Mga nadagdag:
- Pag-unawa sa lohika ng engine ng rekomendasyon (binili nang magkasama, magkakatulad na produkto, pag-personalize) at ang epekto nito sa mga sukatan ng negosyo
- Kakayahang bumuo ng mga relasyon sa produkto, pakete at cross-selling na mga senaryo na may suporta sa artificial intelligence at gawing masusubok na hypotheses ang mga ito
- Kakayahang makita ang mga panganib ng filter bubble, bias at stock/margin-neutral na awtomatikong rekomendasyon at i-link ang mga panuntunan sa rekomendasyon sa komersyal na kontrol
Ang isang malaking bahagi ng mga benta sa malalaking e-commerce na mga site ay nagmumula sa produktong inirerekomenda sa customer, hindi sa produktong hinahanap niya. Nakita mo na ang lahat ng mga bloke na "Binili rin ito ng mga bumili nito", "Mga pinili namin para sa iyo", "Mas murang magkasama". Ang sistema sa likod ng mga bloke na ito ay tinatawag na isang engine ng rekomendasyon: ito ay software na gumagawa ng mga sagot sa tanong na "Ano ang dapat kong ipakita sa taong ito ngayon?" sa pamamagitan ng pagtingin sa gawi ng customer, ang relasyon ng mga produkto at pangkalahatang pattern. Ang artificial intelligence (AI) ay kapaki-pakinabang sa larangang ito sa dalawang paraan: nakakatulong ito sa iyong bumuo ng mga sitwasyon at panuntunan kapag gumagawa ng lohika ng rekomendasyon, at sinusuri nito ang sarili mong mga relasyon sa produkto sa maliliit na tindahan at nagkakaroon ng mga ideya sa package/cross-selling. Ngunit mag-ingat: ang isang mahusay na sistema ng rekomendasyon ay kailangang tumingin hindi lamang sa "ilang pag-click" kundi pati na rin sa imbentaryo, margin, at karanasan ng customer.
Linawin natin ang dalawang termino. Ang cross-selling ay nag-aalok ng isa pang produkto na umaakma sa isang produkto sa isang mamimili (isang kaso para sa isang bumibili ng telepono). Nag-aalok ang Up-sell ng mas mataas/mahal na modelo na nakakatugon sa parehong pangangailangan (256 GB sa halip na 128 GB). Parehong mga lehitimong paraan upang madagdagan ang average na basket (AOV); Ngunit ito ay gumagana kapag ito ay talagang kapaki-pakinabang sa customer, at ito ay nakakagambala kapag ito ay pinilit.
Tatlong pangunahing lohika ng sistema ng rekomendasyon
Ang mga system ng tagapagrekomenda ay karaniwang gumagamit ng isa o pinaghalong tatlong diskarte.
1) Nakabatay sa nilalaman: Tinitingnan nito ang mga sariling tampok ng produkto. "Iba pang running shoes na katulad nitong running shoe". Gumagana pa ito sa mga bagong kliyente dahil hindi ito nangangailangan ng kasaysayan ng pag-uugali.
2) Collaborative na pag-filter: Tinitingnan ang pattern ng pag-uugali. "Binili rin ito ng mga taong bumili ng produktong ito." Ito ay malakas, ngunit nangangailangan ng maraming data at naghihirap mula sa isang "cold start" (bagong produkto/bagong customer).
3) Pag-personalize: Iniaangkop nito ang showcase sa isang customer batay sa kanilang nakaraang gawi. Ito ay may malakas na epekto ngunit nagdadala ng panganib ng privacy at "filter bubbles".
Ang sumusunod na talahanayan ay nagbubuod sa mga bloke ng rekomendasyon at ang layunin ng mga ito:
harangan
lohika
Layunin
halimbawa
Mga katulad na produkto
batay sa nilalaman
nag-aalok ng alternatibo
Isara ang mga modelo sa parehong kategorya
pinagsama-sama
nagtutulungan
cross selling
phone + case + screen protector
Ang aming mga pinili para sa iyo
Personalization
pangako
Batay sa nakaraang nabigasyon
Mga paborito / bestseller
kasikatan
Tiwala + bagong customer
Pinakamabenta sa kategorya
kung saan ka tumigil
data ng session
baligtad
Huling tiningnan ang mga produkto
Pag-set up ng rekomendasyon gamit ang AI sa isang maliit na tindahan
Kahit na ang mga maliliit at katamtamang tindahan na hindi makapagtatag ng isang corporate recommendation engine ay maaaring matalinong bumuo ng mga relasyon sa produkto gamit ang AI. Maaari mong hindi nagpapakilalang ibigay ang tunay na data ng "mga produktong ibinebenta nang magkasama" (mga item sa pag-order) sa AI at ipasuri ito "aling mga produkto ang binili nang magkasama, aling mga pakete ang maaari kong irekomenda?" Bumubuo ang AI ng cross-selling at bundling hypotheses para sa iyo; I-filter mo ang mga ito sa pamamagitan ng stock at margin, at pagkatapos ay talagang sinubukan mo ang mga ito. Ang pangunahing salita dito ay hypothesis: ang mungkahi ng AI ay hindi ebidensya, ngunit isang ideya na susuriin.
