B2B’deki AI ürün önerileri, satın alma geçmişine, hesap türüne ve davranışa dayanarak bir işletme alıcısının ihtiyaç duyma olasılığı olan bir sonraki parçayı, planı, eklentiyi veya yeniden siparişi önerir. Tüketici mağazalarından farklı olarak, B2B önerileri sözleşme fiyatları, tekrar eden siparişler, teknik uyumluluk ve bir şirket için satın alma yapan birkaç kişi ile ilgilenir. Oyun kitabı, mantığın net olduğu yeniden sipariş ve uyumluluk önerileriyle başlamak ve yalnızca veriler bunu kanıtladığında genişlemektir.
B2B önerileri B2C’den nasıl farklıdır?
Bir moda mağazası zevke ve trendlere göre öneride bulunur. Bir B2B distribütörü ise bir tesisin ne çalıştırdığına, geçen çeyrekte ne sipariş ettiğine ve halihazırda satın aldığı makineye neyin uyduğuna göre öneride bulunur. Alıcılar genellikle bilinen bir ihtiyaç için satın alma yaparlar, bu nedenle yanlış bir öneri onları cezbetmekten çok zamanlarını boşa harcar.
Hesap yapısı da önemlidir. Bir şirketin bir satın alma müdürü, bir mühendisi ve bir finans onaylayıcısı olabilir ve her biri portalı farklı şekilde kullanır. Öneriler yalnızca tek bir kullanıcı oturumuna değil, hesaba ve yararlı olduğu durumlarda role bağlı olmalıdır.
AI önerilerini hangi veriler destekler?
Çoğu sistem çeşitli sinyallerden öğrenir:
- Sıklık ve tipik miktarlar dahil olmak üzere hesaba göre sipariş geçmişi.
- Uyumlu parçalar, sarf malzemeleri ve değiştirmeler gibi ürün ilişkileri.
- Portalda veya web sitesinde gezinme ve arama davranışı.
- Sektör, boyut ve bölge gibi hesap öznitelikleri.
- Temiz kategoriler ve özniteliklerle katalog verileri.
Uyumluluk verileri genellikle en zor kısımdır. Katalog hangi filtrenin hangi üniteye uyduğunu kaydetmiyorsa, model bunu ortak satın alma modellerinden tahmin eder, bu da nadir ürünler için yanlış olabilir. Ürün ilişkisi verilerini düzeltmek, önerilerin ötesinde de karşılığını verir, çünkü aynı zamanda aramayı ve satış desteğini de iyileştirir.
Hangi platformlar B2B önerileri sunar?
Birkaç ticaret platformu, B2B özelliklerine sahip AI önerilerini içerir. Magento üzerine inşa edilmiş Adobe Commerce, Adobe Sensei tarafından desteklenen Ürün Önerileri sunar. Salesforce Commerce Cloud, Einstein önerilerini içerir ve B2B Commerce sürümü hesap tabanlı satın almayı destekler. Shopify Plus, B2B özelliklerine ve öneriler için bir uygulama ekosistemine sahiptir. Algolia Recommend, Bloomreach ve Google Cloud’un ticaret için Vertex AI Search gibi özel motorlar çoğu yığının üzerinde oturabilir.
Satış ekipleri de önerileri kullanabilir. Salesforce ve HubSpot gibi CRM’ler, hesap kayıtlarında önerilen çapraz satışları gösterebilir, böylece temsilciler hafızaya güvenmek yerine aramalarda bunları gündeme getirirler.
Kurallar artı modeller
Saf makine öğrenimi B2B’de nadiren yeterlidir. Çoğu çalışan kurulum, “bu pompa için her zaman eşleşen conta kitini göster” veya “asla üretimi durdurulmuş ürünleri önerme” gibi iş kurallarını, diğer her şey için model güdümlü önerilerle birleştirir. Kurallar, yanlış olmanın maliyetli olduğu durumları kapsar; model ise kimsenin kural yazacak vaktinin olmadığı uzun kuyruğu kapsar. Kuralları, ürün ekibinin bir geliştirici olmadan düzenleyebileceği bir listede tutun.
Öneriler nerede görünmelidir?
Onları alıcının zaten bir karar verdiği yere yerleştirin. Güçlü yerleşimler arasında yeniden sipariş sayfası (“bununla genellikle sipariş ettiğiniz ürünler”), sepet (“gerekli aksesuarlar”), ürün sayfası (“uyumlu parçalar”) ve tipik yeniden sipariş döngülerine göre zamanlanmış ikmal e-postaları bulunur. Bağlam olmadan “sizin için önerilenler” diyen bir kontrol paneli widget’ı genellikle göz ardı edilir.
