AI ürün önerileriyle ilgili en yaygın hatalar, motora zayıf katalog verileri beslemek, her sayfaya aynı widget’ı koymak, marj veya gelir yerine tıklamalara optimize etmek ve düzgün bir holdout testi olmadan yayına almaktır. Bunların her biri önerilerin meşgul görünmesini sağlarken çok az değer katar. Bunları düzeltmek genellikle sağlayıcı değiştirmekten daha önemlidir.
AI ürün önerileri, tarama, satın alma ve katalog verilerinden öğrenen modeller tarafından oluşturulan önerilerdir. Bunlar “müşteriler bunları da aldı”, “görünümü tamamla”, kişiselleştirilmiş ana sayfa satırları, sepete eklemeler ve e-posta blokları olarak görünür. Shopify, Adobe Commerce, Salesforce Commerce Cloud ve Nosto, Klevu, Algolia Recommend ve Dynamic Yield gibi uzman araçların tümü bunun versiyonlarını sunar.
Hata 1: kataloğu ikinci planda tutmak
Öneri modelleri niteliklerden öğrenir. Ürünlerinizin yarısında kategori, renk veya beden alanı eksikse, motorun çalışması için daha az veri olur ve popülariteye geri döner. Bu yüzden birçok mağazada her yerde aynı on çok satan ürün önerilir.
Modeli ayarlamadan önce feed’i denetleyin. Eksik nitelikleri, tutarsız adlandırmaları (“Lacivert”, “lacivert”, “koyu mavi”), kopya ürünleri ve ayrı öğeler olarak listelenen varyantları arayın. Temiz bir feed, genellikle herhangi bir ayar değişikliğinden önce sonuçları iyileştirir.
Hata 2: her sayfadaki tek bir widget neden başarısız olur?
Alıcıların farklı noktalarda farklı ihtiyaçları vardır. Ürün sayfasında karşılaştırma yaparlar. Sepette küçük bir ek ararlar. Satın almadan sonra aksesuarlara veya yedek parçalara ihtiyaç duyabilirler. Her yerde tek bir “bunu da beğenebilirsiniz” bloğu kullanmak bunların hepsini görmezden gelir.
- Ürün sayfası: benzer ürünler ve yakın fiyatlı alternatifler
- Sepet: halihazırda orada olanlarla mantıklı olan düşük maliyetli tamamlayıcılar
- Satın alma sonrası e-posta: aksesuarlar, sarf malzemeleri, bakım ürünleri
- Ana sayfa: geri dönen ziyaretçiler için kişiselleştirilmiş satırlar, yeniler için seçilmiş ürünler
- Stokta olmayan ürün sayfası: stoktaki yakın ikameler
Örneğin, koşu ayakkabısı satan bir mağaza, ürün sayfasında diğer ayakkabıları, sepette çorap ve tabanlıkları, koşucuların bir çift ayakkabının ne kadar süre dayanmasını beklediği mesafeden sonra ise bir değişim hatırlatıcısı gösterebilir.
Hata 3: yanlış metrik için optimize etmek
Tıklama oranını artırmak kolaydır. Daha ucuz veya daha dikkat çekici ürünleri gösterin ve tıklamalar artsın. Gelir, ortalama sipariş değeri ve marj değişmeyebilir veya düşebilir.
Mümkünse hedefi aracın içinde ayarlayın. Birçok platform, önerileri gelire, marja veya envantere göre ağırlıklandırmanıza izin verir. Sizinki bunu yapmıyorsa, en azından tıklamalar yerine oturum başına atfedilen geliri ölçün ve önerilerin müşterilerin zaten alacağı ürünleri yamyamlaştırıp yamyamlaştırmadığını izleyin.
Hata 4: bir öncesi-sonrası karşılaştırması yeterli mi?
Hayır. Bu ayı geçen ayla karşılaştırmak, öneri değişikliğini mevsimsellik, promosyonlar ve reklam harcamalarıyla karıştırır. Sonuç kanıt gibi görünür ama çok az şey kanıtlar.
Bunun yerine bir holdout testi yapın. Çoğu ciddi platform, ziyaretçilerin bir kısmının, genellikle yüzde 10 ila 20’sinin, hiçbir öneri veya eski sürümü gördüğü A/B testini destekler. Bunu en az bir tam haftalık döngüyü ve farkı güvenle okumaya yetecek kadar siparişi kapsayacak kadar uzun süre çalıştırın. Küçük mağazalar birkaç haftaya ihtiyaç duyabilir.
