AI-рекомендации товаров помогают брендам электронной коммерции показывать каждому покупателю товары, которые они с наибольшей вероятностью купят следующими, основываясь на просмотре, истории покупок и выборе похожих клиентов. Наиболее практичные варианты использования — сопутствующие товары на страницах товаров, дополнения в корзине, персонализированные блоки электронной почты и более умный поиск по сайту. Они работают лучше всего, когда данные каталога чисты, а у каждого размещения есть четкая задача.
Большинство платформ сейчас включают ту или иную форму движка рекомендаций. Shopify предлагает встроенный API рекомендаций товаров и свое приложение Search and Discovery, WooCommerce полагается на расширения, а специализированные инструменты, такие как Nosto, Klevu, Algolia Recommend, Dynamic Yield и товарные фиды Klaviyo, покрывают более продвинутые потребности. Движок менее важен, чем то, где и как вы его используете.
Как AI-движки рекомендаций решают, что показывать?
Большинство систем комбинируют несколько методов. Коллаборативная фильтрация смотрит на поведение: покупатели, которые просматривали или купили А, также купили Б. Контентная фильтрация сравнивает атрибуты товара, такие как категория, цвет, материал и цена. Многие современные движки добавляют данные сессии в реальном времени, поэтому покупатель, который кликнул на три пары беговых кроссовок за две минуты, видит беговое снаряжение, а не свою историю покупок прошлой зимой.
Бизнес-правила применяются поверх этого. Вы обычно можете исключить товары, которых нет в наличии, продвигать высокомаржинальные продукты, скрывать товары из другой гендерной категории или удерживать аксессуары в разумном ценовом диапазоне по сравнению с основным товаром.
Какие размещения лучше всего работают на странице товара?
Страница товара — это то, с чего начинают большинство магазинов. Два виджета обычно выполняют разные задачи, и их смешивание — распространенная ошибка:
- Похожие товары: альтернативы для покупателей, которые не убеждены текущим товаром. Полезно для моды, мебели и всего, где важен вкус.
- Часто покупают вместе: дополнения, такие как чехол для телефона или сменный картридж для устройства. Полезно для увеличения среднего чека.
- Недавно просмотренные: простая память, помогающая покупателям сравнивать.
- Завершите образ: курируемые или созданные AI наборы, обычные для одежды и домашнего декора.
Размещайте альтернативы достаточно высоко, чтобы поймать людей, собирающихся уйти, а дополнения — рядом с кнопкой «Добавить в корзину». Тестируйте по одному изменению за раз.
Как корзина и оформление заказа могут использовать рекомендации?
Корзина — это момент наивысшего намерения, поэтому рекомендации здесь должны быть маленькими, дешевыми и очевидно релевантными. Магазин, продающий кофемашины, может предложить таблетки для очистки от накипи или молочник, а не вторую машину. Многие магазины привязывают это к порогу бесплатной доставки: «Добавьте еще один товар, чтобы получить бесплатную доставку», за которым следуют товары, закрывающие разрыв.
Оформление заказа должно оставаться чистым. Большинство команд держат рекомендации вне шага оплаты, потому что отвлекающие факторы там создают риск брошенных заказов. Страница после покупки или электронное письмо с подтверждением заказа — лучшее место для второго предложения.
Помогают ли рекомендации в электронной почте и поиске?
Да, и это часто самые прибыльные размещения, потому что они достигают людей, которых нет на сайте. Почтовые платформы, такие как Klaviyo и Omnisend, могут вставлять товарные блоки, которые меняются в зависимости от получателя: напоминания о пополнении запасов для расходных материалов, товары, похожие на брошенную корзину, или новинки в любимой категории.
Поиск по сайту — еще одна важная вещь. Покупатель, который вводит запрос, сказал вам именно то, что он хочет. AI-инструменты поиска ранжируют результаты по вероятной релевантности и популярности, исправляют опечатки и понимают синонимы, поэтому «кроссовки» находят товары, помеченные как «кеды». Поиск с нулевым результатом — это потерянные продажи, и лучший поиск их сокращает.
Варианты использования по типу магазина
- Мода: альтернативы с учетом размера и наборы одежды.
- Красота: электронные письма о пополнении запасов, приуроченные к типичному использованию.
- Электроника: совместимые аксессуары, отфильтрованные по модели.
- Продукты и товары для животных: списки повторных заказов и предложения подписки.
- Товары для дома: наборы для комнат с балансом цен.
Какие данные вам нужны перед включением?
Качество рекомендаций отражает качество каталога. Если у половины ваших товаров нет категории, несогласованные названия цветов или отсутствуют изображения, движок не сможет их хорошо сравнить. Магазин с небольшим количеством заказов также дает мало данных для обучения коллаборативной фильтрации; в этом случае контентные и основанные на правилах методы имеют больше веса в начале.
Проверьте эти основы: полные названия и категории, структурированные атрибуты, такие как размер и материал, точные уровни запасов, синхронизированные почти в реальном времени, и события отслеживания для просмотров товаров, добавления в корзину и покупок. Согласие также важно. В регионах, охваченных GDPR, персонализация на основе отслеживания обычно зависит от выбора файлов cookie покупателем, поэтому планируйте для посетителей, которые отказываются.
Какие ошибки приводят к тому, что рекомендации работают против вас?
Самая распространенная ошибка — показывать слишком много. Четыре карусели на одной странице товара конкурируют с основным товаром и толкают кнопку «Добавить в корзину» вниз на мобильных устройствах. Другая — рекомендовать товары, которые покупатель только что купил, например, второй идентичный пылесос через день после покупки. Большинство движков могут исключать недавно купленные товары; убедитесь, что эта настройка включена.
Баланс цен также важен. Предложение аксессуара за 200 евро рядом с товаром за 40 евро редко работает. Проблемы «холодного старта» также затрагивают новые товары, потому что у них еще нет данных о поведении, поэтому они никогда не рекомендуются, если вы не добавите правило, которое продвигает новинки в течение определенного периода. Наконец, следите за виджетами, которые всегда показывают только бестселлеры. Это выглядит как персонализация, но это просто список популярности, и он скрывает «длинный хвост» вашего каталога.
Как Alien Road применяет AI-рекомендации для онлайн-магазинов
В типичном проекте мы начинаем с аудита данных каталога и событий аналитики, потому что сломанное отслеживание делает любой тест рекомендаций бессмысленным. Затем мы составляем карту пути клиента и выбираем два или три размещения с самой четкой задачей, обычно дополнения на странице товара, дополнения в корзине и одна цепочка электронных писем.
Настройка использует существующие функции платформы клиента, где это возможно, прежде чем добавлять платный инструмент. Мы определяем правила с командой мерчандайзинга, такие как минимальная маржа и исключенные категории, и проводим A/B-тесты там, где позволяет трафик. Отчетность фокусируется на доходе на посетителя, среднем чеке и коэффициенте кликов к покупке для каждого виджета, проверяемых ежемесячно. Виджеты, которые не оправдывают свое место, удаляются; более чистая страница часто лучше перегруженной.
С чего начать на этой неделе
Откройте аналитику вашего магазина и найдите свои двадцать лучших товаров по просмотрам. Проверьте, есть ли у каждого полная категория, атрибуты и хотя бы одно разумное дополнение. Затем добавьте или исправьте один блок «часто покупают вместе» на этих страницах, используя встроенную функцию вашей платформы. Измерьте средний чек за четыре недели по сравнению с предыдущим периодом, и только тогда решите, стоит ли специализированный инструмент подписки.
Продолжайте читать: Электронная коммерция · Электронная коммерция