收益：
- 了解推荐引擎的逻辑（一起购买、相似产品、个性化）及其对业务指标的影响
- 能够在人工智能支持下构建产品关系、包装和交叉销售场景，并将其转化为可测试的假设
- 能够看到过滤泡沫、偏差和股票/保证金中性自动推荐的风险，并将推荐规则与商业控制联系起来
大型电子商务网站上的很大一部分销售额来自向客户推荐的产品，而不是他正在寻找的产品。你们都见过“买了这个的人也买了这个”、“我们为您精选”、“一起更便宜”的内容。这些块背后的系统称为推荐引擎：它是为“我现在应该向这个人展示什么？”这个问题生成答案的软件。通过观察客户的行为、产品的关系和一般模式。人工智能 (AI) 在这一领域的作用有两个方面：它可以帮助您在构建推荐逻辑时生成场景和规则；它可以分析您自己在小商店中的产品关系并提出包装/交叉销售的想法。但要注意：一个好的推荐系统不仅要考虑“点击量”，还要考虑库存、利润和客户体验。
让我们澄清一下这两个术语。交叉销售是向买家提供另一种产品来补充某种产品（手机买家的情况）。追加销售提供满足相同需求的更高/昂贵的型号（256 GB 而不是 128 GB）。两者都是增加平均购物篮 (AOV) 的合法方法；但真正对顾客有利的时候它会起作用，而被迫的时候它就会产生干扰。
推荐系统的三大基本逻辑
推荐系统通常使用一种或三种方法的混合。
1）基于内容：看产品自身的特点。 “与这款跑鞋类似的其他跑鞋”。它甚至可以与新客户合作，因为它不需要行为历史记录。
2）协同过滤：着眼于行为模式。 "People who bought this product also bought this."它功能强大，但需要大量数据，并且会遭遇“冷启动”（新产品/新客户）。
3）个性化：它根据单个客户过去的行为定制展示。它具有强大的效果，但存在隐私和“过滤气泡”的风险。
下表总结了推荐块及其用途：
块
逻辑
目的
例子
同类产品
基于内容
提供替代方案
同类产品中的接近型号
放在一起
协作的
交叉销售
手机+保护壳+屏幕保护膜
我们为您精选的
个性化
承诺
基于过去的导航
最爱/畅销书
人气
信任+新客户
该类别的畅销书
你离开的地方
会话数据
逆转
上次查看的产品
小商店中的人工智能推荐设置
即使是无法建立企业推荐引擎的中小门店，也可以利用人工智能智能构建产品关系。你可以匿名将真实的“一起销售的产品”数据（订单商品）交给AI，让它分析“哪些产品一起购买，我可以推荐哪些套餐？”人工智能为您生成交叉销售和捆绑假设；您通过库存和保证金过滤它们，然后实际测试它们。这里的关键词是假设：人工智能的建议不是证据，而是一个需要测试的想法。
提示：将每个推荐想法转化为“如果-那么”假设：“如果我们向购买 X 的人推荐 Y，他们的购物篮平均值将会增加。”然后通过一个小实验（A/B 测试或一段时间）来衡量这一点。没有衡量的建议只是猜测。
推荐规则商业审核
如果让推荐系统完全自动化“点击次数最多”，那么它可能会很危险。库存：推荐缺货的产品会让顾客失望。利润：点击次数最多的产品可能利润最低；该系统可能会将您引导至无利可图的产品。品牌安全性和适用性：敏感类别（婴儿、健康）的不相关或不恰当的推荐会失去信任。过滤气泡：不断向客户展示同类型的产品会扼杀发现并缩小销量。这就是为什么自动推荐必须由业务规则来构建：“推荐库存商品”、“不要推荐利润低于此阈值的产品”、“保持类别合规性”。
偏见也是一个真正的风险。因为推荐系统是基于过去的行为，所以它可以强化过去的不平等；例如，不断向特定群体推荐更便宜/质量较低的产品。这既是一个道德问题，也是一个商业问题。有必要定期审核建议输出，以了解“向谁推荐什么”。
四个可复制模板
1) 一起销售的产品分析：