Tip: Gawing "if-then" hypothesis ang bawat ideya ng rekomendasyon: "Kung inirerekomenda namin ang Y sa isang taong bibili ng X, tataas ang average ng kanilang basket." Pagkatapos ay sukatin ito sa isang maliit na eksperimento (A/B test o tagal ng panahon). Ang isang rekomendasyon na walang pagsukat ay isang hula lamang.
Komersyal na pag-audit ng mga panuntunan sa rekomendasyon
Maaaring mapanganib ang isang sistema ng rekomendasyon kung hahayaan na ganap na awtomatiko ang "pinaka-click". Stock: ang pagrerekomenda ng isang produkto na wala sa stock ay mabibigo ang customer. Margin: ang produkto na may pinakamaraming pag-click ay maaaring may pinakamababang margin; Maaaring idirekta ka ng system sa mga hindi kumikitang produkto. Kaligtasan at pagiging angkop ng brand: nawawalan ng tiwala ang hindi nauugnay o hindi naaangkop na rekomendasyon sa mga sensitibong kategorya (sanggol, kalusugan). Filter bubble: patuloy na ipinapakita sa customer ang parehong uri ng produkto na pumapatay sa pagtuklas at nagpapaliit ng mga benta. Kaya naman ang mga awtomatikong rekomendasyon ay kinakailangang naka-frame ng mga panuntunan sa negosyo: "irekomenda kung ano ang nasa stock", "huwag itampok ang produkto na ang margin ay mas mababa sa threshold na ito", "panatilihin ang pagsunod sa kategorya."
Ang bias ay isa ring tunay na panganib. Dahil ang sistema ng rekomendasyon ay batay sa nakaraang pag-uugali, maaari nitong palakasin ang mga nakaraang hindi pagkakapantay-pantay; Halimbawa, patuloy na nagrerekomenda ng mas mura/mas mababang kalidad ng mga produkto sa isang partikular na grupo. Ito ay parehong etikal at komersyal na isyu. Kinakailangan na regular na i-audit ang mga output ng rekomendasyon na may pagtingin sa "kung ano ang inirerekomenda para kanino".
Apat na maaaring kopyahin na mga template
1) Pagsusuri ng mga produktong ibinebenta nang magkasama:
Ang iyong tungkulin: e-commerce analyst assistant. Nasa ibaba ang mga hindi kilalang item ng order (mga item code at dami ng beses na pinagsama-sama). Data: [talahanayan]. Gawain: hanapin ang 10 pares ng mga bagay na madalas na binibili nang magkasama; Para sa bawat pares, sumulat ng isang cross-selling hypothesis ("Alok Y sa mga mamimili X"). Tandaan: Ito ay mga hypotheses; Titingnan ko rin ang stock at margin.
2) Rekomendasyon ng bundle:
Produkto: [pangunahing produkto]. Mga pantulong na produkto: [listahan, na may mga tala sa margin].Gawain: Magmungkahi ng 3 makabuluhang pakete; Para sa bawat pakete, ipaliwanag ang benepisyo sa customer sa isang pangungusap. Panuntunan: ang lahat ng mga produkto sa pakete ay dapat na nasa stock; ginagawang pangunahing draw ang produkto na may mababang margin.
3) Pinakamabentang senaryo:
Tinitingnan ng customer ang: [produkto, presyo, mga feature].Mga upscale na modelo: [listahan, na may mga pagkakaiba sa presyo/feature].Gawain: mag-draft ng isang matapat na upsell na mensahe: magkano ang babayaran para sa kung aling karagdagang benepisyo. Panuntunan: walang pagmamalabis; Ipaliwanag ang pagkakaiba sa pamamagitan ng mga konkretong katangian.
4) Pagsusuri ng panuntunan sa mungkahi:
Suriin ang sumusunod na mga panuntunan sa rekomendasyon.Mga Panuntunan: [listahan].Gawain: suriin ang bawat panuntunan laban sa mga sumusunod na panganib: pagkakapare-pareho ng stock, proteksyon sa margin, pagkakasya sa kategorya, bubble ng filter, bias.Ilista ang mga mapanganib na panuntunan at ang iyong rekomendasyon para sa pagwawasto.
tatlong mini case
Case 1 — Cross-selling na kita. Sinuri ng isang tindahan ng electronics ang data ng order gamit ang AI at nakakita ng pattern na "40% ng mga bumili ng telepono ay bumili din ng case sa loob ng 30 araw." Nagdagdag ng angkop na bloke ng rekomendasyon sa kaso sa pahina ng telepono (pag-filter sa mga nasa stock). Ang average ng basket ay tumaas nang malaki. Nagbigay ang AI ng hypothesis, sinubukan at na-verify ito ng tindahan.
