商品发现

AI 商品推荐:靠什么工作,值不值得装

AI 商品推荐能不能抬高客单价?本文讲清模型实际依赖的数据、该怎么衡量效果,以及它在 Shopify 店铺里最常见的四种失效。

一个奶油色陶瓷小人,用藏红花色细绳连着一个印有三脚架图案的橙红色包裹,后面放着两个牛皮纸包裹,背景是奶油黄色。
推荐,是把顾客和那件让决定完成的产品连起来的一条清晰的线。

几乎每家店都在展示推荐。但很少有商家说得清这个区块到底带来了什么。如今 Shopify App Store 里几乎每款推荐应用都标着“AI”,这个空白就更要紧了,因为 AI 商品推荐不是单一技术,而是一组输入不同、失效方式也不同的方法。

本文把方法从营销话术里拆出来:模型实际靠什么数据工作,现实的提升在利润表上值多少,这类系统在 Shopify 商品目录里最常见的四种失效,以及一次演示通话里就能问出工具是否适合你的问题。

AI 商品推荐实际靠什么工作

把任何推荐引擎的包装剥掉,剩下的都是同一个问题:面对这位顾客、这次访问、这个页面,下一件该展示什么商品?差别在于系统相信哪种证据。

  • 这位顾客做过什么。页面浏览、搜索、购物车、历史订单。基于会话的系统最看重最近几次点击,因为意图衰减得很快:此刻正在比较三台空气炸锅的人,比一周前只看过一台的人更接近下单。
  • 相似顾客做过什么。买过 A 的人也买了 B,也就是共现。这是店铺前台推荐应用的主力方法,需要足够的数据量。月订单只有几百单时,它找到的规律大多是噪声。
  • 商品本身是什么。从标题、描述、标签、系列和元字段里提取的属性:尺码、兼容性、材质。系统能给相机推荐保护壳而不是另一台相机,靠的就是属性匹配,而它的上限取决于你的商品数据质量。

现在的工具会把三种信号混在一起排序,常常还让语言模型去读商品数据和对话。质量就在这一步的排序上分出高低。能看到属性的模型,能守住“能放进 30 厘米高的架子”这类硬条件;只看到购买频次的模型,排序再好也守不住。

你真正会用到的五种推荐

不管背后是什么模型,店铺里的推荐几乎都落在这五种里。类型决定它该放在哪个页面,也决定它能诚实地承诺什么。

  • 个性化,“为你推荐”。依据这位顾客自己的浏览和本次会话生成。适合首页和分类页,因为那里没有单一商品可以锚定。它需要复访流量才能工作,第一次访问时往往会退回到热销榜。
  • 互补,交叉销售。让这次购买更完整的商品:相机的保护套、镜头的滤镜。适合商品页和购物车,因为那里已经存在“把一套配齐”的意图。
  • 替代,同类替换。同样的用途,不同的价格、尺码或颜色。适合放在正在浏览的商品旁边,不适合放在装满的购物车里,便宜的替代品在那里会显得像降级。
  • 热销或趋势。这是社会证明,不是个性化。适合首页和集合页,因为它回答的是别人买了什么,而这个问题不同于这位顾客该买什么。
  • 组合或套装。几件商品打包优惠,比如买相机时加售三脚架。适合放在购物车,而且最好是真实的 SKU 和真实的价格,而不是引擎在运行时临时编出来的折扣。

很多应用把这五种混成一行“为你推荐”。糟糕的推荐大多出在这里:需要互补的地方给了替代,或者把热销榜包装成个性化。先让类型对上页面,再判断算法好不好。

它值多少,怎么验证

推荐服务商会给出提升百分比。那些数字来自别人的商品结构、价格和流量,通常还带对照组的测试期。你的结果会不一样。四个数字,全部来自 Shopify 后台分析或一次简单导出,能说明这个区块实际贡献了什么:

  1. 连带率。包含两件及以上商品的订单占比。它比营业额更早动,是“建议正在被点击”最早、也最诚实的信号。
  2. 客单价。营业额除以订单数。BuyScout 报告称,使用其 AI 店铺助理的店铺通过加购推荐和搭配推荐,客单价通常提升 15% 到 25%。这是厂商对通常水平的描述,不是保证,值得拿你自己 28 天的基准去核对。
  3. 每次访问收入。它能分清“购物车变大”和“订单变少但更大”。一个抬高客单价、却悄悄拉低转化率的推荐区块,并没有帮到你。
  4. 推荐商品的退货率。一个不合适的配件,或一次糟糕的尺码建议,在退货和客服上的成本会超过那条额外明细带来的利润。

