فائدہ:
- سفارشی انجن کی منطق کو سمجھنا (ایک ساتھ خریدی گئی، ملتے جلتے پروڈکٹس، پرسنلائزیشن) اور کاروباری میٹرکس پر اس کے اثرات
- مصنوعی ذہانت کی مدد سے مصنوعات کے تعلقات، پیکیج اور کراس سیلنگ منظرنامے بنانے اور انہیں قابل آزمائش مفروضوں میں تبدیل کرنے کی صلاحیت
- فلٹر بلبلا، تعصب اور اسٹاک/مارجن غیر جانبدار خودکار سفارش اور تجارتی کنٹرول سے سفارش کے قواعد کو لنک کرنے کے خطرات کو دیکھنے کی صلاحیت
بڑی ای کامرس سائٹس پر سیلز کا ایک اہم حصہ کسٹمر کو تجویز کردہ پروڈکٹ سے آتا ہے، نہ کہ اس کی مصنوعات جس کی وہ تلاش کر رہا ہے۔ آپ سب نے بلاکس دیکھے ہوں گے "جن لوگوں نے یہ خریدا انہوں نے یہ بھی خریدا"، "ہمارے انتخاب آپ کے لیے"، "ایک ساتھ سستا"۔ ان بلاکس کے پیچھے موجود نظام کو سفارشی انجن کہا جاتا ہے: یہ سافٹ ویئر ہے جو اس سوال کے جوابات تیار کرتا ہے کہ "اب میں اس شخص کو کیا دکھاؤں؟" گاہک کے رویے، مصنوعات کے تعلقات اور عمومی نمونوں کو دیکھ کر۔ مصنوعی ذہانت (AI) اس شعبے میں دو طریقوں سے کارآمد ہے: یہ تجویز کی منطق کی تعمیر کرتے وقت آپ کو منظرنامے اور اصول بنانے میں مدد کرتی ہے، اور یہ چھوٹے اسٹورز میں آپ کے اپنے مصنوعات کے تعلقات کا تجزیہ کرتی ہے اور پیکیج/کراس سیلنگ آئیڈیاز کے ساتھ آتی ہے۔ لیکن ہوشیار رہیں: ایک اچھے تجویزی نظام کو صرف "کتنے کلکس" پر نہیں بلکہ انوینٹری، مارجن اور کسٹمر کے تجربے کو بھی دیکھنا ہوتا ہے۔
آئیے دونوں اصطلاحات کو واضح کرتے ہیں۔ کراس سیلنگ ایک اور پروڈکٹ پیش کر رہی ہے جو خریدار کے لیے پروڈکٹ کی تکمیل کرتی ہے (فون خریدار کے لیے کیس)۔ اپ سیل ایک اعلی/مہنگا ماڈل پیش کر رہا ہے جو اسی ضرورت کو پورا کرتا ہے (128 جی بی کی بجائے 256 جی بی)۔ اوسط ٹوکری (AOV) بڑھانے کے دونوں جائز طریقے ہیں۔ لیکن یہ تب کام کرتا ہے جب یہ گاہک کے لیے واقعی فائدہ مند ہوتا ہے، اور جب اسے مجبور کیا جاتا ہے تو یہ پریشان ہوتا ہے۔
سفارشی نظام کی تین بنیادی منطقیں۔
تجویز کنندہ نظام عام طور پر ایک یا تین طریقوں کا مرکب استعمال کرتے ہیں۔
1) مواد پر مبنی: یہ مصنوعات کی اپنی خصوصیات کو دیکھتا ہے۔ "اس چلانے والے جوتے سے ملتے جلتے دوسرے جوتے"۔ یہ نئے کلائنٹس کے ساتھ بھی کام کرتا ہے کیونکہ اسے رویے کی تاریخ کی ضرورت نہیں ہوتی ہے۔
