Lợi nhuận:
- Hiểu logic của công cụ đề xuất (được mua cùng nhau, các sản phẩm tương tự, cá nhân hóa) và tác động của nó đến các chỉ số kinh doanh
- Khả năng xây dựng các mối quan hệ sản phẩm, đóng gói và các kịch bản bán chéo với sự hỗ trợ của trí tuệ nhân tạo và biến chúng thành các giả thuyết có thể kiểm chứng được
- Khả năng nhìn thấy các rủi ro của bong bóng bộ lọc, sai lệch và khuyến nghị tự động trung tính về cổ phiếu/lợi nhuận và liên kết các quy tắc đề xuất với kiểm soát thương mại
Một phần đáng kể doanh số bán hàng trên các trang thương mại điện tử lớn đến từ sản phẩm được giới thiệu cho khách hàng chứ không phải sản phẩm mà họ đang tìm kiếm. Tất cả các bạn đều đã thấy các khối "Những người đã mua cái này cũng đã mua cái này", "Lựa chọn của chúng tôi dành cho bạn", "Cùng nhau rẻ hơn". Hệ thống đằng sau những khối này được gọi là công cụ đề xuất: đó là phần mềm đưa ra câu trả lời cho câu hỏi "Tôi nên cho người này xem gì bây giờ?" bằng cách xem xét hành vi của khách hàng, mối quan hệ của sản phẩm và các mô hình chung. Trí tuệ nhân tạo (AI) hữu ích trong lĩnh vực này theo hai cách: giúp bạn tạo ra các kịch bản và quy tắc khi xây dựng logic đề xuất, đồng thời phân tích mối quan hệ sản phẩm của chính bạn trong các cửa hàng nhỏ và đưa ra ý tưởng đóng gói/bán kèm. Nhưng hãy cẩn thận: một hệ thống đề xuất tốt không chỉ xem xét “có bao nhiêu lần nhấp chuột” mà còn xem xét khoảng không quảng cáo, lợi nhuận và trải nghiệm của khách hàng.
Hãy làm rõ hai thuật ngữ. Bán kèm là cung cấp một sản phẩm khác bổ sung cho sản phẩm đó cho người mua (hộp đựng dành cho người mua điện thoại). Bán thêm đang cung cấp model cao hơn/đắt tiền đáp ứng cùng nhu cầu (256 GB thay vì 128 GB). Cả hai đều là những cách hợp pháp để tăng giỏ hàng trung bình (AOV); Nhưng nó phát huy tác dụng khi nó thực sự có lợi cho khách hàng, và nó gây xáo trộn khi bị ép buộc.
Ba logic cơ bản của hệ thống khuyến nghị
Hệ thống gợi ý thường sử dụng một hoặc kết hợp ba phương pháp tiếp cận.
1) Dựa trên nội dung: Xem xét các tính năng riêng của sản phẩm. "Giày chạy bộ khác tương tự như giày chạy bộ này". Nó thậm chí còn hoạt động với khách hàng mới vì nó không yêu cầu lịch sử hành vi.
2) Lọc cộng tác: Xem xét mô hình hành vi. "Những người đã mua sản phẩm này cũng đã mua sản phẩm này." Nó mạnh mẽ nhưng đòi hỏi nhiều dữ liệu và gặp phải tình trạng "khởi đầu nguội" (sản phẩm mới/khách hàng mới).
3) Cá nhân hóa: Nó điều chỉnh việc trưng bày cho phù hợp với một khách hàng dựa trên hành vi trong quá khứ của họ. Nó có tác dụng mạnh mẽ nhưng tiềm ẩn nguy cơ về quyền riêng tư và "bong bóng lọc".