然后减掉你让出去的部分。把顾客从 60 美元的商品引向 45 美元的替代款,什么也没抬高。每个建议都挂上折扣,可能同时抬高转化率和压低毛利。诚实的检验是比较同样长度时段内每次访问的边际贡献,28 天是可行的窗口;Shopify 没有内置的店铺前台 A/B 测试,多数商家只能按时间段对比,并留意季节性。

还有一点要留意:如果推荐只是把顾客本来就会买的商品再摆一遍,那不算增量。把商品页自带的关联商品重复一遍的区块,没有价值。价值来自顾客没考虑过的商品,出现在一个建议能替他省下一次决定的时刻。

它在 Shopify 店铺里怎么失效

大多数失败其实是数据问题,只是披着算法的外衣。常见的四种:

  • 冷启动。新店、新系列,或者没有任何历史的新品,没有可供学习的数据。基于共现的模型只能展示畅销品,安全但乏味。属性匹配和对话从第一天就能用,靠历史的排序不能。
  • 缺货和陈旧的商品目录。引擎如果不按变体读取库存,就会推荐周二就卖完的颜色。找一个热门变体缺货的商品,看看那个区块推了什么。
  • 关系搞错。替代款属于商品页,搭配品属于购物车。按一种场景调好的引擎,换到另一种场景就会出错:购物车已经装满时推便宜替代款,像是在劝降级;在系列页给每件商品都配一个保护壳,只是噪声。
  • 自信的错误。加了语言模型这一层,可能给出听起来很具体、实际是错的建议:装不上的滤镜、从来没存在过的套装折扣。解决办法是让内容有依据,而不是把话说得更漂亮:每一条都应能追溯到你的商品数据或政策。

现有两篇文章把难点讲得更细:《对话式 AI 商品推荐》讲的是对话本身该怎么设计,《Shopify 商品目录清单》讲的是决定任何引擎能否准确的那份商品数据体检。

判断一个工具,比销售材料预期的要快。拿你自己的商品目录问四个问题:

  1. 它看得到库存和变体吗?让它在某个变体缺货的商品上做推荐。如果它推了缺货的那个,说明数据层很浅。
  2. 它说得出理由吗?一条建议应该带一个顾客能核对的理由,比如“适配你的型号”“和你上次买的一样大”。没有理由的推荐会被忽略。
  3. 它能执行硬条件吗?说出你目录里一个真实的筛选条件,宽度、兼容性、肤质、宠物体型都行,看候选清单是遵守了,还是只提了一句。
  4. 每单成本多少,数据去了哪里?把月费跟边际贡献比,而不是跟营业额比;同时确认它对数据如何处理说得很清楚。BuyScout 把符合 GDPR 与欧盟《人工智能法案》作为基本前提。

第四个问题在美国比两年前更受重视,但前三个才决定工具到底能不能用。

对话改变了什么

一排推荐是从行为里推断意图,对话是直接问。百思购® AI 店铺助理是一款面向 Shopify 店铺的免费应用,把 AI 店铺助理放进店铺前台;它依据你的商品资料和政策,结合页面、浏览、购物车和对话上下文工作。推荐能做的事因此变了:

  • 它能直接回应条件。“这几款哪款能放进 30 厘米的架子?”这种筛选,缩略图那一排做不到。
  • 它能按真正重要的属性比较。把两台投影仪按亮度并排比较,和再展示三台投影仪,是两回事。
  • 它能在犹豫的那一刻推荐。相机加入购物车时,助理可以推荐三脚架套装并给出 10% 优惠,这是 BuyScout 官网上用的例子。
  • 它能解释合不合适。尺码与版型建议回应的正是那份犹豫,而它往往让一条推荐变成一次退货。

BuyScout 报告称,使用该助理的店铺通常能把转化率提升 10% 到 30%,把客单价提升 15% 到 25%,并把重复性客服工单减少 41%。这些是厂商自己的数字,描述为通常水平而非保证;你实际看到什么,取决于商品结构、价格和流量。

起步比你想象的更小。打开十个商品页,读一读区块显示的那六件商品。先修掉明显的错误,缺货、放错系列、同一件商品的更便宜替代,再去评价任何算法。然后记录 28 天的连带率、客单价和每次访问收入,装上工具,再对比同样长的时段。

百思购® AI 店铺助理永久免费,从 Shopify App Store 安装大约一分钟。先把它放到一个商品页上,问它一个真实顾客会问的问题,一个条件、一次对比、一个尺码问题都行。这比再试用一款应用更快得到答案,也不花钱。

其他文章

全部文章

立即体验

帮助顾客更快找到合适的商品

永久免费,1 分钟上线。