AI-рекомендации товаров для B2B-маркетинга

Магазин модной одежды рекомендует на основе вкуса и трендов. B2B-дистрибьютор рекомендует на основе того, что использует объект, что он заказал в прошлом квартале и что подходит к машине, которую он уже купил. Покупатели часто совершают покупки для известной потребности, поэтому неверное предложение тратит их время больше, чем соблазняет их.

Структура аккаунта также имеет значение. В одной компании могут быть менеджер по закупкам, инженер и финансовый контролер, каждый из которых использует портал по-разному. Рекомендации должны быть привязаны к аккаунту и, где это полезно, к роли, а не только к сессии одного пользователя.

Большинство систем учатся на смеси сигналов:

• История заказов по аккаунту, включая частоту и типичные количества.
• Связи продуктов, такие как совместимые детали, расходные материалы и замены.
• Поведение при просмотре и поиске на портале или веб-сайте.
• Атрибуты аккаунта, такие как отрасль, размер и регион.
• Данные каталога с чистыми категориями и атрибутами.

Данные о совместимости часто являются самой сложной частью. Если каталог не записывает, какой фильтр подходит к какому устройству, модель угадывает на основе паттернов совместных покупок, что может быть неверным для редких продуктов. Исправление данных о связях продуктов окупается не только рекомендациями, так как это также улучшает поиск и поддержку продаж.

Несколько торговых платформ включают AI-рекомендации с функциями B2B. Adobe Commerce, построенный на Magento, предлагает рекомендации товаров на базе Adobe Sensei. Salesforce Commerce Cloud включает рекомендации Einstein, а его редакция B2B Commerce поддерживает покупки на основе аккаунтов. Shopify Plus имеет функции B2B и экосистему приложений для рекомендаций. Специализированные движки, такие как Algolia Recommend, Bloomreach и Vertex AI Search для коммерции от Google Cloud, могут располагаться поверх большинства стеков.

Команды продаж также могут использовать рекомендации. CRM, такие как Salesforce и HubSpot, могут показывать предложенные кросс-продажи в записях аккаунтов, чтобы представители поднимали их во время звонков, вместо того чтобы полагаться на память.

Правила плюс модели

Чистое машинное обучение редко бывает достаточным в B2B. Большинство рабочих настроек сочетают бизнес-правила, такие как “всегда показывать подходящий комплект уплотнений для этого насоса” или “никогда не предлагать снятые с производства товары”, с модельными предложениями для всего остального. Правила покрывают случаи, когда ошибка стоит дорого; модель покрывает длинный хвост, где ни у кого нет времени писать правила. Держите правила в списке, который команда продукта может редактировать без разработчика.

Размещайте их там, где покупатель уже принимает решение. Сильные места размещения включают страницу повторного заказа (“товары, которые вы обычно заказываете с этим”), корзину (“необходимые аксессуары”), страницу продукта (“совместимые детали”) и электронные письма о пополнении запасов, приуроченные к типичным циклам повторного заказа. Виджет панели управления, который говорит “рекомендовано для вас” без контекста, как правило, игнорируется.

Уважайте контрактные цены и запасы

Показывайте согласованную цену покупателя и реальную доступность в каждой рекомендации. Предложение, которое показывает прейскурантную цену или товар с длительным ожиданием поставки, подрывает доверие ко всему порталу.

Пилоты в B2B должны измеряться относительно контрольной группы, потому что крупные аккаунты часто заказали бы и так. Простой план:

• Выберите одно место размещения, например, аксессуары в корзине, и одну категорию продуктов.
• Разделите аккаунты на тестовую и контрольную группы схожего размера и стоимости заказа.
• Запустите как минимум на один полный цикл повторного заказа, часто от шести до двенадцати недель.
• Сравните среднюю стоимость заказа, коэффициент прикрепления для предложенных товаров и частоту заказов.
• Проверьте выборку рекомендаций с экспертом по продукту на точность.

Если тестовая группа не превосходит контрольную по коэффициенту прикрепления, посмотрите на качество данных, прежде чем винить алгоритм. Также проверьте, получали ли обе группы одинаковое внимание со стороны продаж во время теста, так как кампания представителей, нацеленная на тестовые аккаунты, исказила бы сравнение.

Какие метрики показывают реальную ценность?

Коэффициент кликов по рекомендациям сам по себе является слабым сигналом. Лучшими мерами являются доход от рекомендованных товаров, которые ранее не покупались этим аккаунтом, коэффициент прикрепления для аксессуаров и расходных материалов, сокращение обращений в поддержку по поводу неправильных деталей и время, сэкономленное торговыми представителями при подготовке к звонкам. Следите также за маржой, так как рекомендации, продвигающие низкомаржинальные товары, могут увеличить доход, снижая прибыль.