AI-рекомендации товаров используют историю покупок, поведение при просмотре и атрибуты товаров, чтобы предлагать каждому покупателю то, что он, вероятно, захочет, на страницах товаров, в корзинах, в письмах и в рекламе. В клиентских кампаниях они работают, когда данные каталога чисты, размещения соответствуют этапу покупателя, а каждый виджет тестируется на простой базовой линии, такой как бестселлеры.
Как работают AI-рекомендации товаров?
Механизмы рекомендаций опираются на несколько семейств методов. Коллаборативная фильтрация находит закономерности среди покупателей: люди, купившие палатку, часто также покупали коврик для сна. Контентная фильтрация сравнивает атрибуты товара, такие как категория, цвет, материал и цена. Современные системы объединяют их с моделями машинного обучения, которые учитывают недавнее поведение, контекст сессии и бизнес-правила.
Большинство магазинов не создают это самостоятельно. Shopify предлагает нативные рекомендации товаров и приложение Search & Discovery, а многие продавцы добавляют приложения, такие как Rebuy, LimeSpot или Nosto. Магазины на WooCommerce используют плагины или подключают внешние движки. Крупные ритейлеры используют платформы, такие как Vertex AI Search for commerce от Google Cloud, Amazon Personalize, Dynamic Yield или Algolia Recommend. Почтовые платформы, такие как Klaviyo, включают блоки рекомендаций, созданные на основе данных магазина.
Движок хорош настолько, насколько хороши его входные данные. Отсутствующие категории, несогласованные заголовки и товары без информации о наличии на складе приводят к странным предложениям.
Где появляются рекомендации в кампании?
Размещения на сайте
- Страница товара: похожие товары и часто покупаемые вместе.
- Корзина и оформление заказа: недорогие дополнения, которые завершают заказ.
- Главная страница: недавно просмотренные и персонализированные подборки для вернувшихся посетителей.
- Пустые результаты поиска: альтернативы вместо тупика.
- Страница после покупки: сопутствующие товары или пополнение запасов.
Email и мессенджеры
Цепочки брошенных корзин, брошенного просмотра и после покупки работают лучше, когда они показывают релевантные товары, а не фиксированный блок бестселлеров. Klaviyo и подобные инструменты автоматически заполняют эти слоты на основе данных каталога и событий.
Платная реклама
Динамическая реклама товаров в Meta (реклама каталога Advantage+) и Google Performance Max с фидом Merchant Center — это самостоятельные системы рекомендаций: платформы сами выбирают, какие товары кому показывать. Качество фида и группировка товаров сильно влияют на то, что они выберут.
Какие данные нужны для рекомендаций?
Прежде чем любой виджет выйдет в эфир, мы проверяем основы данных:
- Полный фид товаров с точными заголовками, категориями, ценами, изображениями и статусом наличия.
- Отслеживание событий для просмотров товаров, добавлений в корзину и покупок, последовательно отправляемое в движок и в аналитику, такую как GA4.
- Достаточно трафика и заказов для формирования закономерностей; небольшие каталоги с малым количеством заказов могут лучше работать с подборками на основе правил.
- Бизнес-правила: исключать товары, которых нет в наличии, соблюдать минимальные маржинальные пороги, избегать рекомендации более дешевой версии того, что уже есть в корзине.
- Управление согласием: персонализированные рекомендации на основе поведения зависят от согласия покупателя на использование файлов cookie в соответствии с GDPR или KVKK, и резервный вариант для посетителей, не давших согласие, должен продолжать работать.
Как мы тестируем, работают ли рекомендации?
Виджет рекомендаций всегда выглядит полезным, поэтому его нужно тестировать. Честное сравнение проводится с простой альтернативой: бестселлеры в той же категории или отсутствие виджета вообще.
Наш обычный метод:
- Выберите одно размещение, например, корзину, и одну важную метрику, например, средний чек.
- Проведите A/B-тест, где половина посетителей видит AI-рекомендации, а половина — бестселлеры.
- Проводите его достаточно долго, чтобы охватить как минимум два полных недельных цикла и достаточное количество заказов для значимого результата.
- Смотрите дальше основной метрики: проверьте коэффициент конверсии, чтобы более высокий чек не скрывал меньшее количество заказов.
- Сегментируйте результаты по новым и вернувшимся посетителям, так как персонализация обычно больше помогает вернувшимся покупателям.
Многие приложения сообщают о своей собственной атрибуции дохода, часто учитывая любой заказ, который включал кликнутую рекомендацию. Эти цифры, как правило, завышены. Контролируемый тест — единственный надежный показатель.
Как Alien Road применяет AI-рекомендации товаров для клиентов
В типичном проекте работа начинается с аналитики и каталога магазина. Мы смотрим на средний чек, долю заказов с более чем одним товаром, топ пар товаров и точки отсева в воронке. Это показывает, где рекомендации могут добавить ценность, а где они просто создадут беспорядок.
Настройка включает очистку фида, проверки отслеживания и план размещения. Мы обычно начинаем с одного или двух мест с высоким трафиком, таких как кросс-продажи на странице товара и дополнения в корзине, вместо того чтобы включать каждый виджет, который предлагает приложение. Бизнес-правила для запасов, маржи и логики категорий настраиваются перед запуском.
Для измерения каждое новое размещение запускается как контролируемый тест против базовой линии бестселлеров, при этом средний чек, коэффициент конверсии и доход на посетителя отслеживаются в GA4 и собственных отчетах магазина. Блоки рекомендаций в письмах тестируются в цепочках с разделенными вариантами.
Отчетность честно сравнивает результаты тестов, включая размещения, которые не дали никакой разницы. Когда виджет не превосходит базовую линию, он удаляется или перерабатывается, потому что каждый элемент на странице товара борется за внимание.
Как долго ждать результатов от рекомендаций?
Ожидайте периода обучения. Движкам, основанным на поведении, нужно достаточно просмотров товаров и заказов, чтобы найти закономерности, поэтому новый магазин или недавно запущенный каталог могут показывать общие предложения в первые недели. В это время резервные варианты на основе правил, такие как бестселлеры категории, поддерживают полезность виджета.
Сезонность также имеет значение. Топ пар товаров магазина подарков в декабре совсем не похож на мартовский, поэтому просматривайте результаты по сезонам, прежде чем делать окончательные выводы. Для магазина среднего размера квартал данных обычно дает справедливую картину того, заслуживает ли размещение своего места на странице.
Каких ошибок следует избегать?
- Рекомендовать товары, которых нет в наличии или у которых долгие сроки доставки.
- Показывать почти идентичные товары, которые каннибализируют уже выбранный товар.
- Перегружать страницу четырьмя каруселями рекомендаций.
- Игнорировать мобильную верстку, где карусели могут сдвинуть кнопку «Добавить в корзину» за пределы первого экрана.
- Доверять доходу, о котором сообщает приложение, без теста.
- Забывать о резервном варианте для посетителей, которые отказываются от отслеживания.
С чего начать на этой неделе
Экспортируйте свои заказы за последние три месяца и найдите десять самых распространенных пар товаров. Проверьте, появляются ли эти пары уже вместе на ваших страницах товаров. Если нет, настройте блок «часто покупают вместе» для этих товаров, используя нативные инструменты вашей платформы, и запустите его как сплит-тест против вашей текущей страницы в течение двух недель. Это даст вам базовую линию, прежде чем вы заплатите за более крупный движок рекомендаций.
Читать далее: E-commerce · E-commerce