Kaso 2 — Margin trap. Ang isang tindahan ay ganap na inabandona ang homepage sa "pinaka-na-click" na mga produkto. Ang pinakana-click na mga produkto ay ang mga produkto ng campaign na may pinakamababang margin, ang ilan ay naibenta pa nang lugi. Tumaas ang turnover ngunit bumaba ang kita. Solusyon: Naidagdag ang filter na "Itampok ang produkto na ang margin ay nasa ibaba ng threshold sa home page" sa panuntunan sa rekomendasyon.
Case 3 — Filter bubble. Sa isang site ng libro, dahil ang customer ay palaging inirerekomenda ang parehong uri ng libro, ang customer ay hindi kailanman nakatuklas ng mga bagong genre at ang kanyang interes ay bumaba sa paglipas ng panahon. Kapag ang panuntunan sa pagkakaiba-iba na "hindi bababa sa 20% ng mga mungkahi ay dapat mula sa iba't ibang kategorya" ay idinagdag sa panuntunan ng suhestyon, na-recover ang pagtuklas at mga benta.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Ano ang mairerekomenda ko sa produktong ito, bigyan mo ako ng ilang mga ideya.
Gumagawa ang modelo ng mga generic, marahil ay out-of-stock na mga rekomendasyon nang hindi nalalaman ang iyong aktwal na data at margin.
Napakahusay na prompt:
Ang iyong tungkulin: analyst ng e-commerce. Pangunahing produkto: wireless headset (margin 28%, nasa stock). Mga komplementaryong kandidato (may stock/margin): carrying case (45%, nasa stock), set ng earbuds (50%, in stock), charging cable (20%, in stock).Gawain: magmungkahi ng 2 cross-selling na pakete lamang na may nasa stock at may margin na higit sa 30%; Isulat ang benepisyo ng customer sa isang pangungusap para sa bawat pakete.
Mga karaniwang pagkakamali
- Napagkamalan ang mungkahi para sa ebidensya. Ang output ng AI ay ang hypothesis; Hindi ito nagiging desisyon nang hindi sinusubok.
- Hindi pinapansin ang imbentaryo at margin. Maaaring i-highlight ng awtomatikong rekomendasyon ang hindi kumikita o sold out na produkto.
- I-attribute lang ito sa kasikatan. Ang pinaka-click ay hindi palaging ang pinaka-pinakinabangang o pinaka-maginhawa.
- Paglikha ng filter bubble. Ang patuloy na pagpapakita ng parehong produkto ay pumapatay sa pagtuklas at pagbebenta.
- Hindi sinusuri ang bias. Maaaring palakasin ng sistema ang mga nakaraang hindi pagkakapantay-pantay; Kinakailangan ang regular na inspeksyon.
- Sapilitang upselling. Ang pagtulak ng isang mamahaling modelo na walang benepisyo ay magdudulot sa iyo ng pagkawala ng kumpiyansa.
Sa buod
Pinapataas ng mga system ng rekomendasyon ang basket average at katapatan sa pamamagitan ng pagpapakita sa customer ng tamang produkto sa tamang sandali. Mayroong tatlong pangunahing lohika: batay sa nilalaman (mga katulad na produkto), collaborative (binili nang magkasama), at pag-personalize. Kahit sa maliliit na tindahan, ang AI ay maaaring makabuo ng cross-selling at bundling hypotheses mula sa data ng order; Ngunit ito ay mga ideya na susuriin, hindi patunay. Tiyaking i-frame ang mga panuntunan sa rekomendasyon sa paligid ng stock, margin, kategoryang fit, at variety; Regular na suriin ang bubble ng filter at bias. Ang awtomatikong rekomendasyon ay lumilikha ng halaga kapag sumunod sa komersyal na kontrol.
Gawain ng aplikasyon
I-extract ang 5 pares ng produkto na pinakamadalas na binili nang magkasama mula sa iyong sariling data ng order (na may mga anonymous na code ng produkto). Hilingin sa AI ang mga cross-selling na hypotheses gamit ang template na "Co-sold product analysis." Gawing pahayag na "kung-pagkatapos" ang bawat hypothesis at i-filter ito sa pamamagitan ng stock at margin. Sumulat ng test plan para sa 2 pinaka-maaasahan na hypotheses (gaano katagal, anong sukatan ang susukatin). Panghuli, suriin ang iyong mga panuntunan sa rekomendasyon para sa mga panganib gamit ang template na "Audit ng panuntunan sa rekomendasyon."
checklist
- [ ] Itinuring ko ang mga ideya sa mungkahi bilang mga hypotheses na susuriin, hindi bilang ebidensya.
- [ ] Sinala ko ang bawat mungkahi sa pamamagitan ng stock at margin.
- [ ] Bukod sa kasikatan, isinasaalang-alang ko rin ang kakayahang kumita at pagiging angkop.
- [ ] Iniwasan ko ang filter bubble na may panuntunan sa pagkakaiba-iba.
- [ ] Sinuri ko kung may bias kung ano ang ipinapakita ng mga rekomendasyon kung kanino.
- [ ] Pinlano kong sukatin ang mga promising na mungkahi gamit ang isang tunay na pagsubok.