2) باہمی تعاون کے ساتھ فلٹرنگ: طرز عمل کو دیکھتا ہے۔ "جن لوگوں نے اس پروڈکٹ کو خریدا انہوں نے بھی یہ خریدا۔" یہ طاقتور ہے، لیکن بہت زیادہ ڈیٹا کی ضرورت ہوتی ہے اور اسے "کولڈ اسٹارٹ" (نئی پروڈکٹ/نیا کسٹمر) کا سامنا کرنا پڑتا ہے۔
3) پرسنلائزیشن: یہ کسی ایک گاہک کے ماضی کے رویے کی بنیاد پر شوکیس کو تیار کرتا ہے۔ اس کا ایک طاقتور اثر ہے لیکن اس میں رازداری اور "فلٹر بلبلز" کا خطرہ ہے۔
مندرجہ ذیل جدول سفارشی بلاکس اور ان کے مقصد کا خلاصہ کرتا ہے:
بلاک
منطق
مقصد
مثال
اسی طرح کی مصنوعات
مواد پر مبنی
ایک متبادل پیش کرتے ہیں
اسی زمرے میں ماڈل بند کریں۔
ایک ساتھ لیا
تعاون پر مبنی
کراس فروخت
فون + کیس + اسکرین محافظ
ہمارے انتخاب آپ کے لیے
پرسنلائزیشن
عزم
ماضی کی نیویگیشن کی بنیاد پر
پسندیدہ/بیسٹ سیلرز
مقبولیت
ٹرسٹ + نیا گاہک
زمرہ میں بیسٹ سیلرز
جہاں آپ نے چھوڑا تھا۔
سیشن ڈیٹا
الٹ
آخری بار دیکھی گئی مصنوعات
ایک چھوٹے اسٹور میں AI کے ساتھ تجویز کردہ سیٹ اپ
یہاں تک کہ چھوٹے اور درمیانے درجے کے اسٹورز جو کارپوریٹ سفارشی انجن قائم نہیں کرسکتے ہیں وہ AI کا استعمال کرتے ہوئے ذہانت کے ساتھ مصنوعات کے تعلقات کو تشکیل دے سکتے ہیں۔ آپ گمنام طور پر AI کو حقیقی "ایک ساتھ فروخت ہونے والی مصنوعات" کا ڈیٹا (آرڈر آئٹمز) دے سکتے ہیں اور اس سے تجزیہ کر سکتے ہیں کہ "کون سی مصنوعات ایک ساتھ خریدی جاتی ہیں، میں کون سے پیکجز کی سفارش کر سکتا ہوں؟" AI آپ کے لیے کراس سیلنگ اور بنڈلنگ مفروضے تیار کرتا ہے۔ آپ انہیں سٹاک اور مارجن کے ذریعے فلٹر کرتے ہیں، اور پھر آپ اصل میں ان کی جانچ کرتے ہیں۔ یہاں کلیدی لفظ مفروضہ ہے: AI کی تجویز ثبوت نہیں ہے، بلکہ جانچنے کے لیے ایک خیال ہے۔
ٹپ: ہر سفارشی خیال کو "اگر-تو" مفروضے میں تبدیل کریں: "اگر ہم کسی ایسے شخص کو Y کی سفارش کریں جو X خریدتا ہے، تو اس کی باسکٹ اوسط بڑھ جائے گی۔" پھر ایک چھوٹے سے تجربے (A/B ٹیسٹ یا وقت کی مدت) سے اس کی پیمائش کریں۔ پیمائش کے بغیر سفارش صرف ایک اندازہ ہے۔
سفارشی قواعد کا تجارتی آڈٹ
