AI ürün önerileri, ürün sayfalarında, sepetlerde, e-postalarda ve arama sonuçlarında ürün önermek için alışveriş yapanların davranışlarını, ürün verilerini ve makine öğrenimini kullanır. Ana riskler, stokta olmayan veya düşük marjlı ürünleri önermek, sürekli aynı birkaç çok satan ürünü öne çıkarmak, kişisel verileri yanlış yönetmek ve uygun bir test yapmadan satıcı tarafından bildirilen artışa güvenmektir. Önerileri mağaza genelinde açmadan önce veriler, iş kısıtlamaları, test ve inceleme için kurallar belirleyin.
Öneri motorları birçok biçimde gelir: Shopify’daki yerleşik özellikler, WooCommerce eklentileri ve pazar yeri platformları, Nosto, Dynamic Yield, Algolia Recommend, Klevu ve Bloomreach gibi özel araçlar, Google Cloud’un ticaret için Vertex AI Search ve Amazon Personalize gibi bulut hizmetleri ve sohbette ürün öneren daha yeni konuşma asistanları. İşin arka planında, çoğu işbirlikçi filtrelemeyi (“bunu alanlar şunu da aldı”), içerik benzerliğini ve giderek artan bir şekilde sorguları ve ürün açıklamalarını yorumlayan dil modellerini birleştirir.
Neden lansmandan önce kurallar belirlemeli?
Öneri widget’ları genellikle tek bir anahtarla hızla yayına girer. Ardından, her ziyarette çok sayıda alışveriş yapanın ne gördüğünü etkilerler. Varsayılan ayarlar yanlışsa, mağaza kayıp marj, hayal kırıklığına uğramış müşteriler ve satılmamış stoklarla bedel öder ve aylık rapor garip görünene kadar kimse bunu fark etmez.
Motor, optimize etmesi söylenen şeyi, genellikle tıklamaları veya dönüşümü optimize eder. Bu, kâr, müşteri memnuniyeti veya uzun vadeli sadakatle aynı şey değildir.
Ana riskler nelerdir?
İş riskleri
- Marj erozyonu: motor, iyi dönüştükleri için indirimli veya düşük marjlı ürünleri tercih eder.
- Stok sorunları: stokta olmayan, üretimi durdurulmuş veya sipariş üzerine gelen ürünler önerilerde görünür.
- Popülerlik döngüsü: çok satanlar daha fazla önerilir, daha fazla satılır ve yeni veya az satan ürünleri dışlar.
- Yamyamlaşma: öneriler, yeni ürünler eklemek yerine benzer ürünler arasında satın alımları kaydırır.
- Alakasız eşleşmeler: yeni bir kanepe almış birine ikinci bir kanepe önermek gibi garip çapraz satışlar.
Veri ve yasal riskler
- Kişisel veriler: kişiselleştirme için kullanılan davranışsal veriler, GDPR, Türkiye’nin KVKK’sı ve izleme için onay kuralları dahil olmak üzere benzer yasalar kapsamına girer.
- Hassas çıkarımlar: örneğin e-postalar yoluyla sağlık durumunu, hamileliği veya diğer hassas özellikleri ortaya çıkaran öneriler müşterilere zarar verebilir.
- Şeffaflık: AB’nin Dijital Hizmetler Yasası, çok büyük çevrimiçi platformların öneri sistemlerinin ana parametrelerini açıklamasını gerektirir; daha küçük mağazalar yine de önerilerin nasıl çalıştığını açıklamaya hazır olmalıdır.
Müşteri güveni riskleri
- İstilacı veya tekrarlayıcı hissettiren öneriler.
- Net bir etiketleme olmadan karıştırılmış sponsorlu veya tanıtılan ürünler.
- Uyumluluk veya boyutlar gibi yanlış ürün gerçeklerini belirten konuşma asistanları.
Gerçekçi sınırlar nelerdir?
Öneriler veri gerektirir. Yeni bir mağazanın, yeni bir ürünün veya yeni bir ziyaretçinin geçmişi azdır, buna soğuk başlangıç sorunu denir. Motorlar, daha az kişisel olan popülerliğe veya içerik benzerliğine geri döner.
Küçük kataloglar kişiselleştirmenin başarabileceklerini sınırlar. Bir mağaza 40 ürün satıyorsa, iyi seçilmiş birkaç manuel kural bir algoritmadan daha iyi performans gösterebilir.
Satıcı artış rakamları genellikle uygun koşullar altında satıcı tarafından ölçülür. Sonuçlarınız trafiğinize, kataloğunuza ve yerleşiminize bağlıdır.
Dil modeli özellikleri yeni sınırlar ekler: yanıtlar gerçek kataloğa dayanmadıkça ürün verilerini yanlış okuyabilir veya özellikler uydurabilirler.
İlk olarak belirlenecek yönetişim kuralları
Bunları mağazacılık, pazarlama ve hukuk departmanlarının üzerinde anlaştığı kısa bir kontrol listesi olarak yazın.
