Hva er produktanbefalinger?
Adobe Commerce produktanbefalinger er drevet av Adobe Sensei, som bruker kunstig intelligens og maskinlæringsalgoritmer for å utføre en dyp analyse av aggregerte besøksdata. Når denne dataen kombineres med din Adobe Commerce-katalog, resulterer det i en svært engasjerende, relevant og personlig opplevelse. Produktanbefalinger vises på butikkfronten med etiketter, for eksempel "kunder som så på dette produktet så også på". Du kan opprette, administrere og distribuere anbefalinger på tvers av butikkvisningene dine direkte fra Adobe Commerce Admin.
Datainnsamling og personvern
Datainnsamling for produktanbefalinger inkluderer ikke personlig identifiserbar informasjon (PII). I tillegg er alle brukeridentifikatorer som informasjonskapsel-IDer og IP-adresser strengt anonymisert.
Hvordan opprette og benytte produktanbefalinger
Ved å bruke både produktanbefalinger og produktrelasjoner får du mer fleksibilitet når du markedsfører produkter. Du kan utnytte produktanbefalinger drevet av Adobe Sensei for å intelligent automatisere anbefalingene dine i stor skala.
Deretter kan du utnytte relaterte produktregler når du må gripe inn manuelt, og dermed sikre at en spesifikk anbefaling blir gitt til rett segment, eller når visse forretningsmål må oppfylles. Produktanbefalinger lar deg blant annet velge fra ni forskjellige intelligente anbefalingstyper basert på følgende områder:
- shopper-basert
- varebasert
- popularitetsbasert
- trending og likhetsbasert
Bruk atferdsdata for å tilpasse anbefalinger gjennom hele kundereisen. Du kan også se på nøkkelmålinger som er relevante for hver anbefaling, for å hjelpe deg med og forstå effekten av anbefalingene dine.
Noen anbefalingstyper bruker atferdsdata fra shopperne dine til å trene maskinlæringsmodeller, og dermed bygge personlige anbefalinger. Andre anbefalingstyper bruker bare katalogdata og bruker ikke noen atferdsdata.
Forstå trening av algoritmene
Lurer du på når du kan begynne å bruke anbefalingstyper som bruker atferdsdata? Det korte svaret her er at det er avhengig av ulike faktorer. Dette kalles Cold Start-problemet. Cold Start-problemet er et mål på hvor mye tid en modell trenger til å trene før den kan betraktes av høy kvalitet. I produktanbefalinger oversettes det til å vente på at Adobe Sensei skal trene maskinlæringsmodellene sine før du distribuerer anbefalingsenheter på nettstedet ditt. Jo mer data disse modellene har, jo mer nøyaktige og nyttige blir anbefalingene.
Å samle inn denne type data tar tid, og varierer basert på trafikkvolum. Fordi denne dataen bare kan samles inn på produksjon, er det i din beste interesse å distribuere datainnsamlingen så tidlig som mulig. Hvis det ikke er tilstrekkelig inngangsdata for å gi alle forespurte anbefalingsartikler i en enhet, gir Adobe Commerce backupanbefalinger for populære anbefalingsenheter. For eksempel, hvis du distribuerer anbefalingstypen “anbefalt for deg” til nettstedet ditt, har en førstegangsshopper på nettstedet ditt ikke generert nok atferdsdata til å få nøyaktig anbefalte, personlige produkter. I dette tilfellet viser Adobe Commerce varer basert på den mest viste anbefalingstypen for denne kundetypen.
Tips og triks for bruk av anbefalinger
Adobe Commerce gir et sett med anbefalinger som du kan distribuere til forskjellige sider på nettstedet ditt. Alle anbefalingstyper er datadrevne. De drives av atferdsdata, produktattributtdata og målinger. For enkel referanse er anbefalingstyper gruppert som følger: personlig, kryss-salg og opp-salg, popularitet, og høy ytelse.
Som en beste praksis anbefales følgende retningslinjer når du bruker anbefalinger:
- Diversifiser anbefalingstypene dine. Kunder begynner å ignorere anbefalinger hvis de foreslår de samme produktene om og om igjen.
- Ikke distribuer de samme anbefalingene til handlekurvsiden og ordrebekreftelsessiden din.
- Vurder å bruke “mest lagt” til i handlekurven, og “kjøp dette” for ordrebekreftelsessiden.
- Hold nettbutikken ryddig. Ikke distribuer mer enn tre anbefalingsenheter på samme side.
- Hvis butikken din selger klær, kan anbefalingen “mer som dette” for eksempek foreslå kjønnsspesifikke produkter som ikke samsvarer med kjønnet til produktet som blir sett på.
Å integrere AI-drevne produktanbefalinger i din nettbutikk gjennom Adobe Commerce kan være et smart valg for å forbedre kundeopplevelsen og øke salget til bedriften. I denne artikkelen har vi utforsket hvordan produktanbefalinger fungerer ved hjelp av kunstig intelligens og maskinlæringsalgoritmer, samtidig som vi har understreket viktige aspekter som datainnsamling og personvern.
For å maksimere effekten av produktanbefalinger, er det viktig å forstå trening av algoritmene. Det er også viktig å samle inn tilstrekkelig atferdsdata for å kunne levere nøyaktige og relevante anbefalinger.
I dagens konkurrerende online marked er implementeringen av smarte produktanbefalinger ikke bare en innovativ tilnærming, men også en nødvendig strategi for å møte kundenes forventninger. Ved å forstå noe av teknologien bak produktanbefalinger, kan din nettbutikk gi en personlig, engasjerende og effektiv handelsopplevelse som skiller seg ut i mengden.
Snakk med oss i twoday om hvordan du kan bruke produktanbefalinger med AI for å øke salget på nettbutikken, og hvordan dere kan komme i gang! Vi har en ambisjon om å være en partner gjennom hele livssyklusen, uansett på hvilket stadie dere er.
Forfatter