ایک سفارشی نظام خطرناک ہو سکتا ہے اگر اسے مکمل طور پر خودکار "سب سے زیادہ کلک" پر چھوڑ دیا جائے۔ اسٹاک: اسٹاک سے باہر کسی پروڈکٹ کی سفارش کرنا گاہک کو مایوس کرے گا۔ مارجن: سب سے زیادہ کلکس والی پروڈکٹ کا مارجن سب سے کم ہو سکتا ہے۔ سسٹم آپ کو غیر منافع بخش مصنوعات کی طرف لے جا سکتا ہے۔ برانڈ کی حفاظت اور مناسبیت: حساس زمروں (بچہ، صحت) میں غیر متعلقہ یا نامناسب سفارش اعتماد کھو دیتی ہے۔ فلٹر بلبلہ: گاہک کو مسلسل ایک ہی قسم کی مصنوعات دکھانا دریافت کو ختم کرتا ہے اور فروخت کو کم کرتا ہے۔ یہی وجہ ہے کہ خودکار سفارشات ضروری طور پر کاروباری قواعد کے مطابق تیار کی جاتی ہیں: "جو چیز اسٹاک میں ہے اس کی سفارش کریں"، "اس پروڈکٹ کو نمایاں نہ کریں جس کا مارجن اس حد سے نیچے ہے"، "زمرہ کی تعمیل کو برقرار رکھیں"۔
تعصب بھی ایک حقیقی خطرہ ہے۔ کیونکہ سفارش کا نظام ماضی کے رویے پر مبنی ہے، یہ ماضی کی عدم مساوات کو تقویت دے سکتا ہے۔ مثال کے طور پر، کسی مخصوص گروپ کو مسلسل سستی/کم معیار کی مصنوعات کی سفارش کرنا۔ یہ ایک اخلاقی اور تجارتی مسئلہ ہے۔ یہ ضروری ہے کہ سفارشات کے نتائج کا باقاعدگی سے آڈٹ کیا جائے تاکہ "کس کو کیا تجویز کیا جا رہا ہے"۔
چار کاپی کرنے کے قابل ٹیمپلیٹس
1) ایک ساتھ فروخت ہونے والی مصنوعات کا تجزیہ:
آپ کا کردار: ای کامرس تجزیہ کار اسسٹنٹ۔ ذیل میں گمنام آرڈر آئٹمز ہیں (آئٹم کوڈ اور ایک ساتھ لیے جانے کی تعداد)۔ ڈیٹا: [ٹیبل]۔ ٹاسک: اشیاء کے 10 جوڑے تلاش کریں جو اکثر ایک ساتھ خریدے جاتے ہیں۔ ہر جوڑے کے لیے، ایک کراس سیلنگ مفروضہ لکھیں ("خریداروں X کو Y پیشکش")۔ نوٹ: یہ مفروضے ہیں؛ میں اسٹاک اور مارجن بھی چیک کروں گا۔
2) بنڈل کی سفارش:
پروڈکٹ: [اہم پروڈکٹ]۔ تکمیلی مصنوعات: [فہرست، مارجن نوٹ کے ساتھ]۔ ٹاسک: 3 سمجھدار پیکجز تجویز کریں۔ ہر پیکج کے لیے، صارف کو ایک جملے میں فائدہ کی وضاحت کریں۔ اصول: پیکیج میں موجود تمام مصنوعات اسٹاک میں ہونی چاہئیں۔ کم مارجن والے پروڈکٹ کو مرکزی قرعہ اندازی بنانا۔
3) سب سے زیادہ فروخت ہونے والا منظر:
کسٹمر دیکھ رہا ہے: [مصنوعات، قیمت، خصوصیات]۔ اعلی درجے کے ماڈل: [فہرست، قیمت/خصوصیات کے فرق کے ساتھ]۔ کام: ایک ایماندار اپ سیل پیغام کا مسودہ تیار کریں: اضافی فائدہ کے لیے کتنی رقم ادا کرنی ہے۔ اصول: کوئی مبالغہ نہیں؛ ٹھوس خصوصیات کے ذریعے فرق کی وضاحت کریں۔
4) تجویز کے اصول کی جانچ:
