางเลือกอื่น
ปิดโมเดลในหมวดหมู่เดียวกัน
นำมารวมกัน
การทำงานร่วมกัน
การขายต่อเนื่อง
โทรศัพท์+เคส+ฟิล์มกันรอย
สิ่งที่เราคัดสรรมาเพื่อคุณ
การปรับเปลี่ยนในแบบของคุณ
ความมุ่งมั่น
ขึ้นอยู่กับการนำทางที่ผ่านมา
ของโปรด/ขายดี
ความนิยม
ความไว้วางใจ+ลูกค้าใหม่
สินค้าขายดีในหมวด
ที่คุณจากไป
ข้อมูลเซสชัน
การกลับรายการ
สินค้าที่ดูล่าสุด
การตั้งค่าคำแนะนำด้วย AI ในร้านค้าขนาดเล็ก
แม้แต่ร้านค้าขนาดเล็กและขนาดกลางที่ไม่สามารถสร้างเครื่องมือแนะนำองค์กรได้ก็สามารถจัดโครงสร้างความสัมพันธ์ของผลิตภัณฑ์อย่างชาญฉลาดโดยใช้ AI คุณสามารถให้ข้อมูล "ผลิตภัณฑ์ที่ขายร่วมกัน" จริง (รายการสั่งซื้อ) แก่ AI โดยไม่เปิดเผยตัวตน และให้ AI วิเคราะห์ "ผลิตภัณฑ์ใดที่ซื้อร่วมกัน ฉันสามารถแนะนำแพ็คเกจใดได้บ้าง" AI สร้างสมมติฐานการขายต่อเนื่องและการรวมกลุ่มให้กับคุณ คุณกรองพวกมันผ่านสต็อกและมาร์จิ้น จากนั้นคุณทดสอบพวกมันจริงๆ คำสำคัญที่นี่คือสมมติฐาน: ข้อเสนอแนะของ AI ไม่ใช่หลักฐาน แต่เป็นแนวคิดที่จะทดสอบ
เคล็ดลับ: เปลี่ยนแนวคิดข้อเสนอแนะแต่ละรายการให้เป็นสมมติฐาน "ถ้า-แล้ว": "ถ้าเราแนะนำ Y ให้กับผู้ที่ซื้อ X ค่าเฉลี่ยตะกร้าสินค้าของพวกเขาจะเพิ่มขึ้น" จากนั้นวัดสิ่งนี้ด้วยการทดสอบเล็กๆ (การทดสอบ A/B หรือช่วงระยะเวลา) คำแนะนำที่ไม่มีการวัดผลเป็นเพียงการคาดเดาเท่านั้น
การตรวจสอบเชิงพาณิชย์ของกฎการแนะนำ
ระบบการแนะนำอาจเป็นอันตรายได้หากปล่อยให้ระบบ "คลิกมากที่สุด" โดยอัตโนมัติ Stock : การแนะนำสินค้าที่หมดสต๊อกจะทำให้ลูกค้าผิดหวัง มาร์จิ้น: สินค้าที่มีการคลิกมากที่สุดอาจมีมาร์จิ้นต่ำที่สุด ระบบอาจนำคุณไปยังผลิตภัณฑ์ที่ไม่ได้ผลกำไร ความปลอดภัยและความเหมาะสมของแบรนด์: คำแนะนำที่ไม่เกี่ยวข้องหรือไม่เหมาะสมในหมวดหมู่ที่ละเอียดอ่อน (ทารก สุขภาพ) สูญเสียความไว้วางใจ กรอบตัวกรอง: การแสดงให้ลูกค้าเห็นอย่างต่อเนื่องถึงผลิตภัณฑ์ประเภทเดียวกัน ช่วยลดการค้นพบและทำให้ยอดขายแคบลง นั่นเป็นเหตุผลว่าทำไมคำแนะนำอัตโนมัติจึงจำเป็นต้องอยู่ภายใต้กฎเกณฑ์ทางธุรกิจ: "แนะนำสินค้าในสต็อก", "อย่านำเสนอผลิตภัณฑ์ที่มีอัตรากำไรต่ำกว่าเกณฑ์นี้", "รักษาการปฏิบัติตามหมวดหมู่"
