Рекомендации товаров с помощью ИИ против традиционных инструментов: когда переходить

До того как движки на основе ИИ стали обычным явлением, магазины полагались на несколько методов, многие из которых до сих пор хорошо работают.

• Вручную отобранные сопутствующие товары: мерчандайзер выбирает аксессуары или альтернативы для каждого товара.
• Виджеты на основе правил: “другие товары в этой категории”, “бестселлеры”, “новинки” или “недавно просмотренные”.
• Комплекты и наборы: фиксированные наборы, определенные командой.
• Сегменты электронной почты, построенные на простых условиях, таких как категория последней покупки.

Эти подходы прозрачны. Вы точно знаете, почему товар появляется, и можете изменить это мгновенно.

Движки ИИ учатся на поведении всех покупателей. Они взвешивают просмотры, покупки, поисковые запросы, время, проведенное на сайте, и атрибуты товара, чтобы ранжировать товары для каждого посетителя или контекста. Они обновляются по мере изменения паттернов, поэтому сезонные тренды или вирусный товар могут подняться вверх без необходимости редактирования списка кем-либо.

Некоторые более новые системы используют языковые и визуальные эмбеддинги для оценки сходства, что помогает с товарами, у которых мало истории продаж. Поставщики, такие как Nosto, Klevu, Algolia, Dynamic Yield, Bloomreach, и облачные сервисы, такие как Amazon Personalize или Vertex AI Search for Commerce от Google, предлагают различные комбинации этих методов.

Несколько сигналов указывают на то, что ручные и основанные на правилах подходы достигли своего предела.

Сигналы, указывающие на ИИ

• В каталоге сотни или тысячи активных товаров, а отобранные списки устарели.
• Товары часто меняются, например, модные коллекции или товары, которые продавцы маркетплейса добавляют ежедневно.
• Повторные посетители составляют большую часть трафика, поэтому у персонализации есть история для работы.
• Команда тратит часы каждую неделю на ведение списков сопутствующих товаров.
• Виджеты “бестселлеры” показывают одни и те же несколько товаров везде, обделяя длинный хвост ассортимента.

Если три или более из этих пунктов описывают ваш магазин, пилотный проект ИИ, вероятно, стоит усилий.

Переход не всегда означает улучшение. Некоторые магазины теряют контроль, не получая многого взамен.

• Маленькие каталоги: с 30 товарами мерчандайзер может подобрать лучшие ссылки, чем модель с скудными данными.
• Низкий трафик: моделям нужны данные о взаимодействии; без них рекомендации все равно сводятся к популярности.
• Сильная экспертная логика: технические товары, где важна совместимость, например, запчасти, требуют точных правил, которые алгоритм может нарушить.
• Регулируемые категории: аптека или алкоголь, где определенные предложения никогда не должны появляться.
• Ограниченные бюджеты: некоторые движки ИИ оцениваются по трафику или доле выручки, что может перевесить выгоду для маленьких магазинов.

В этих случаях сначала улучшите традиционную настройку: заполните недостающие сопутствующие товары, создайте разумные комплекты и приведите в порядок структуру категорий.

Проведите A/B-тест на одном месте размещения, например, в разделе “вам также может понравиться” на странице товара. Версия A сохраняет ваши текущие правила или отобранные списки; версия B использует движок ИИ. Оставьте все остальное идентичным, включая дизайн и положение виджета.

Измеряйте выручку на посетителя как основной показатель и смотрите на кликабельность, добавление в корзину из виджета, средний чек и процент возвратов. Виджет, который увеличивает клики, но также и возвраты, может быть хуже в целом. Проводите тест в течение полных недель и убедитесь, что обе версии получают схожие источники трафика.

Большинство зрелых магазинов приходят к смешанному варианту. ИИ берет на себя основную часть персонализированных размещений, в то время как мерчандайзеры сохраняют ручной контроль там, где важна экспертиза. Распространенные паттерны включают закрепление критически важных для совместимости аксессуаров на технических товарах, исключение определенных категорий из алгоритмических слотов и использование основанных на правилах “недавно просмотренных” наряду с ИИ-рекомендациями “рекомендовано для вас”.

Полезный принцип: позвольте алгоритму ранжировать, позвольте людям устанавливать границы.

Традиционные инструменты обычно бесплатны в рамках вашей платформы или являются недорогими приложениями. Движки ИИ могут взимать ежемесячную плату, долю от атрибутированной выручки или плату за использование. Внедрение также стоит времени: подготовка фида, проверки отслеживания, изменения дизайна и тестирование. Проверьте текущие цены поставщиков и спросите, как они определяют “атрибутированную выручку”, потому что щедрые окна атрибуции могут сделать инструмент лучше, чем он есть на самом деле.

Демо всегда выглядят хорошо, потому что поставщики выбирают каталог и покупателя. Задавайте вопросы, которые покажут, как движок будет вести себя в вашем магазине.

• Как движок обрабатывает новые товары без истории продаж?
• Можем ли мы исключить категории, бренды или диапазоны маржи из алгоритмических слотов?
• Как определяется атрибутированная выручка и за какой период времени?
• Что происходит со скоростью страницы при загрузке виджета, и загружается ли он асинхронно?
• Можем ли мы экспортировать логи рекомендаций, чтобы проверить, что и кому было показано?

Четкие ответы на эти вопросы являются лучшим предиктором успеха, чем сама демо.