Прибуток:
- Розуміння логіки механізму рекомендацій (куплені разом, схожі продукти, персоналізація) та його впливу на бізнес-метрики
- Здатність будувати стосунки між продуктами, сценарії упаковки та перехресних продажів із підтримкою штучного інтелекту та перетворювати їх на перевірені гіпотези
- Можливість бачити ризики фільтрації бульбашки, упередженості та автоматичних рекомендацій, нейтральних щодо акцій/маржі, і пов’язувати правила рекомендацій із комерційним контролем
Значна частина продажів на великих сайтах електронної комерції припадає на продукт, рекомендований клієнту, а не на продукт, який він шукає. Ви всі бачили блоки «Ті, хто купив це, купили і це», «Наш вибір», «Разом дешевше». Система, що стоїть за цими блоками, називається механізмом рекомендацій: це програмне забезпечення, яке виробляє відповіді на запитання «Що мені зараз показати цій людині?» дивлячись на поведінку клієнта, взаємозв'язок продуктів і загальні моделі. Штучний інтелект (ШІ) корисний у цій сфері двома способами: він допомагає вам генерувати сценарії та правила під час побудови логіки рекомендацій, а також він аналізує ваші власні стосунки з продуктами в невеликих магазинах і пропонує ідеї пакетів/перехресних продажів. Але будьте уважні: хороша система рекомендацій має дивитися не лише на «скільки кліків», а й на запаси, маржу та досвід клієнтів.
Давайте роз’яснимо ці два терміни. Перехресний продаж — це пропозиція покупцеві іншого продукту, який доповнює товар (чохол для покупця телефону). Up-sell пропонує вищу/дорожчу модель, яка відповідає тим самим потребам (256 ГБ замість 128 ГБ). Обидва є законними способами збільшення середнього кошика (AOV); Але це працює, коли це дійсно вигідно клієнту, і заважає, коли це вимушено.
Три основні логіки системи рекомендацій
Системи рекомендацій зазвичай використовують один або суміш трьох підходів.
1) На основі вмісту: розглядаються власні функції продукту. «Інші кросівки, схожі на ці кросівки». Він працює навіть з новими клієнтами, оскільки не вимагає історії поведінки.
2) Спільна фільтрація: дивиться на модель поведінки. «Люди, які купували цей продукт, також купували це». Він потужний, але вимагає багато даних і страждає від «холодного старту» (новий продукт/новий клієнт).
3) Персоналізація: вона пристосовує вітрину до окремого клієнта на основі його минулої поведінки. Це має потужний ефект, але несе ризик конфіденційності та «бульбашки фільтрів».
У наведеній нижче таблиці підсумовано блоки рекомендацій та їх призначення:
блокувати
логіка
призначення
приклад
Подібні продукти
на основі змісту
запропонувати альтернативу
Близькі моделі в одній категорії
взяті разом
спільний
перехресний продаж
телефон + чохол + захисна плівка
Наш вибір для вас
Персоналізація
зобов'язання
На основі минулої навігації
Вибране / бестселери
Популярність
Довіра + новий клієнт
Лідери продажів в категорії
де ви зупинилися
дані сесії
розворот
Останні переглянуті товари
Рекомендована установка з ШІ в невеликому магазині
Навіть малі та середні магазини, які не можуть створити систему корпоративних рекомендацій, можуть розумно структурувати стосунки з продуктами за допомогою ШІ. Ви можете анонімно надати штучному інтелекту справжні дані про «продукти, що продаються разом» (позиції замовлення), щоб він проаналізував «які продукти купуються разом, які пакети я можу порекомендувати?» AI генерує для вас гіпотези перехресних продажів і пакетів; Ви фільтруєте їх через акції та маржу, а потім фактично перевіряєте їх. Ключове слово тут — гіпотеза: припущення ШІ — це не доказ, а ідея, яку потрібно перевірити.
Порада. Перетворіть кожну ідею рекомендації на гіпотезу «якщо-тоді»: «Якщо ми рекомендуємо Y тому, хто купує X, його середній кошик збільшиться». Потім виміряйте це за допомогою невеликого експерименту (тест A/B або період часу). Рекомендація без вимірювання – це лише припущення.
Комерційний аудит рекомендаційних правил
Система рекомендацій може бути небезпечною, якщо залишити повністю автоматизовану систему «найчастіших кліків». Запас: рекомендація продукту, якого немає в наявності, розчарує клієнта. Маржа: продукт із найбільшою кількістю кліків може мати найнижчу маржу; Система може направити вас на нерентабельні продукти. Безпека та придатність бренду: нерелевантні або невідповідні рекомендації в делікатних категоріях (дитина, здоров’я) втрачають довіру. Бульбашка фільтра: постійний показ клієнту одного і того ж типу продукту вбиває відкриття та звужує продажі. Тому автоматичні рекомендації обов’язково оформляються бізнес-правилами: «рекомендувати те, що є в наявності», «не показувати продукт, маржа якого нижче цього порогу», «підтримувати відповідність категорії».
Упередженість також є реальним ризиком. Оскільки система рекомендацій базується на поведінці в минулому, вона може посилити минулу нерівність; Наприклад, постійно рекомендувати певній групі більш дешеві/неякісні товари. Це як етичне, так і комерційне питання. Необхідно регулярно перевіряти вихідні дані рекомендацій на предмет того, «що кому рекомендовано».
Чотири шаблони, які можна копіювати
1) Аналіз продуктів, що продаються разом:
Ваша роль: помічник аналітика електронної комерції. Нижче наведено анонімні позиції замовлення (коди позицій і кількість разів, взятих разом). Дані: [таблиця]. Завдання: знайти 10 пар предметів, які найчастіше купують разом; Для кожної пари напишіть гіпотезу перехресних продажів («Пропонуйте Y покупцям X»). Примітка: це гіпотези; Я також перевірю запаси та маржу.
