Praktičan vodič za AI preporuke: gde ih postaviti u funnelu, kako da ne budu „čudne“, koji pristup birati i kako da merite uplift umesto da verujete na reč.
AI preporuke proizvoda su jedan od bržih načina da podignete prihod bez proporcionalnog povećanja saobraćaja. Umesto da dovodite više ljudi, bolje iskorišćavate posete koje već imate: veća vrednost korpe, kraći put do odluke i osećaj kod kupca da ga prodavnica razume. Ali sve to važi samo ako preporuke nisu generičke trake koje posetioci naviknu da ignorišu.
Problem sa mnogim „preporukama“ je što ne koriste nikakav signal. „Popularno“ i „novo“ bez konteksta su prosek za sve, a prosek retko pogađa konkretnu nameru. Prava preporuka koristi ono što zna: šta kupac gleda, šta je već kupio, u kom je segmentu i sa kog kanala je došao.
Ovaj vodič je operativan: gde u funnelu preporuke daju najviše, kako da ne budu „čudne“, koji pristup da izaberete i kako da izmerite da li zaista rade. Za širi kontekst personalizacije pogledajte i AI personalizacija u internet prodavnici i AI u eCommerce-u: praktične primene.
Kupci su naučili da preskaču trake koje im ne govore ništa lično. Ako svima prikazujete isto „popularno“, konkurišete sami sebi za pažnju, a dobijate malo. Pametne preporuke polaze od signala: kombinuju kratkoročno ponašanje u sesiji sa dugoročnim profilom kupca i time smanjuju šum.
Ovde AI nije magija nego jednostavna jednačina: model plus podaci plus pravila. Model prepoznaje obrasce, podaci mu daju kontekst, a pravila ga drže u granicama zdravog razuma i poslovnih ciljeva. Nedostatak bilo kog od tri sastojka daje slabe preporuke.
Postoji i razlika između relevantnog i samo tačnog predloga. Preporuka može biti tehnički ispravna, a ipak beskorisna ako kupcu nudi ono što je već kupio ili varijantu koju je maločas odbio. Zato dobre preporuke prate i kontekst trenutka, ne samo statistiku sličnosti — cilj je sledeći koristan korak, a ne najbliži sused u podacima.
Namera se čita iz dva izvora. Kratkoročni signal je ono što kupac radi upravo sada — koje proizvode gleda, šta je stavio u korpu, koliko se zadržava. Dugoročni signal je istorija: prethodne kupovine, kategorije interesa, segment. Kada se spoje, preporuka je istovremeno aktuelna i utemeljena.
Zato je kvalitet podataka važniji od izbora algoritma. Uredni podaci o katalogu i ponašanju daju bolje rezultate sa jednostavnijim modelom nego napredan model nad haotičnim podacima. To je i razlog zašto preporuke, pretraga i personalizacija treba da dele isti izvor istine.
Praktična posledica je da posao počinje pre modela — čišćenjem kataloga, doslednim atributima i urednim praćenjem događaja. Firma koja preskoči taj korak najčešće okrivi „AI“ za slabe rezultate, iako je problem u podacima koje mu daje. Zbog toga vredi prvo srediti temelj, pa tek onda birati koliko napredan pristup uvodite.
Dva osnovna pristupa rešavaju isti problem iz različitih uglova. Collaborative filtering uči iz ponašanja mnogih kupaca — „ljudi koji su kupili ovo, kupili su i ono“ — i odličan je kada imate dovoljno saobraćaja i istorije. Content-based pristup gleda osobine samih proizvoda i preporučuje slično, pa dobro radi i na manjim katalozima i za nove artikle bez istorije.
Slabost svakog je predvidljiva: collaborative se muči sa novim proizvodima i malim prometom (problem hladnog starta), a content-based ume da bude uskog vida i da vrti varijacije istog. Zato u praksi najčešće pobeđuje hibrid koji uzima najbolje od oba. Izbor, međutim, ne treba braniti teorijom — treba ga potvrditi merenjem uplifta na vašim podacima, jer isti pristup ne daje isti rezultat u svakom katalogu.
