سیستم پیشنهاد محصول چگونه ساخته میشود؟

«میخواهیم مثل دیجیکالا پیشنهاد بدهیم.» این جمله را زیاد شنیدهایم و جواب کوتاهش این است که آنها هم روزی نداشتند. سیستم پیشنهاد چیزی نیست که بخرید و روشن کنید؛ چیزی است که از رفتار کاربران شما ساخته میشود، و اگر آن رفتار هنوز ثبت نشده، هیچ مدلی جای خالیاش را پر نمیکند.
اول ببینید چقدر داده دارید
مدل پیشنهاد از الگو تغذیه میکند. الگو هم وقتی پیدا میشود که یک کالا را تعداد کافی آدم خریده باشند و تعداد کافی آدم بیش از یک بار خرید کرده باشند.
فروشگاهی که ماهی چند صد سفارش دارد، در بیشتر دستههایش به این حد نمیرسد. برای آن فروشگاه، مدل پیچیده خروجیای میدهد که از تصادف قابل تشخیص نیست — و بدتر، چون خروجی دارد، کسی متوجه نمیشود که بیمعناست.
پس اول این را بسنجید: در دستهٔ اصلیتان، چند کالا هست که در سه ماه گذشته دستکم پنجاه بار خریده شده؟ اگر جواب یک عدد کوچک است، بخش بعدی برای شماست و بقیهٔ مقاله را میتوانید فعلاً کنار بگذارید.
قاعدههایی که مدل نمیخواهند
اینها را تقریباً همیشه میشود پیاده کرد و تقریباً همیشه بیشتر از یک مدل نیمبند جواب میدهند:
«با این کالا خریده شده» — از تاریخچهٔ سبدها بیرون میآید و یک کوئری ساده است.
«پرفروشهای همین دسته» — برای کاربر تازهوارد که هیچ سابقهای ندارد، بهترین چیزی است که میشود نشان داد.
«دوباره بخرید» — برای کالای مصرفی با دورهٔ مشخص. مشتریای که دو ماه پیش پودر لباسشویی خریده، احتمالاً الان لازم دارد.
«اخیراً دیدهاید» — نه پیشنهاد است و نه هوشمند، و نرخ کلیکش از خیلی مدلها بالاتر است.
در فروش سازمانی یکی از اینها از همه مؤثرتر است: قلمی که همیشه میخریدید و این بار در سبد نیست. مشتری B2B سبد تکراری دارد و جاافتادن یک قلم، فروش ازدسترفتهٔ قابل بازگرداندن است. هیچ مدلی هم لازم ندارد.
وقتی داده کافی شد
سه خانوادهٔ روش وجود دارد و در عمل ترکیبشان استفاده میشود.
بر اساس شباهت کالا. کالاهایی که مشخصات و دسته و برچسب نزدیکی دارند. مزیتش این است که برای کالای تازه هم کار میکند، چون به تاریخچهٔ فروش وابسته نیست. کیفیتش مستقیماً به کیفیت داده کاتالوگ بستگی دارد — اگر ویژگیها ساختار ندارند، شباهت هم معنا ندارد. همان چیزی که در مدیریت اطلاعات محصول نوشتیم.
بر اساس رفتار مشترک. کسانی که مثل شما خریدهاند چه چیز دیگری خریدهاند. قویتر است و به حجم داده نیاز دارد.
ترکیبی. آنچه در عمل استفاده میشود: رفتار برای کالاهای پرفروش، شباهت برای کالاهای تازه یا کمفروش.
مسئلهٔ شروع سرد
دو حالت که هر سیستم پیشنهادی با آنها روبروست.
کاربر تازه که سابقه ندارد. برایش پرفروشهای همان دسته را نشان دهید و بعد از دو سه کلیک، به تدریج شخصیسازی کنید.
کالای تازه که هیچکس نخریده. اگر فقط از رفتار تغذیه کنید، کالای جدید هرگز پیشنهاد نمیشود و چون پیشنهاد نمیشود، هرگز فروش نمیرود. حلقهای که خودش را تشدید میکند. راهش سهمیهٔ کوچکی برای کالاهای تازه در خروجی است، یا تکیه بر روش شباهت برای آنها.
کجا نشان دهید
جای پیشنهاد بیشتر از خود الگوریتم روی نتیجه اثر میگذارد، و این را معمولاً دیر میفهمند.
صفحهٔ کالا، پایینتر از توضیحات: «مشابهها» و «با این خریده شده».
سبد خرید: مکملها. بیشترین نرخ تبدیل در همین نقطه است، چون کاربر تصمیمش را گرفته و اضافهکردن یک قلم کوچک برایش کماصطکاک است.
صفحهٔ خالی جستجو: بهجای «نتیجهای یافت نشد»، چند پیشنهاد مرتبط. این تغییر کوچک، کاربری را که وگرنه میرفت نگه میدارد.
و ایمیل یا پیامک بازگشت، برای مشتریای که مدتی نیامده.
سنجهای که فریب میدهد
نرخ کلیک روی بلوک پیشنهاد بالا میرود اگر پرفروشترین کالای سایت را همهجا نشان دهید. عدد خوبی میبینید و هیچ فروش اضافهای نساختهاید، چون آن کالا را کاربر خودش هم پیدا میکرد.
سنجهٔ درست، فروش افزایشی است: تفاوت بین گروهی که پیشنهاد میبیند و گروهی که نمیبیند. برای این کار لازم است بخشی از ترافیک را بدون پیشنهاد نگه دارید. سخت است که کسی را قانع کنید بخشی از سایت را «بدتر» کند، ولی بدون آن نمیدانید چه چیزی ساختهاید.
دو عدد دیگر که ارزش دنبالکردن دارند: میانگین ارزش سبد، و تنوع کالاهای فروختهشده. سیستمی که فقط ده کالای پرفروش را تکرار میکند، در بلندمدت کاتالوگ شما را میخشکاند.
چند چیز که آزاردهنده است
پیشنهاد کالایی که همین حالا خریده شده. تلویزیون خریده، سه روز است هر صفحه به او تلویزیون نشان میدهد.
پیشنهاد کالای ناموجود.
و پیشنهادهایی که همه از یک دستهاند و عملاً همان صفحه را تکرار میکنند.
هر سه با چند شرط ساده حل میشوند و هر سه در پیادهسازیهای واقعی دیده میشوند.
پیشنهاد ما برای شروع
قاعدههای ساده را همین ماه پیاده کنید. هزینهشان نزدیک صفر است و در بیشتر فروشگاههایی که دیدهایم، بخش عمدهٔ ارزش قابل دسترس همانجاست.
همزمان رویدادهای رفتاری را ثبت کنید — دیدن، افزودن به سبد، خرید — حتی اگر امروز استفادهای ندارید. این داده بازگشتپذیر نیست؛ ماهی که ثبت نکنید، برای همیشه از دست رفته.
و سراغ مدل وقتی بروید که قاعدهها به سقفشان خورده باشند و داده کافی جمع شده باشد. آن موقع هم با یک دسته شروع کنید، نه با کل کاتالوگ. ساختار هزینهاش در هزینهٔ پروژهٔ هوش مصنوعی توضیح داده شده.