مندرجہ ذیل سفارشی اصولوں کو دیکھیں۔ قواعد: [فہرست]۔ کام: درج ذیل خطرات کے خلاف ہر اصول کا جائزہ لیں: اسٹاک کی مستقل مزاجی، مارجن پروٹیکشن، زمرہ فٹ، فلٹر ببل، تعصب۔ پرخطر اصولوں کی فہرست اور اصلاح کے لیے اپنی سفارشات کی فہرست بنائیں۔
تین چھوٹے مقدمات
کیس 1 - کراس سیلنگ فائدہ۔ ایک الیکٹرانکس اسٹور نے AI کے ساتھ آرڈر کے ڈیٹا کا تجزیہ کیا اور ایک پیٹرن پایا کہ "فون خریدنے والوں میں سے 40% نے بھی 30 دن کے اندر کیس خریدا۔" فون کے صفحے پر ایک مناسب کیس تجویز بلاک شامل کیا گیا (اسٹاک میں موجود لوگوں کو فلٹر کرنا)۔ باسکٹ اوسط میں ناپ تول میں اضافہ ہوا۔ اے آئی نے ایک مفروضہ دیا، اسٹور نے اس کی جانچ کی اور اس کی تصدیق کی۔
کیس 2 - مارجن ٹریپ۔ ایک اسٹور نے ہوم پیج کو مکمل طور پر "سب سے زیادہ کلک کردہ" مصنوعات کے لیے چھوڑ دیا۔ سب سے زیادہ کلک کیے جانے والے پروڈکٹس سب سے کم مارجن کے ساتھ مہم کے پروڈکٹس تھے، کچھ تو نقصان پر بھی فروخت ہوئے۔ کاروبار میں اضافہ ہوا لیکن منافع کم ہوا۔ حل: "اس پروڈکٹ کو نمایاں کریں جس کا مارجن ہوم پیج پر حد سے نیچے ہے" فلٹر کو سفارش کے اصول میں شامل کیا گیا ہے۔
کیس 3 - فلٹر بلبلہ۔ کتاب کی سائٹ پر، کیونکہ گاہک کو مسلسل ایک ہی قسم کی کتاب کی سفارش کی جاتی تھی، اس لیے صارف نے کبھی بھی نئی انواع دریافت نہیں کیں اور وقت کے ساتھ ساتھ اس کی دلچسپی کم ہوتی گئی۔ جب تنوع کا اصول "کم از کم 20% تجاویز مختلف زمروں سے ہونی چاہئیں" کو تجویز کے اصول میں شامل کیا گیا تو دریافت اور فروخت بحال ہو گئی۔
کمزور فوری / مضبوط اشارہ
کمزور اشارہ:
میں اس پروڈکٹ کے ساتھ کیا تجویز کرسکتا ہوں، مجھے کچھ آئیڈیاز دیں۔
ماڈل آپ کے اصل ڈیٹا اور مارجن کو جانے بغیر عام، شاید آؤٹ آف اسٹاک سفارشات تیار کرتا ہے۔
طاقتور اشارہ:
آپ کا کردار: ای کامرس تجزیہ کار۔ اہم مصنوعات: وائرلیس ہیڈسیٹ (مارجن 28٪، اسٹاک میں)۔ تکمیلی امیدوار (اسٹاک/مارجن کے ساتھ): کیرینگ کیس (45%، اسٹاک میں)، ایئربڈس کا سیٹ (50%، اسٹاک میں)، چارجنگ کیبل (20%، اسٹاک میں)۔ ٹاسک: صرف اسٹاک میں اور 30% سے زیادہ مارجن کے ساتھ 2 کراس سیلنگ پیکجز تجویز کریں۔ ہر پیکج کے لیے ایک جملے میں کسٹمر کا فائدہ لکھیں۔
عام غلطیاں
- ثبوت کے لیے تجویز کو غلط سمجھنا۔ AI کی پیداوار مفروضہ ہے؛ یہ جانچے بغیر فیصلہ نہیں بنتا۔