Bảng sau đây tóm tắt các khối đề xuất và mục đích của chúng:
khối
logic
Mục đích
ví dụ
Sản phẩm tương tự
dựa trên nội dung
đưa ra một giải pháp thay thế
Đóng các mô hình trong cùng danh mục
chụp cùng nhau
hợp tác
bán chéo
điện thoại + ốp lưng + miếng dán màn hình
Lựa chọn của chúng tôi dành cho bạn
Cá nhân hóa
cam kết
Dựa trên điều hướng trong quá khứ
Yêu thích/bán chạy nhất
Mức độ phổ biến
Niềm tin + khách hàng mới
Bán chạy nhất trong danh mục
nơi bạn đã dừng lại
dữ liệu phiên
đảo ngược
Sản phẩm được xem lần cuối
Thiết lập đề xuất với AI trong một cửa hàng nhỏ
Ngay cả những cửa hàng vừa và nhỏ không thể thiết lập công cụ đề xuất doanh nghiệp cũng có thể cấu trúc các mối quan hệ sản phẩm một cách thông minh bằng AI. Bạn có thể cung cấp ẩn danh dữ liệu "sản phẩm được bán cùng nhau" (các mặt hàng đặt hàng) cho AI và để nó phân tích "sản phẩm nào được mua cùng nhau, tôi có thể đề xuất gói nào?" AI tạo ra các giả thuyết về bán chéo và đóng gói cho bạn; Bạn lọc chúng thông qua cổ phiếu và lợi nhuận, sau đó bạn thực sự kiểm tra chúng. Từ khóa ở đây là giả thuyết: gợi ý của AI không phải là bằng chứng mà là một ý tưởng cần được thử nghiệm.
Mẹo: Biến mỗi ý tưởng đề xuất thành giả thuyết “nếu-thì”: “Nếu chúng tôi giới thiệu Y cho người mua X, mức trung bình trong giỏ hàng của họ sẽ tăng lên”. Sau đó đo lường điều này bằng một thử nghiệm nhỏ (thử nghiệm A/B hoặc một khoảng thời gian). Một khuyến nghị không đo lường chỉ là phỏng đoán.
Kiểm toán thương mại các quy tắc khuyến nghị
Hệ thống đề xuất có thể nguy hiểm nếu để "được nhấp nhiều nhất" hoàn toàn tự động. Còn hàng: việc giới thiệu một sản phẩm đã hết hàng sẽ khiến khách hàng thất vọng. Lợi nhuận: sản phẩm có nhiều lượt nhấp chuột nhất có thể có lợi nhuận thấp nhất; Hệ thống có thể hướng bạn đến những sản phẩm không mang lại lợi nhuận. An toàn và phù hợp thương hiệu: đề xuất không liên quan hoặc không phù hợp trong các danh mục nhạy cảm (em bé, sức khỏe) làm mất lòng tin. Bong bóng bộ lọc: liên tục hiển thị cho khách hàng cùng loại sản phẩm sẽ giết chết khả năng khám phá và thu hẹp doanh số bán hàng. Đó là lý do tại sao các đề xuất tự động nhất thiết phải được đóng khung theo các quy tắc kinh doanh: "đề xuất những sản phẩm còn hàng", "không giới thiệu sản phẩm có tỷ suất lợi nhuận dưới ngưỡng này", "duy trì tuân thủ danh mục".
Sự thiên vị cũng là một rủi ro thực sự. Bởi vì hệ thống khuyến nghị dựa trên hành vi trong quá khứ nên nó có thể củng cố những bất bình đẳng trong quá khứ; Ví dụ: liên tục giới thiệu các sản phẩm rẻ hơn/chất lượng thấp hơn cho một nhóm nhất định. Đây vừa là vấn đề đạo đức vừa là vấn đề thương mại. Cần phải thường xuyên kiểm tra kết quả khuyến nghị nhằm mục đích “nên khuyến nghị cái gì cho ai”.