Nije svako mesto isto — svaka pozicija ima drugačiji cilj i drugačiji tip preporuke koji tu ima smisla.
| Mesto | Cilj | Tip preporuke |
|---|---|---|
| Naslovna strana | Personalizovan ulaz | Relevantne kategorije i artikli po profilu |
| Lista/kategorija | Bolje rangiranje | Redosled po verovatnoći konverzije |
| Stranica proizvoda | Alternativa i dopuna | Slično i „ide uz ovo“ |
| Korpa | Veća vrednost korpe | Smislen upsell i komplementi |
| Post-purchase | Ponovna kupovina | Dopuna potrošnog i srodni proizvodi |
Ista logika na pogrešnom mestu deluje nametljivo. Zato se preporuke ne postavljaju „svuda isto“, nego se za svako mesto bira cilj koji tu ima smisla.
Upsell i cross-sell rade kada skraćuju odluku, a ne kada je otežavaju. Predlog komplementa koji zaista ide uz glavni artikal kupcu štedi vreme; nasumičan „aksesoar“ samo pravi buku. Povećanje konverzije i veća vrednost korpe dolaze kada preporuka rešava sledeći korak koji bi kupac ionako imao.
Praktično pravilo: u korpi predlažite ono bez čega glavni proizvod nije potpun ili radi lošije, a ne najskuplji nasumičan artikal. Kupac oseti razliku između korisnog predloga i pokušaja da mu se „doda“ nešto.
Vodite računa i o količini. Predugačka lista predloga guši odluku umesto da je ubrza, pa nekoliko dobro odabranih artikala gotovo uvek nadmaši dugačku traku. Manje, ali tačnije preporuka lakše ulazi u korpu, a kupac ne oseća da mu se prodaje po svaku cenu — što je i uslov da preporukama uopšte nastavi da veruje.
Najbrži način da izgubite poverenje je besmislena preporuka — proizvod bez zaliha, nekompatibilan dodatak ili nešto što je kupac upravo vratio. Zato model uvek radi unutar poslovnih pravila:
Ova pravila su ono što razdvaja korisnu personalizaciju od automata koji zbunjuje. Model predlaže, ali granice postavljaju ljudi i podaci.
Ne uvodite preporuke svuda odjednom i ne verujte utisku da „izgledaju pametno“. Postavite proces koji dokazuje efekat:
Ovakav pristup vas štiti od skupe iluzije da nešto radi samo zato što lepo izgleda. Uplift je jedini pošten sudija.
Merite i moguću štetu, ne samo dobit. Preporuke ponekad odvuku pažnju sa proizvoda koji bi kupac ionako kupio, pa je važno posmatrati efekat na celu porudžbinu, a ne samo na kliknuti artikal. Kada test poštuje tu celinu, brojka kojoj verujete zaista odražava dodatnu vrednost, a ne premeštanje iste prodaje sa jednog mesta na drugo.
Ručni merchandising ostaje nezamenljiv za brend, sezonske kampanje i strateško isticanje — tu ljudska odluka nosi značenje koje model nema. Ali ručno ne skalira na hiljade artikala i stalne promene ponašanja. AI preuzima masovno rangiranje i testiranje varijanti, dok tim zadržava kontrolu nad pravilima i porukom. Više o tome kako AI ulazi u prodaju pogledajte na stranici AI u eCommerce-u.
U NG Commerce pristupu preporuke koriste isti katalog i ista poslovna pravila kao ostatak prodavnice, pa ostaju u skladu sa zalihama i ciljevima. Preporuke i pametna pretraga proizvoda dele iste podatke, a na taj sloj se nadograđuje i NG Sara, AI prodajni agent koji kupcu pomaže do odluke. Kako izgleda proizvod za preporuke pogledajte na stranici AI preporuke proizvoda, a za širu platformu eCommerce platforma Srbija.
Krenite od jednog mesta u funnelu, izmerite uplift, pa širite. Ako želite da procenimo gde preporuke kod vas najviše vrede, zakažite razgovor.
Za detalje o platformi pogledajte šta je NG Commerce ili zakažite razgovor.
