商品探索

AI 商品推薦:靠什麼運作,值不值得裝

AI 商品推薦能不能抬高客單價?本文說明模型實際依賴的資料、該怎麼衡量效果,以及它在 Shopify 商店裡最常見的四種失效。

一個奶油色陶瓷小人,用番紅花色細繩連著一個印有三腳架圖案的橙紅色包裹,後面放著兩個牛皮紙包裹,背景是奶油黃色。
推薦,是把顧客和那件讓決定完成的產品連起來的一條清晰的線。

幾乎每家店都在顯示推薦。但很少有商家說得清這個區塊到底帶來了什麼。如今 Shopify App Store 裡幾乎每款推薦應用程式都標著「AI」,這個空白就更要緊了,因為 AI 商品推薦不是單一技術,而是一組輸入不同、失效方式也不同的方法。

本文把方法從行銷話術裡拆出來:模型實際靠什麼資料運作,現實的提升在損益表上值多少,這類系統在 Shopify 商品目錄裡最常見的四種失效,以及一次示範通話裡就能問出工具是否適合你的問題。

AI 商品推薦實際靠什麼運作

把任何推薦引擎的包裝剝掉,剩下的都是同一個問題:面對這位顧客、這次造訪、這個頁面,下一件該顯示什麼商品?差別在於系統相信哪種證據。

  • 這位顧客做過什麼。頁面瀏覽、搜尋、購物車、歷史訂單。基於工作階段的系統最看重最近幾次點擊,因為意圖衰減得很快:此刻正在比較三台氣炸鍋的人,比一週前只看過一台的人更接近下單。
  • 相似顧客做過什麼。買過 A 的人也買了 B,也就是共現。這是店面推薦應用程式的主力方法,需要足夠的資料量。月訂單只有幾百單時,它找到的規律大多是雜訊。
  • 商品本身是什麼。從標題、描述、標籤、系列和中繼欄位裡提取的屬性:尺寸、相容性、材質。系統能給相機推薦保護殼而不是另一台相機,靠的就是屬性比對,而它的上限取決於你的商品資料品質。

現在的工具會把三種訊號混在一起排序,常常還讓語言模型去讀商品資料和對話。品質就在這一步的排序上分出高低。看得到屬性的模型,能守住「能放進 30 公分高的架子」這類硬條件;只看得到購買頻次的模型,排序再好也守不住。

你真正會用到的五種推薦

不管背後是什麼模型,店鋪裡的推薦幾乎都落在這五種裡。類型決定它該放在哪個頁面,也決定它能誠實承諾什麼。

  • 個人化,「為你推薦」。依據這位顧客自己的瀏覽與本次工作階段產生。適合首頁與分類頁,因為那裡沒有單一商品可以錨定。它需要回訪流量才能運作,第一次造訪時往往退回熱銷榜。
  • 互補,交叉銷售。讓這次購買更完整的商品:相機的保護殼、鏡頭的濾鏡。適合商品頁與購物車,因為那裡已經存在「把一整套配齊」的意圖。
  • 替代,同類替換。同樣的用途,不同的價格、尺寸或顏色。適合放在正在瀏覽的商品旁邊,不適合放在裝滿的購物車裡,便宜的替代品在那裡會顯得像是降級。
  • 熱銷或趨勢。這是社會認同,不是個人化。適合首頁與集合頁,因為它回答的是別人買了什麼,而這個問題不同於這位顧客該買什麼。
  • 組合或套裝。幾件商品打包優惠,例如買相機時加售三腳架。適合放在購物車,而且最好是真實的 SKU 與真實的價格,而不是引擎在執行時臨時編出來的折扣。

很多應用程式把這五種混成一行「為你推薦」。糟糕的推薦大多出在這裡:需要互補的地方給了替代,或把熱銷榜包裝成個人化。先讓類型對上頁面,再判斷演算法好不好。

它值多少,怎麼驗證

推薦服務商會給出提升百分比。那些數字來自別人的商品結構、價格和流量,通常還帶對照組的測試期。你的結果會不一樣。四個數字,全部來自 Shopify 後台分析或一次簡單匯出,能說明這個區塊實際貢獻了什麼:

  1. 連帶率。包含兩件以上商品的訂單占比。它比營業額更早動,是「建議正在被點擊」最早、也最誠實的訊號。
  2. 客單價。營業額除以訂單數。BuyScout 報告指出,使用其 AI 店舖助理的商店透過加購推薦和搭配推薦,客單價通常提升 15% 到 25%。這是廠商對通常水準的描述,不是保證,值得拿你自己 28 天的基準去核對。
  3. 每次造訪營收。它能分清「購物車變大」和「訂單變少但更大」。一個抬高客單價、卻悄悄拉低轉換率的推薦區塊,並沒有幫到你。
  4. 推薦商品的退貨率。一個不合適的配件,或一次糟糕的尺寸建議,在退貨和客服上的成本會超過那條額外明細帶來的利潤。