อคติก็เป็นความเสี่ยงเช่นกัน เนื่องจากระบบการแนะนำจะขึ้นอยู่กับพฤติกรรมในอดีต จึงสามารถเสริมความไม่เท่าเทียมกันในอดีตได้ เช่น แนะนำสินค้าราคาถูก/คุณภาพต่ำให้กับคนบางกลุ่มอย่างต่อเนื่อง นี่เป็นทั้งปัญหาด้านจริยธรรมและเชิงพาณิชย์ มีความจำเป็นต้องตรวจสอบผลลัพธ์ของคำแนะนำอย่างสม่ำเสมอโดยคำนึงถึง "สิ่งที่แนะนำแก่ใคร"
เทมเพลตที่สามารถคัดลอกได้สี่แบบ
1) การวิเคราะห์ผลิตภัณฑ์ที่จำหน่ายร่วมกัน:
บทบาทของคุณ: ผู้ช่วยนักวิเคราะห์อีคอมเมิร์ซ ด้านล่างนี้เป็นรายการสั่งซื้อที่ไม่ระบุชื่อ (รหัสรายการและจำนวนครั้งที่นำมารวมกัน) ข้อมูล: [ตาราง] ภารกิจ: ค้นหาสินค้า 10 คู่ที่ซื้อบ่อยที่สุดด้วยกัน สำหรับแต่ละคู่ ให้เขียนสมมติฐานการขายต่อเนื่อง (“เสนอ Y ให้กับผู้ซื้อ X”) หมายเหตุ: นี่เป็นสมมติฐาน ฉันจะตรวจสอบสต็อกและมาร์จิ้นด้วย
2) คำแนะนำการรวมกลุ่ม:
สินค้า: [ผลิตภัณฑ์หลัก]. ผลิตภัณฑ์เสริม: [รายการ พร้อมหมายเหตุที่ขอบ] งาน: แนะนำแพ็คเกจที่เหมาะสม 3 รายการ; ในแต่ละแพ็คเกจต้องอธิบายคุณประโยชน์ให้กับลูกค้าเป็นประโยคเดียว กฎ: สินค้าทั้งหมดในแพ็คเกจต้องมีในสต็อก ทำให้ผลิตภัณฑ์ที่มีอัตรากำไรต่ำเป็นสิ่งดึงดูดหลัก
3) สถานการณ์ยอดขายสูงสุด:
ลูกค้ากำลังดู: [ผลิตภัณฑ์ ราคา คุณลักษณะ]รุ่นหรู: [รายการ มีความแตกต่างด้านราคา/คุณลักษณะ]งาน: ร่างข้อความขายต่อยอดอย่างตรงไปตรงมา: ต้องจ่ายเท่าไรเพื่อรับสิทธิประโยชน์เพิ่มเติม กฎ: ห้ามพูดเกินจริง อธิบายความแตกต่างผ่านคุณลักษณะที่เป็นรูปธรรม
4) การตรวจสอบกฎข้อเสนอแนะ:
ตรวจสอบกฎคำแนะนำต่อไปนี้ กฎ: [รายการ] งาน: ประเมินแต่ละกฎโดยเทียบกับความเสี่ยงต่อไปนี้: ความสอดคล้องของหุ้น การป้องกันมาร์จิ้น การปรับหมวดหมู่ ฟองอากาศตัวกรอง อคติ จัดทำรายการกฎที่มีความเสี่ยงและคำแนะนำของคุณสำหรับการแก้ไข
มินิเคสสามอัน