Bốn mẫu có thể sao chép
1) Phân tích sản phẩm bán kèm:
Vai trò của bạn: trợ lý phân tích thương mại điện tử. Bên dưới là các đơn hàng ẩn danh (mã hàng và số lần chụp chung). Dữ liệu: [bảng]. Nhiệm vụ: tìm 10 cặp đồ thường xuyên được mua cùng nhau nhất; Đối với mỗi cặp, hãy viết một giả thuyết bán kèm (“Ưu đãi Y cho người mua X”). Lưu ý: Đây là những giả thuyết; Tôi cũng sẽ kiểm tra lượng hàng tồn kho và tiền ký quỹ.
2) Khuyến nghị gói:
Sản phẩm: [sản phẩm chính]. Sản phẩm bổ sung: [danh sách, có ghi chú bên lề]. Nhiệm vụ: Đề xuất 3 gói hàng hợp lý; Đối với mỗi gói, hãy giải thích lợi ích cho khách hàng bằng một câu. Quy tắc: tất cả các sản phẩm trong gói phải còn hàng; làm cho sản phẩm có tỷ suất lợi nhuận thấp trở thành điểm thu hút chính.
3) Kịch bản bán chạy nhất:
Khách hàng đang xem: [sản phẩm, giá, tính năng]. Các mẫu cao cấp: [danh sách, có sự khác biệt về giá/tính năng]. Nhiệm vụ: soạn thảo một thông điệp bán thêm trung thực: phải trả bao nhiêu để có được lợi ích bổ sung. Quy tắc: không cường điệu; Giải thích sự khác biệt thông qua các tính năng cụ thể.
4) Kiểm tra quy tắc gợi ý:
Kiểm tra các quy tắc đề xuất sau. Quy tắc: [danh sách]. Nhiệm vụ: đánh giá từng quy tắc đối với các rủi ro sau: tính nhất quán của cổ phiếu, bảo vệ lợi nhuận, phù hợp với danh mục, bong bóng bộ lọc, sai lệch. Liệt kê các quy tắc rủi ro và đề xuất điều chỉnh của bạn.
ba trường hợp nhỏ
Trường hợp 1 - Lợi nhuận từ việc bán kèm. Một cửa hàng điện tử đã phân tích dữ liệu đơn đặt hàng bằng AI và tìm ra mô hình "40% số người mua điện thoại cũng mua ốp lưng trong vòng 30 ngày". Đã thêm khối đề xuất trường hợp phù hợp vào trang điện thoại (lọc những sản phẩm còn trong kho). Giỏ trung bình tăng đáng kể. AI đưa ra giả thuyết, cửa hàng thử nghiệm và xác minh.
Trường hợp 2 - Bẫy ký quỹ. Một cửa hàng đã từ bỏ hoàn toàn trang chủ để dành những sản phẩm "được nhấp vào nhiều nhất". Sản phẩm được nhấp vào nhiều nhất là sản phẩm của chiến dịch có tỷ suất lợi nhuận thấp nhất, thậm chí có sản phẩm còn bị bán lỗ. Doanh thu tăng nhưng lợi nhuận giảm. Giải pháp: Bộ lọc "Giới thiệu sản phẩm có lề dưới ngưỡng trên trang chủ" đã được thêm vào quy tắc đề xuất.
Trường hợp 3 - Bong bóng lọc. Trên một trang sách, vì khách hàng liên tục được giới thiệu cùng một loại sách nên khách hàng không bao giờ khám phá được những thể loại mới và sự quan tâm của họ giảm dần theo thời gian. Khi quy tắc đa dạng "ít nhất 20% đề xuất phải thuộc các danh mục khác nhau" được thêm vào quy tắc đề xuất, lượt khám phá và doanh số bán hàng đã phục hồi.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Tôi có thể giới thiệu gì với sản phẩm này, hãy cho tôi một số ý tưởng.
Mô hình này đưa ra các đề xuất chung chung, có thể là hết hàng mà không biết dữ liệu thực tế và lợi nhuận của bạn.