- Amaç: motorun sadece tıklamaları değil, oturum başına gelir veya sipariş başına marj gibi neyi optimize etmesi gerektiği.
- Sert istisnalar: stokta olmayan ürünler, üretimi durdurulmuş ürünler, marj eşiğinin altındaki ürünler, genel yerleşimlerde yetişkin veya kısıtlı ürünler.
- Çeşitlilik kuralları: bir widget’ta aynı marka veya kategoriden kaç ürünün görüneceğine dair sınırlar.
- Hassas kategoriler: e-posta ve kişiselleştirilmiş önerilerden hariç tutulan ürünler, örneğin sağlık veya özel ürünler.
- Onay: yalnızca ilgili izleme için onay veren ziyaretçiler için kişiselleştirme; diğerleri için kişiselleştirilmemiş yedekler.
- Etiketleme: sponsorlu veya tanıtılan yerleşimler net bir şekilde işaretlenmiştir.
- Test: her yeni yerleşim bir kontrol grubu ile A/B testi olarak başlatılır.
- İnceleme sıklığı: en çok önerilen ürünlerin, garip eşleşmelerin ve yerleşim bazında performansın aylık kontrolü.
- Sahiplik: kurallar için bir adlandırılmış sahip ve teknik kurulum için bir sahip.
Önerileri nasıl dürüstçe test etmelisiniz?
Bir tutma testi yapın. Ziyaretçilerin bir kısmı ya hiç öneri görmez ya da eski sürümü görür, geri kalanı ise yeni motoru görür. Sadece widget tıklamalarını değil, tüm oturum boyunca ziyaretçi başına geliri, dönüşüm oranını, ortalama sipariş değerini ve sipariş başına marjı karşılaştırın.
Widget tıklamaları tek başına önerileri olduğundan iyi gösterir. Alıcılar aynı ürünü arama veya gezinme yoluyla zaten bulmuş olabilirler. Soru, toplam gelirin ve marjın artıp artmadığıdır.
Haftalık döngüleri ve gerçek bir farkı görecek kadar siparişi kapsayacak kadar uzun testler yapın. Davranışı bozan büyük bir indirim sırasında test başlatmaktan kaçının.
Öneriler en iyi nerede çalışır?
- Ürün sayfaları: “görünümü tamamla” veya belirli bir telefon için kılıflar gibi uyumlu aksesuarlar.
- Sepet: siparişi gerçekten tamamlayan düşük maliyetli ekstralar.
- Satın alma sonrası e-postalar: sarf malzemeleri için mantıklı zamanlanmış yenilemeler.
- Arama sonuçları ve boş arama sayfaları: tam sorgunun eşleşmesi olmadığında alternatifler.
- Geri dönen ziyaretçiler için ana sayfa: son görüntülenen ve ilgili ürünler.
Önerileri kim incelemeli?
Algoritmaların gerçekte ne gösterdiğine bakan bir insan sahibine ihtiyacı vardır. Mağazacılar genellikle en iyi konumdadırlar, çünkü hangi eşleşmelerin mantıklı olduğunu ve hangi ürünlerin ilgiye ihtiyacı olduğunu bilirler. Aylık bir inceleme bir saatten az sürer: en iyi ürün sayfalarını, sepeti ve öneri e-postalarından bir örnek açın ve yanlış görünen her şeyi not edin. Bu bulguları tek seferlik manuel geçersiz kılmalar yerine kurallar olarak geri besleyin.
Alien Road AI ürün önerilerini nasıl uygular
Tipik bir çalışmada, keşif katalog ve verilerle başlar: ürün özelliği kalitesi, stok akışı doğruluğu, marj verisi kullanılabilirliği ve onay kurulumu. Öneriler ancak bu girdiler kadar iyidir ve boşluklar genellikle hızla görünür hale gelir.
Kurulum, yönetişim kontrol listesini müşterinin öneri aracı veya platformu içinde uygular: istisna kuralları, marj eşikleri, çeşitlilik sınırları ve hassas kategoriler. Her yerleşim, GA4’te veya mağazanın analitiğinde izleme ile bir kontrol grubuna karşı test olarak başlatılır, böylece sonuçlar satıcı panelinden bağımsız olarak kontrol edilebilir.
Ölçüm, ziyaretçi başına gelir, sipariş başına marj ve tüm oturum boyunca dönüşüme ve motorun gerçekte ne önerdiğine dair aylık bir incelemeye bakar. Raporlama, hangi yerleşimlerin yerini hak ettiğini, hangilerinin ayarlandığını ve hangilerinin kaldırıldığını gösterir.
Bu hafta nereden başlamalı
Mağazanızı açın ve en çok satan on ürün sayfanızdaki önerilere bakın. Stokta olmayan ürünleri, garip eşleşmeleri veya aynı birkaç ürünün tekrarlarını not edin. Bu hızlı inceleme genellikle, herhangi bir yeni aracı düşünmeden önce ilk olarak hangi istisna ve çeşitlilik kurallarına ihtiyacınız olduğunu gösterir.