然後減掉你讓出去的部分。把顧客從 60 美元的商品引向 45 美元的替代款,什麼也沒抬高。每個建議都掛上折扣,可能同時抬高轉換率和壓低毛利。誠實的檢驗是比較同樣長度時段內每次造訪的邊際貢獻,28 天是可行的窗口;Shopify 沒有內建的店面前台 A/B 測試,多數商家只能按時段對比,並留意季節性。

還有一點要留意:如果推薦只是把顧客本來就會買的商品再擺一遍,那不算增量。把商品頁自帶的關聯商品重複一遍的區塊,沒有價值。價值來自顧客沒考慮過的商品,出現在一個建議能替他省下一次決定的時刻。

它在 Shopify 商店裡怎麼失效

大多數失敗其實是資料問題,只是披著演算法的外衣。常見的四種:

  • 冷啟動。新店、新系列,或者沒有任何歷史的新品,沒有可供學習的資料。基於共現的模型只能顯示暢銷品,安全但乏味。屬性比對和對話從第一天就能用,靠歷史的排序不能。
  • 缺貨和陳舊的商品目錄。引擎如果不按變體讀取庫存,就會推薦週二就賣完的顏色。找一個熱門變體缺貨的商品,看看那個區塊推了什麼。
  • 關係搞錯。替代款屬於商品頁,搭配品屬於購物車。按一種情境調好的引擎,換到另一種情境就會出錯:購物車已經裝滿時推便宜替代款,像是在勸降級;在系列頁給每件商品都配一個保護殼,只是雜訊。
  • 自信的錯誤。加了語言模型這一層,可能給出聽起來很具體、實際是錯的建議:裝不上的濾鏡、從來沒存在過的組合折扣。解決辦法是讓內容有依據,而不是把話說得更漂亮:每一條都應能追溯到你的商品資料或政策。

現有兩篇文章把難點講得更細:《對話式 AI 商品推薦》講的是對話本身該怎麼設計,《Shopify 商品目錄清單》講的是決定任何引擎能否準確的那份商品資料健檢。

判斷一個工具,比銷售資料預期的要快。拿你自己的商品目錄問四個問題:

  1. 它看得到庫存和變體嗎?讓它在某個變體缺貨的商品上做推薦。如果它推了缺貨的那個,說明資料層很淺。
  2. 它說得出理由嗎?一條建議應該帶一個顧客能核對的理由,例如「適配你的型號」「和你上次買的一樣大」。沒有理由的推薦會被忽略。
  3. 它能執行硬條件嗎?說出你目錄裡一個真實的篩選條件,寬度、相容性、膚質、寵物體型都行,看候選清單是遵守了,還是只提了一句。
  4. 每單成本多少,資料去了哪裡?把月費跟邊際貢獻比,而不是跟營業額比;同時確認它對資料如何處理說得清楚。BuyScout 把符合 GDPR 與歐盟《人工智慧法》作為基本前提。

第四個問題在美國比兩年前更受重視,但前三個才決定工具到底能不能用。

對話改變了什麼

一排推薦是從行為裡推斷意圖,對話是直接問。百思購® AI 店舖助理是一款面向 Shopify 商店的免費應用程式,把 AI 店舖助理放進店面;它依據你的商品資料和政策,結合頁面、瀏覽、購物車和對話脈絡來運作。推薦能做的事因此變了:

  • 它能直接回應條件。「這幾款哪款能放進 30 公分的架子?」這種篩選,縮圖那一排做不到。
  • 它能按真正重要的屬性比較。把兩台投影機按亮度並排比較,和再顯示三台投影機,是兩回事。
  • 它能在猶豫的那一刻推薦。相機加入購物車時,助理可以推薦三腳架組合並給出 10% 優惠,這是 BuyScout 官網上用的例子。
  • 它能解釋合不合適。尺寸與版型建議回應的正是那份猶豫,而它往往讓一條推薦變成一次退貨。

BuyScout 報告指出,使用該助理的商店通常能把轉換率提升 10% 到 30%,把客單價提升 15% 到 25%,並把重複性客服工單減少 41%。這些是廠商自己的數字,描述為通常水準而非保證;你實際看到什麼,取決於商品結構、價格和流量。

起步比你想象的更小。開啟十個商品頁,讀一讀區塊顯示的那六件商品。先修掉明顯的錯誤,缺貨、放錯系列、同一件商品的更便宜替代,再去評價任何演算法。然後記錄 28 天的連帶率、客單價和每次造訪營收,裝上工具,再對比同樣長的時段。

百思購® AI 店舖助理永久免費,從 Shopify App Store 安裝大約一分鐘。先把它放到一個商品頁上,問它一個真實顧客會問的問題,一個條件、一次比較、一個尺寸問題都行。這比再試用一款應用程式更快得到答案,也不花錢。

其他文章

全部文章

立即體驗

幫助顧客更快找到合適的商品

永久免費,1 分鐘設定完成。