กรณีที่ 1 — กำไรจากการขายต่อเนื่อง ร้านขายอุปกรณ์อิเล็กทรอนิกส์แห่งหนึ่งวิเคราะห์ข้อมูลการสั่งซื้อด้วย AI และพบรูปแบบ "40% ของผู้ที่ซื้อโทรศัพท์ก็ซื้อเคสภายใน 30 วันเช่นกัน" เพิ่มบล็อกคำแนะนำเคสที่เหมาะสมลงในหน้าโทรศัพท์ (กรองรายการที่มีอยู่ในสต็อกออก) ค่าเฉลี่ยของตะกร้าเพิ่มขึ้นอย่างวัดได้ AI ให้สมมติฐาน ร้านค้าทดสอบและตรวจสอบแล้ว
กรณีที่ 2 — กับดักมาร์จิ้น ร้านค้าแห่งหนึ่งละทิ้งหน้าแรกทั้งหมดไปเป็นผลิตภัณฑ์ที่ "ถูกคลิกมากที่สุด" ผลิตภัณฑ์ที่คลิกมากที่สุดคือผลิตภัณฑ์แคมเปญที่มีอัตรากำไรต่ำที่สุด บางรายการถึงกับขายขาดทุนด้วยซ้ำ มูลค่าการซื้อขายเพิ่มขึ้นแต่กำไรลดลง วิธีแก้ไข: เพิ่มตัวกรอง "แสดงผลิตภัณฑ์ที่มีระยะขอบต่ำกว่าเกณฑ์ในหน้าแรก" ลงในกฎการแนะนำแล้ว
กรณีที่ 3 — ฟองกรอง ในเว็บไซต์หนังสือ เนื่องจากลูกค้าได้รับการแนะนำหนังสือประเภทเดียวกันอยู่เสมอ ลูกค้าจึงไม่เคยค้นพบประเภทใหม่ๆ และความสนใจของเขาลดลงเมื่อเวลาผ่านไป เมื่อมีการเพิ่มกฎความหลากหลาย "อย่างน้อย 20% ของคำแนะนำควรมาจากหมวดหมู่ที่แตกต่างกัน" ลงในกฎข้อเสนอแนะ การค้นพบและการขายจะกลับคืนมา
พรอมต์อ่อน / พรอมต์แข็งแกร่ง
พรอมต์ที่อ่อนแอ:
ฉันจะแนะนำอะไรเกี่ยวกับผลิตภัณฑ์นี้ได้บ้าง ให้แนวคิดกับฉันบ้าง
แบบจำลองนี้จะสร้างคำแนะนำทั่วไปที่อาจไม่มีในสต็อกโดยไม่ทราบข้อมูลและส่วนต่างที่แท้จริงของคุณ
พรอมต์อันทรงพลัง:
บทบาทของคุณ: นักวิเคราะห์อีคอมเมิร์ซ ผลิตภัณฑ์หลัก: ชุดหูฟังไร้สาย (มาร์จิ้น 28% มีในสต็อก) ผู้สมัครเสริม (มีสต็อก/มาร์จิ้น): กระเป๋าพกพา (45% มีในสต็อก), ชุดเอียร์บัด (50% มีในสต็อก), สายชาร์จ (20%, มีในสต็อก) งาน: เสนอแพ็คเกจการขายต่อเนื่อง 2 แพ็คเกจเฉพาะที่มีในสต็อกและมีมาร์จิ้นมากกว่า 30%; เขียนผลประโยชน์ของลูกค้าในหนึ่งประโยคสำหรับแต่ละแพ็คเกจ
ข้อผิดพลาดทั่วไป
- เข้าใจผิดข้อเสนอแนะเพื่อเป็นหลักฐาน ผลลัพธ์ของ AI เป็นเพียงสมมติฐาน จะไม่กลายเป็นการตัดสินใจโดยไม่ได้รับการทดสอบ
- ละเว้นสินค้าคงคลังและกำไรขั้นต้น คำแนะนำอัตโนมัติสามารถเน้นผลิตภัณฑ์ที่ไม่ได้ผลกำไรหรือขายหมดแล้ว
- เพียงอ้างถึงความนิยม การคลิกมากที่สุดไม่ใช่การทำกำไรหรือสะดวกที่สุดเสมอไป