- انوینٹری اور مارجن کو نظر انداز کرنا۔ خودکار سفارش غیر منافع بخش یا فروخت شدہ مصنوعات کو نمایاں کر سکتی ہے۔
- اسے صرف مقبولیت سے منسوب کریں۔ سب سے زیادہ کلک کرنے والا ہمیشہ سب سے زیادہ منافع بخش یا سب سے زیادہ آسان نہیں ہوتا ہے۔
- فلٹر کا بلبلہ بنانا۔ ایک ہی پروڈکٹ کو مسلسل دکھانا دریافت اور فروخت کو ختم کر دیتا ہے۔
- تعصب کی جانچ نہیں کرنا۔ نظام ماضی کی عدم مساوات کو تقویت دے سکتا ہے۔ باقاعدہ معائنہ کی ضرورت ہے۔
- زبردستی فروخت کرنا۔ ایک مہنگے ماڈل کو آگے بڑھانا جس کا کوئی فائدہ نہیں ہے آپ کا اعتماد ختم ہو جائے گا۔
خلاصہ میں
سفارشی نظام گاہک کو صحیح وقت پر صحیح پروڈکٹ دکھا کر باسکٹ اوسط اور وفاداری میں اضافہ کرتے ہیں۔ تین بنیادی منطقیں ہیں: مواد پر مبنی (ملتے جلتے پروڈکٹس)، باہمی تعاون پر مبنی (ایک ساتھ خریدی گئی)، اور پرسنلائزیشن۔ یہاں تک کہ چھوٹے اسٹورز میں، AI آرڈر ڈیٹا سے کراس سیلنگ اور بنڈلنگ مفروضے پیدا کر سکتا ہے۔ لیکن یہ جانچنے کے خیالات ہیں، ثبوت نہیں۔ سٹاک، مارجن، زمرہ فٹ، اور مختلف قسم کے ارد گرد سفارش کے قوانین کو یقینی بنائیں؛ فلٹر کے بلبلے اور تعصب کے خطرات کو باقاعدگی سے چیک کریں۔ تجارتی کنٹرول پر عمل کرنے پر خودکار سفارش قدر پیدا کرتی ہے۔
درخواست کا کام
آپ کے اپنے آرڈر ڈیٹا (گمنام پروڈکٹ کوڈز کے ساتھ) سے اکثر خریدے جانے والے 5 پروڈکٹ جوڑے نکالیں۔ AI سے "Co-Sold پروڈکٹ تجزیہ" ٹیمپلیٹ کے ساتھ کراس سیلنگ مفروضے کے لیے پوچھیں۔ ہر مفروضے کو "اگر-تو" بیان میں تبدیل کریں اور اسے اسٹاک اور مارجن کے ذریعے فلٹر کریں۔ 2 سب سے زیادہ امید افزا مفروضوں کے لیے ایک ٹیسٹ پلان لکھیں (کتنی مدت، کس میٹرک کی پیمائش کرنی ہے)۔ آخر میں، "سفارش کے اصول آڈٹ" ٹیمپلیٹ کے ساتھ خطرات کے لیے اپنے سفارشی اصولوں کا جائزہ لیں۔
چیک لسٹ
- [ ] میں نے مشورے کے خیالات کو جانچنے کے لیے مفروضوں کے طور پر سمجھا، ثبوت کے طور پر نہیں۔
- میں نے ہر تجویز کو اسٹاک اور مارجن کے ذریعے فلٹر کیا۔
- مقبولیت کے علاوہ، میں نے منافع اور مناسبیت پر بھی غور کیا۔
- میں نے تنوع کے اصول کے ساتھ فلٹر بلبلے سے گریز کیا۔
- [ ] میں نے تعصب کی جانچ کی کہ سفارشات کس کو دکھاتی ہیں۔
- میں نے امید افزا تجاویز کو حقیقی امتحان سے ماپنے کا منصوبہ بنایا۔