Lời nhắc mạnh mẽ:
Vai trò của bạn: nhà phân tích thương mại điện tử. Sản phẩm chính: tai nghe không dây (lợi nhuận 28%, còn hàng). Ứng viên bổ sung (có hàng/lề): hộp đựng (45%, còn hàng), bộ tai nghe (50%, còn hàng), cáp sạc (20%, còn hàng). Nhiệm vụ: đề xuất 2 gói bán chéo chỉ còn hàng và có tỷ suất lợi nhuận trên 30%; Viết lợi ích của khách hàng bằng một câu cho mỗi gói.
Những lỗi thường gặp
- Nhầm lời đề nghị với bằng chứng. Đầu ra của AI là giả thuyết; Nó không trở thành một quyết định nếu không được thử nghiệm.
- Bỏ qua hàng tồn kho và lợi nhuận. Đề xuất tự động có thể làm nổi bật sản phẩm không có lãi hoặc đã bán hết.
- Chỉ cần gán nó cho sự nổi tiếng. Người được nhấp nhiều nhất không phải lúc nào cũng có lợi nhất hoặc thuận tiện nhất.
- Tạo bong bóng bộ lọc Việc liên tục hiển thị cùng một sản phẩm sẽ giết chết khả năng khám phá và bán hàng.
- Không kiểm tra độ lệch. Hệ thống có thể củng cố những bất bình đẳng trong quá khứ; Việc kiểm tra thường xuyên là cần thiết.
- Buộc phải bán thêm. Đẩy một mẫu xe đắt tiền mà không có lợi ích gì sẽ khiến bạn mất tự tin.
Tóm lại
Hệ thống khuyến nghị làm tăng mức trung bình trong giỏ hàng và mức độ trung thành bằng cách hiển thị cho khách hàng sản phẩm phù hợp vào đúng thời điểm. Có ba logic cơ bản: dựa trên nội dung (sản phẩm tương tự), hợp tác (mua cùng nhau) và cá nhân hóa. Ngay cả trong các cửa hàng nhỏ, AI có thể tạo ra các giả thuyết về bán chéo và đóng gói từ dữ liệu đơn hàng; Nhưng đây là những ý tưởng cần được thử nghiệm chứ không phải bằng chứng. Hãy đảm bảo đưa ra các quy tắc đề xuất xung quanh lượng hàng tồn kho, lợi nhuận, mức độ phù hợp với danh mục và sự đa dạng; Kiểm tra bong bóng bộ lọc và rủi ro sai lệch thường xuyên. Khuyến nghị tự động tạo ra giá trị khi tuân thủ kiểm soát thương mại.
Nhiệm vụ ứng dụng
Trích xuất 5 cặp sản phẩm được mua thường xuyên nhất cùng nhau từ dữ liệu đơn hàng của bạn (có mã sản phẩm ẩn danh). Yêu cầu AI đưa ra các giả thuyết bán kèm với mẫu “Phân tích sản phẩm đồng bán”. Biến mỗi giả thuyết thành một tuyên bố “nếu-thì” và lọc nó thông qua cổ phiếu và lợi nhuận. Viết kế hoạch thử nghiệm cho 2 giả thuyết có triển vọng nhất (trong bao lâu, số liệu nào cần đo lường). Cuối cùng, đánh giá các quy tắc đề xuất của bạn để tìm rủi ro bằng mẫu "Kiểm tra quy tắc đề xuất".
danh sách kiểm tra
- [ ] Tôi coi các ý tưởng gợi ý là những giả thuyết cần được kiểm tra chứ không phải là bằng chứng.
- [ ] Tôi đã lọc từng đề xuất thông qua cổ phiếu và lợi nhuận.
- [ ] Bên cạnh sự nổi tiếng, tôi còn cân nhắc đến khả năng sinh lời và sự phù hợp.
- [ ] Tôi đã tránh được bong bóng bộ lọc bằng quy tắc phân tập.
- [ ] Tôi đã kiểm tra xem các đề xuất có mang lại sự thiên vị cho ai không.
- [ ] Tôi dự định đo lường những gợi ý đầy hứa hẹn bằng một bài kiểm tra thực tế.