Yayından sonra hangi hatalar ortaya çıkar?
Yayına almak işin sonu değildir. Gerçek trafik motora ulaştığında ve merchandising ekibi onu her gün izlemeyi bıraktığında, genellikle ilk aylarda üç sorun ortaya çıkar.
Hata 5: soğuk başlangıcı (cold start) görmezden gelmek
Yeni ziyaretçilerin ve yeni ürünlerin geçmişi yoktur. Sadece davranışa dayanan bir model onlara genel popüler ürünleri gösterir ki bu ilk gün için iyidir ancak sonrasında kaçırılmış bir fırsattır.
Çözüm bir karışımdır: yeni ürünler için ürün niteliklerini kullanan içerik tabanlı kurallar, yeni ziyaretçiler için trafik kaynağı veya kampanya gibi bağlam ve veriler var olduğunda davranış tabanlı modeller. Aracınızın bunu nasıl yönettiğini kontrol edin; bazıları bunu varsayılan olarak yapar, bazıları yapılandırma gerektirir.
Hata 6: motorun iş kurallarını geçersiz kılmasına izin vermek
Modeller, bir ürünün üretimden kalkmak üzere olduğunu, bir marka ortağının rakibinin yanında gösterilmeyi yasakladığını veya bir kategorinin düşük marjlı olduğunu bilmez. Kurallar olmadan öneriler, satmak istemediğiniz ürünleri tanıtabilir.
Çoğu mağazada eklemeye değer kurallar:
- Stokta olmayan ve az stoklu ürünleri hariç tutun
- İade oranı eşiğinizin üzerinde olan ürünleri hariç tutun
- Önerileri görüntülenen ürünün mantıklı bir fiyat aralığında tutun
- Çocuk ürünlerinin yanındaki yetişkin ürünleri gibi hassas eşleşmeleri engelleyin
- Mevsimsel veya yeni çıkan ürünleri belirli bir süre için sabitleyin
Hata 7: gizliliği ve rızayı unutmak
Kişiselleştirilmiş öneriler davranışsal verileri kullanır. GDPR ve Türkiye’nin KVKK’sı kapsamında, kesinlikle gerekli olmayan izleme genellikle rıza gerektirir ve birçok alıcı bunu reddeder. Rıza ayarlarınız öneri betiğini tamamen engelliyorsa, ziyaretçilerin büyük bir kısmı hiçbir şey görmeyebilir.
Aracın rıza olmadan ne yaptığını kontrol edin. İyi bir kurulum, mevcut sayfaya dayalı kişisel olmayan önerilere geri döner ki bu hala değer katar ve kurallar içinde kalır. Kendiniz test edin: mağazayı gizli bir pencerede açın, çerezleri reddedin ve her yerleşimin ne gösterdiğine bakın. Bloklar boşsa, çözüm genellikle yeni bir sağlayıcı değil, rıza aracında veya öneri betiğinde bir yapılandırma değişikliğidir.
Alien Road AI ürün önerilerini nasıl uygular
Tipik bir çalışmada keşif, katalog denetimi ve mevcut yerleşimlerin, hedeflerin ve takibin gözden geçirilmesiyle başlar. Hangi widget’ların var olduğuna, her birinin ne için optimize edildiğine ve daha önce herhangi bir test yapılıp yapılmadığına bakarız.
Kurulum daha sonra yukarıdaki sırayı takip eder: feed’i temizleyin, yerleşim başına bir amaç atayın, iş kuralları ekleyin ve bir holdout ayarlayın. Ölçüm, holdout grubuna karşı oturum başına atfedilen gelir ve ortalama sipariş değerini kullanır, katalog değişiklikleri ve promosyonlarla ilgili notlarla aylık olarak raporlanır. Bir sağlayıcı değişikliği mantıklı olduğunda bunu söyleriz, ancak çoğu zaman mevcut aracın hala alanı vardır.
Bu hafta nereden başlamalı
Ürün feed’inizi dışa aktarın ve kategori, renk, beden ve fiyat alanlarındaki eksik değerleri sayın. Bu tek sayı size motorun ne kadar tahmin yürüttüğünü söyler. Boşlukları gelire göre sıralayın, böylece en çok satan ürünler önce düzeltilsin.
Ardından mağazanızı bir telefonda açın ve ürün sayfası, sepet ve ödeme aşamalarından geçin. Her öneri bloğunu, ne gösterdiğini ve o an için mantıklı olup olmadığını not edin. Çoğu ekip, anında kaldıracakları en az bir yerleşim bulur.