AI ürün önerileri, tarama ve satın alma davranışlarını, ürün özelliklerini ve cihaz veya mevsim gibi bağlamları kullanarak bir müşterinin bir sonraki aşamada hangi ürünü istemesinin en muhtemel olduğunu tahmin eden sistemlerdir. Pazarlamacılar için bunlar artık sadece bir “bunlar da ilginizi çekebilir” şeridi değil: ana sayfaları, e-postaları, arama sonuçlarını, reklamları ve giderek artan bir şekilde doğal dilde soruları yanıtlayan AI alışveriş asistanlarını şekillendiriyorlar.
Öneri motorları nasıl çalışır?
Çoğu sistem birkaç yöntemi birleştirir. İşbirlikçi filtreleme, müşteriler arasında kalıplar bulur: A’yı satın alanlar B’yi de satın aldı. İçerik tabanlı filtreleme, renk, malzeme veya marka gibi ürün özelliklerini karşılaştırır. Daha yeni sistemler, bir oturumdaki eylem dizilerini okuyan derin öğrenme modellerini ve bazı durumlarda ürün açıklamalarını ve yorumlarını anlayan dil modellerini ekler.
Çıktı, ürün sayfası, sepet veya e-posta gibi belirli bir alan için sıralanmış bir ürün listesidir. En iyi sistemler sık sık yeniden eğitilir, bu nedenle ani bir trend veya stok değişikliği hızla görünür hale gelir.
Mağazalar aslında hangi araçları kullanıyor?
Seçim, platforma ve kataloğun boyutuna bağlıdır.
- Shopify: ilgili ürünler için yerleşik Search & Discovery uygulaması, ayrıca e-posta önerileri için Rebuy, LimeSpot ve Klaviyo gibi uygulamalar
- WooCommerce: Klaviyo, Clerk.io ve Algolia Recommend dahil olmak üzere eklentiler ve harici hizmetler
- Enterprise: Google Cloud’un ticaret için Vertex AI Search, Amazon Personalize, Salesforce Commerce Cloud Einstein, Adobe Sensei özellikli Adobe Commerce, Bloomreach, Dynamic Yield
- E-posta ve CRM: Klaviyo, Braze, Insider ve Salesforce Marketing Cloud, davranışla beslenen ürün blokları sunar
Bunların çoğu veri bilimcileri tarafından değil, pazarlamacılar tarafından yapılandırılır. Bu, işi model oluşturmaktan stratejiler, alanlar ve kurallar seçmeye kaydırır.
Pazarlamacılar önerileri nerede kullanıyor?
Öneriler müşteri yolculuğu boyunca görünür. Her alanın farklı bir işi vardır.
Sitede
- Ana sayfa: yeni ziyaretçiler için popüler veya trend olan ürünler, geri dönenler için kişiselleştirilmiş seçimler
- Ürün sayfası: benzer ürünler ve sıklıkla birlikte satın alınanlar
- Sepet: düşük maliyetli eklentiler ve aksesuarlar
- Arama: sonuçların muhtemel ilgiye göre yeniden sıralanması
- Boş veya stokta olmayan sayfalar: çıkmaz sokak yerine yakın alternatifler
Site dışında
- İlgili ürünlerle terk edilmiş tarama ve sepet e-postaları
- Kullanım için zamanlanmış tamamlayıcı ürünlerle satın alma sonrası e-postalar
- Katalog ve piksel verileriyle beslenen Meta ve Google’daki dinamik ürün reklamları
Konuşma tabanlı
- Sitede “düz tabanlar için iyi bir koşu ayakkabısı nedir?” sorusunu yanıtlayan ve ürün öneren AI alışveriş asistanları
- ChatGPT shopping ve Google’ın AI Mode gibi araçlarda yanıtları besleyen ürün verileri, burada temiz ürün beslemeleri ve yorumlar önemlidir
Pazarlamacılar neleri kontrol eder?
Otomatik modellerle bile, pazarlamacı çerçeveyi belirler. Kötü ayarlar, model ne kadar iyi olursa olsun kötü öneriler üretir.
- Alan başına strateji: benzer, tamamlayıcı, trend, yakın zamanda görüntülenen, kişiselleştirilmiş
- İş kuralları: stokta olmayan ürünleri hariç tut, marj tabanlarını ayarla, yeni koleksiyonları destekle
- Çeşitlilik: birbirine çok benzeyen beş ürünü göstermekten kaçın
- Soğuk başlangıç: veri olmadan yeni ziyaretçilerin ve yeni ürünlerin ne gördüğü
- Yerleşim ve tasarım: bloğun nerede durduğu ve kaç ürün gösterdiği
- Test: stratejiler arasında veya öneri olmamasına karşı A/B testleri
Sınırlar ve riskler nelerdir?