Sözleşme fiyatlarına ve stoğa saygı gösterin
Her öneride alıcının müzakere edilmiş fiyatını ve gerçek stok durumunu gösterin. Liste fiyatını veya uzun süredir stokta olmayan bir ürünü gösteren bir öneri, tüm portala olan güveni zedeler.
Bir pilot proje nasıl yürütülür?
B2B’deki pilot projeler bir kontrol grubuyla ölçülmelidir, çünkü büyük hesaplar genellikle zaten sipariş verirlerdi. Basit bir plan:
- Sepet aksesuarları gibi bir yerleşim ve bir ürün kategorisi seçin.
- Hesapları benzer boyut ve sipariş değerine sahip test ve kontrol gruplarına bölün.
- En az bir tam yeniden sipariş döngüsü boyunca, genellikle altı ila on iki hafta boyunca çalıştırın.
- Ortalama sipariş değerini, önerilen ürünler için ekleme oranını ve sipariş sıklığını karşılaştırın.
- Doğruluk için bir ürün uzmanıyla bir öneri örneğini inceleyin.
Test grubu ekleme oranında kontrol grubunu geçemezse, algoritmayı suçlamadan önce veri kalitesine bakın. Ayrıca, test sırasında her iki grubun da benzer satış ilgisi gördüğünden emin olun, çünkü test hesaplarını hedefleyen bir temsilci kampanyası karşılaştırmayı çarpıtacaktır.
Hangi metrikler gerçek değeri gösterir?
Önerilerdeki tıklama oranı tek başına zayıf bir sinyaldir. Daha iyi ölçümler, o hesap tarafından daha önce satın alınmamış önerilen ürünlerden elde edilen gelir, aksesuarlar ve sarf malzemeleri için ekleme oranı, yanlış parçalarla ilgili destek biletlerindeki azalma ve satış temsilcilerinin aramaları hazırlarken kazandığı zamandır. Marjı da izleyin, çünkü düşük marjlı ürünleri zorlayan öneriler kârı azaltırken geliri artırabilir.
Yaygın hatalar nelerdir?
En yaygın hata, önerileri aynı anda her sayfada başlatmaktır, bu da hangi yerleşimin çalıştığını söylemeyi imkansız hale getirir. Bir diğeri satış ekibini görmezden gelmektir; portalda müşteriye söyledikleriyle çelişen öneriler gören temsilciler sisteme olan güvenlerini kaybederler. Üçüncüsü, ilk yapılandırmayı bitmiş olarak kabul etmektir. Kataloglar değişir, ürünlerin üretimi durdurulur ve yeni hatlar gelir, bu nedenle öneri kurallarının bir sahibi ve aylık bir kontrolü olmalıdır.
Alien Road AI ürün önerilerini nasıl uygular
Tipik bir etkileşimde katalog ve veri incelemesiyle başlarız: ürün ilişkileri, öznitelik tamlığı ve sipariş geçmişinin hesaplarla nasıl bağlantılı olduğu. Oradaki boşluklar önce düzeltilir, genellikle müşterinin ürün ekibi en iyi kategoriler için uyumluluk verilerini doldurur.
Ardından, müşterinin platformunda mevcut olan öneri motorunu veya platformda eksik olduğunda özel bir aracı yapılandırırız ve net bir amacı olan bir veya iki yerleşim seçeriz. Hesap bazında test ve kontrol ayrımı kurarız, olayları GA4 ve CRM’e bağlarız ve yerleşim başına ekleme oranını, artan geliri ve marjı gösteren bir rapor oluştururuz. Satış ekipleri CRM’deki hesap kayıtlarında önerilen çapraz satışları alır ve geri bildirimleri kuralların bir sonraki turuna dahil edilir.
Bu hafta nereden başlamalı
En çok satan yirmi ürününüzü listeleyin ve her biri için bir alıcının neredeyse her zaman onunla sipariş etmesi gereken aksesuarı veya sarf malzemesini yazın. Kataloğunuzun bu ilişkiyi kaydedip kaydetmediğini kontrol edin. Kaydetmiyorsa, bunu eklemek, alıcıların gerçekten kullandığı önerilere doğru ilk ve en ucuz adımdır ve satış ekibinize hemen yardımcı olur.