您的角色：电子商务分析师助理。以下是匿名订单商品（商品代码和次数合计）。数据：[表]。任务：找到最常一起购买的 10 对商品；对于每一对，写一个交叉销售假设（“向买家 X 提供 Y”）。注意：这些是假设；我还会检查库存和保证金。
2）捆绑推荐：
产品：[主要产品]。补充产品：[列表，附边注]。任务：建议 3 个合理的套餐；对于每个套餐，用一句话向客户解释其好处。规则：包装内所有产品必须有库存；使低利润产品成为主要吸引力。
3）热销场景：
客户正在查看：[产品、价格、功能]。高档型号：[列表，价格/功能差异]。任务：起草诚实的追加销售信息：为哪些额外好处支付多少钱。规则：不夸张；通过具体特征来解释差异。
4）建议规则检查：
检查以下推荐规则。规则：[列表]。任务：根据以下风险评估每个规则：股票一致性、保证金保护、类别适合、过滤泡沫、偏差。列出有风险的规则和您的纠正建议。
三个迷你箱子
案例 1——交叉销售收益。一家电子商店利用人工智能分析订单数据，发现“购买手机的人中有 40% 在 30 天内还购买了手机壳”。在手机页面添加了合适的案例推荐块（过滤掉有库存的案例）。篮子平均数显着增加。 AI给出一个假设，商店测试并验证它。
案例 2——利润陷阱。一家商店完全放弃了主页，只展示“点击次数最多”的产品。点击次数最多的产品是利润率最低的活动产品，有的甚至亏本出售。营业额增加，但利润下降。解决方案：在推荐规则中添加“在首页展示利润率低于阈值的产品”过滤器。
情况 3 — 过滤气泡。在图书网站上，由于不断向客户推荐同一类型的书籍，因此客户永远不会发现新的类型，并且他的兴趣会随着时间的推移而下降。当建议规则中添加“至少 20% 的建议应来自不同类别”的多样性规则后，发现和销售就恢复了。
弱提示/强提示
弱提示：
我可以推荐这个产品什么，给我一些想法。
该模型会在不知道您的实际数据和利润的情况下生成通用的、可能缺货的建议。
强力提示：
您的角色：电子商务分析师。主要产品：无线耳机（利润28%，有现货）。补充候选（有库存/利润）：便携包（45%，库存），耳机套（50%，库存），充电线（20%，库存）。任务：提出2个交叉销售套餐，仅限有库存且利润超过30%；用一句话写出每个包裹的客户利益。
常见错误
- 将建议误认为证据。 AI的输出是假设；未经测试，它不会成为决定。
- 忽略库存和利润。自动推荐可以突出显示无利可图或已售罄的产品。
- 只是将其归因于受欢迎程度。点击次数最多的并不总是最有利可图或最方便的。
- 创建过滤气泡。不断展示相同的产品会扼杀发现和销售。
- 不检查偏差。该制度可能会加剧过去的不平等；需要定期检查。
- 强制追加销售。推广没有任何好处的昂贵模型会让你失去信心。
综上所述
推荐系统通过在正确的时间向客户展示正确的产品来提高购物篮平均数和忠诚度。存在三个基本逻辑：基于内容（类似产品）、协作（一起购买）和个性化。即使在小型商店，人工智能也可以根据订单数据生成交叉销售和捆绑假设；但这些都是有待测试的想法，而不是证据。确保围绕库存、利润、类别适合度和品种制定推荐规则；定期检查过滤气泡和偏差风险。自动推荐在遵守商业控制的情况下创造价值。
应用任务
从您自己的订单数据（带有匿名产品代码）中提取最常一起购买的 5 个产品对。使用“联合销售产品分析”模板向 AI 询问交叉销售假设。将每个假设转化为“如果-那么”陈述，并通过库存和保证金对其进行过滤。为两个最有希望的假设编写测试计划（多长时间，测量什么指标）。最后，使用“推荐规则审核”模板评估您的推荐规则的风险。
清单
- [ ] 我将建议想法视为待检验的假设，而不是证据。
- [ ] 我通过股票和保证金过滤了每条建议。
- [ ] 除了人气之外，我还考虑了盈利能力和适用性。
- [ ] 我用多样性规则避免了过滤气泡。
- [ ] 我检查了建议向谁显示的内容是否存在偏见。
- [ ] 我计划通过实际测试来衡量有希望的建议。