2) Рекомендація щодо комплектування:
Продукт: [основний продукт]. Додаткові продукти: [список, з примітками на полях]. Завдання: Запропонуйте 3 розумні упаковки; Для кожного пакету одним реченням поясніть переваги для клієнта. Правило: всі товари в упаковці повинні бути в наявності; роблячи продукт з низькою маржою головною перевагою.
3) Сценарій найбільшого продажу:
Клієнт дивиться на: [продукт, ціна, функції]. Високоякісні моделі: [список із відмінностями в ціні/функціях]. Завдання: написати чесне повідомлення про продажі додаткових товарів: скільки потрібно заплатити за яку додаткову перевагу. Правило: без перебільшень; Поясніть різницю через конкретні особливості.
4) Перевірка правила пропозиції:
Перевірте наступні рекомендаційні правила. Правила: [список]. Завдання: оцініть кожне правило щодо таких ризиків: узгодженість запасів, захист маржі, відповідність категорії, бульбашка фільтра, упередженість. Перелічіть ризиковані правила та ваші рекомендації щодо виправлення.
три міні-чохла
Випадок 1 — Вигода від перехресних продажів. Магазин електроніки проаналізував дані про замовлення за допомогою штучного інтелекту та виявив закономірність: «40% тих, хто купив телефон, також купили чохол протягом 30 днів». Додано блок рекомендацій відповідних чохлів на сторінку телефону (відфільтровуючи наявні). Середнє значення кошика відчутно зросло. ШІ висунув гіпотезу, магазин перевірив і перевірив її.
Випадок 2 — маржинальна пастка. Один магазин повністю відмовився від домашньої сторінки для продуктів, які "найпопулярніші". Продукти, які отримували найбільшу кількість кліків, були продуктами кампанії з найнижчою націнкою, деякі навіть продавалися зі збитком. Оборот збільшився, але прибутки впали. Рішення: до правила рекомендацій додано фільтр «Показати на домашній сторінці продукт, маржа якого нижча за порогове значення».
Випадок 3 — бульбашка фільтра. На книжковому сайті, оскільки клієнту постійно рекомендували один і той самий тип книги, клієнт ніколи не відкривав нових жанрів, і його інтерес з часом зменшився. Коли до правила пропозицій було додано правило різноманітності «принаймні 20% пропозицій має бути з різних категорій», відкриття та продажі відновилися.
Слабка підказка / Сильна підказка
Слабка підказка:
Що я можу порадити з цим продуктом, дайте мені кілька ідей.
Модель створює загальні рекомендації, можливо, відсутні в наявності, не знаючи ваших фактичних даних і маржі.
Потужна підказка:
Ваша роль: аналітик електронної комерції. Основна продукція: бездротова гарнітура (націнка 28%, в наявності). Додаткові кандидати (з наявністю/націнкою): кейс (45%, в наявності), комплект навушників (50%, в наявності), кабель для зарядки (20%, в наявності). Завдання: запропонувати 2 пакети крос-селлінгу тільки в наявності та з націнкою понад 30%; Напишіть переваги клієнта одним реченням для кожного пакету.
Поширені помилки
- Приймаючи пропозицію за доказ. Результатом ШІ є гіпотеза; Це не стає рішенням без перевірки.
- Ігнорування запасів і маржі. Автоматична рекомендація може виділити збитковий або розпроданий товар.
- Просто пояснюйте це популярністю. Найпопулярніший не завжди найвигідніший або найзручніший.
- Створення бульбашки фільтра. Постійний показ того самого продукту вбиває відкриття та продажі.
- Не перевірка упередженості. Система може посилити минулі нерівності; Потрібен регулярний огляд.
- Примусовий продаж. Просування дорогої моделі, яка не має переваг, призведе до втрати довіри.
Підсумовуючи
Системи рекомендацій збільшують середній показник кошика та лояльність, показуючи клієнту потрібний продукт у потрібний момент. Є три основні логіки: на основі вмісту (подібні продукти), спільної роботи (купуються разом) і персоналізації. Навіть у невеликих магазинах штучний інтелект може генерувати гіпотези про перехресні продажі та комплектування на основі даних про замовлення; Але це ідеї, які потрібно перевірити, а не докази. Обов’язково сформулюйте правила рекомендацій навколо запасів, маржі, відповідності категорії та різноманітності; Регулярно перевіряйте бульбашку фільтра та ризики зміщення. Автоматична рекомендація створює цінність, коли дотримується комерційного контролю.
Аплікаційне завдання
Витягніть 5 пар продуктів, які найчастіше купують разом, із ваших власних даних про замовлення (з анонімними кодами продуктів). Попросіть штучного інтелекту надати гіпотези перехресних продажів за допомогою шаблону «Аналіз продукту спільного продажу». Перетворіть кожну гіпотезу на твердження «якщо-тоді» та відфільтруйте її через запас і маржу. Напишіть план тестування для 2 найбільш перспективних гіпотез (скільки довго, який показник вимірювати). Нарешті, оцініть свої рекомендаційні правила щодо ризиків за допомогою шаблону «Аудит правил рекомендацій».
контрольний список
- [ ] Я розглядав пропозиції як гіпотези, які потрібно перевірити, а не як докази.
- [ ] Я відфільтрував кожну пропозицію через акції та маржу.
- [ ] Окрім популярності, я також враховував прибутковість і придатність.
- [ ] Я уникнув міхура фільтра за допомогою правила різноманітності.
- [ ] Я перевірив на упередженість, що кому показують рекомендації.
- [ ] Я планував виміряти багатообіцяючі пропозиції за допомогою реального тесту.