Öneriler zaten satılanı güçlendirir. Kurallar olmadan, birkaç çok satan ürün her alanı doldurur ve yeni ürünler asla görünürlük kazanmaz. Bu, kısa vadeli tıklamalar için iyidir ancak çeşitlilik ve marj için kötüdür.
Gizlilik kuralları da geçerlidir. Takibe dayalı kişiselleştirme, GDPR, KVKK ve benzeri yasalar uyarınca onaya bağlıdır. Çerezleri reddeden müşterilerin yine de mantıklı, kişisel olmayan önerilere ihtiyacı vardır.
- Filtre balonları: müşteriler aynı şeyden daha fazlasını ve çeşitlilikten daha azını görür
- Veri kalitesi: yanlış kategoriler veya eksik özellikler tuhaf öneriler üretir
- Aşırı kişiselleştirme: özellikle hassas ürünlerde istilacı hissettiren öneriler
- Atıf: satıcılar genellikle widget’ı zaten gerçekleşecek olan satışlar için kredilendirir
Çalışıp çalışmadıklarını nasıl anlarsınız?
Dürüst test bir deneydir: önerileri bir gruba gösterin diğerine göstermeyin veya iki stratejiyi karşılaştırın. Widget üzerindeki tıklamalar değerin kanıtı değildir.
Ziyaretçi başına geliri, ortalama sipariş değerini ve gruplar arasındaki dönüşüm oranını takip edin. Marjı da izleyin, çünkü ucuz eklentiler sipariş sayısını artırabilir ancak kârı artırmayabilir.
Öneriler hangi ürün verilerine ihtiyaç duyar?
Motorlar iki kaynaktan öğrenir: davranış ve katalog verileri. Davranış, her biri bir ürün kimliğine sahip ürün görüntülemeleri, sepete eklemeler ve satın almalar gibi izleme olaylarından gelir. Katalog verileri ürün beslemenizden gelir: başlıklar, kategoriler, özellikler, fiyatlar, stok ve görseller.
Zayıf katalog verileri, önerilerin rastgele görünmesinin en yaygın nedenidir. Rengi sadece ürün başlığında saklayan, alan olarak saklamayan bir moda mağazası, motordan “aynı elbisenin başka bir rengini” önermesini isteyemez. Bir kategorinin üç farklı yazılışına sahip bir ev eşyaları mağazası kendi verilerini böler.
- Net bir hiyerarşi ile tutarlı kategoriler
- Ayrı alanlar olarak özellikler: renk, beden, malzeme, stil, fiyat aralığı
- En az günlük olarak senkronize edilen doğru stok seviyeleri
- Site, besleme ve analitik genelinde eşleşen temiz ürün kimlikleri
- İyi görseller, çünkü bazı motorlar görsel benzerliği de kullanır
Üretken AI önerileri nasıl değiştiriyor?
Dil modelleri yeni bir katman ekler. Bir ürün ızgarası yerine, bir müşteri bir ihtiyacı tanımlayabilir ve nedenleriyle birlikte kısa bir liste alabilir. Shopify, Rufus ile Amazon ve birçok üçüncü taraf araç artık bu tür bir asistan sunuyor.
Pazarlamacılar için bu, zengin ürün açıklamalarının, net özelliklerin ve gerçek yorumların değerini artırır, çünkü asistan ne önereceğine karar vermek için bunları okur. İki satırlık belirsiz bir açıklaması olan bir ürünü herhangi bir asistanın güvenle önermesi zordur.
Alien Road AI ürün önerilerini nasıl uygular
Tipik bir e-ticaret etkileşiminde, katalog ve veri denetimiyle başlarız: ürün özellikleri, kategoriler, stok beslemeleri ve onay kurulumu. Oradaki boşluklar herhangi bir öneri motorunu sınırlar, bu yüzden bunları düzeltmek ilk sıradadır.
Ardından site ve e-posta akışları boyunca alanları haritalandırır, her biri için bir strateji seçer ve stok, marj ve çeşitlilik için iş kuralları belirleriz. Testler, genellikle ürün sayfaları ve sepet gibi en yüksek trafikli alanlarda başlar.
Ölçüm, platformun izin verdiği yerlerde tutma gruplarını kullanır ve raporlar gruplar arasındaki ziyaretçi başına geliri, sipariş değerini ve marjı karşılaştırır. Testlerin ne gösterdiğini, önerilerin hiçbir fark yaratmadığı alanlar dahil olmak üzere raporlarız.
Bu hafta nereden başlamalı
Mağazanızın bugün önerileri gösterdiği her yeri ve her birinin kullandığı stratejiyi listeleyin. Birçok mağaza her yerde aynı “ilgili ürünler” ayarını bulur. Sepet gibi bir alanı, stok kuralı olan tamamlayıcı düşük maliyetli ürünlerle değiştirin ve mevcut sürüme karşı iki hafta boyunca çalıştırın. Bir sonraki alanı değiştirmeden önce iki grup arasındaki ortalama sipariş değerini karşılaştırın.