- การสร้างฟองกรอง การแสดงผลิตภัณฑ์เดียวกันอย่างต่อเนื่องทำให้การค้นพบและการขายลดลง
- ไม่ตรวจสอบความลำเอียง ระบบสามารถตอกย้ำความไม่เท่าเทียมกันในอดีตได้ จำเป็นต้องมีการตรวจสอบเป็นประจำ
- การขายแบบบังคับ การผลักโมเดลราคาแพงที่ไม่เกิดประโยชน์จะทำให้คุณสูญเสียความมั่นใจ
โดยสรุป
ระบบการแนะนำช่วยเพิ่มค่าเฉลี่ยในตะกร้าและความภักดีโดยการแสดงให้ลูกค้าเห็นผลิตภัณฑ์ที่เหมาะสมในเวลาที่เหมาะสม มีตรรกะพื้นฐานสามประการ: ตามเนื้อหา (ผลิตภัณฑ์ที่คล้ายกัน) การทำงานร่วมกัน (ซื้อร่วมกัน) และการปรับเปลี่ยนในแบบของคุณ แม้แต่ในร้านค้าขนาดเล็ก AI ก็สามารถสร้างสมมติฐานการขายต่อเนื่องและการรวมกลุ่มจากข้อมูลคำสั่งซื้อได้ แต่สิ่งเหล่านี้เป็นแนวคิดที่ต้องทดสอบ ไม่ใช่ข้อพิสูจน์ ตรวจสอบให้แน่ใจว่าได้วางกรอบกฎการแนะนำเกี่ยวกับสต็อก ระยะขอบ ความเหมาะสมของหมวดหมู่ และความหลากหลาย ตรวจสอบฟองตัวกรองและความเสี่ยงจากการอคติอย่างสม่ำเสมอ การแนะนำอัตโนมัติจะสร้างมูลค่าเมื่อปฏิบัติตามการควบคุมเชิงพาณิชย์
งานสมัคร
แยกคู่ผลิตภัณฑ์ 5 คู่ที่ซื้อบ่อยที่สุดด้วยกันจากข้อมูลคำสั่งซื้อของคุณเอง (พร้อมรหัสผลิตภัณฑ์ที่ไม่ระบุชื่อ) ถาม AI สำหรับสมมติฐานการขายต่อเนื่องด้วยเทมเพลต “การวิเคราะห์ผลิตภัณฑ์ร่วมขาย” เปลี่ยนแต่ละสมมติฐานให้เป็นคำสั่ง "ถ้า-แล้ว" และกรองผ่านหุ้นและมาร์จิ้น เขียนแผนการทดสอบสำหรับสมมติฐานที่น่าหวังมากที่สุด 2 ข้อ (นานแค่ไหน ควรใช้หน่วยเมตริกใด) สุดท้าย ประเมินกฎการแนะนำของคุณเพื่อดูความเสี่ยงด้วยเทมเพลต "การตรวจสอบกฎการแนะนำ"
รายการตรวจสอบ
- [ ] ฉันถือว่าแนวคิดข้อเสนอแนะเป็นเพียงสมมติฐานที่จะทดสอบ ไม่ใช่เป็นหลักฐาน
- [ ] ฉันกรองคำแนะนำแต่ละรายการผ่านสต็อกและมาร์จิ้น
- [ ] นอกจากความนิยมแล้ว ฉันยังคำนึงถึงความสามารถในการทำกำไรและความเหมาะสมด้วย
- [ ] ฉันหลีกเลี่ยงกรอบฟิลเตอร์ด้วยกฎความหลากหลาย
- [ ] ฉันตรวจสอบอคติว่าคำแนะนำแสดงต่อใครบ้าง
- [ ] ฉันวางแผนที่จะวัดข้อเสนอแนะที่น่าหวังด้วยการทดสอบจริง