DA
Forbind din AI-agent

Føj Hello Retail til din AI-assistent

For Hello Retail-kunder: Kopiér adressen, og tilføj den som connector i Claude, ChatGPT eller Codex.

MCP-adresse

https://core.helloretail.com/mcp

Endnu ikke kunde?MCP kræver et Hello Retail-login. Fortæl os, hvad du vil bygge.

Lad os snakke
Lad os snakke

Product Intelligence ligger til grund for vores anbefalinger

Hello Retail·February 21, 2023·5 min read

Hvis du endnu ikke har læst de tidligere indlæg om vores »Product Intelligence Engine«, vil jeg anbefale, at du først kigger på dem:

Udforsk virkningen af vores Product Intelligence

I dette indlæg vil vi se nærmere på, hvordan vores Product Intelligence påvirker kvaliteten af produktanbefalingerne hos Hello Retail. Integrationen af vores Product Intelligence Engine har resulteret i et system, der løbende forbedres ved hjælp af teknikker som billedgenkendelse og avanceret semantisk analyse. Hvis du for eksempel sælger vin, kan vores motor nu identificere vinens smagsprofil og foreslå lignende vine, som dine kunder sandsynligvis vil kunne lide.

Det lyder fantastisk!..

..men hvordan bruger vi vores egenudviklede »Product Intelligence Engine« til produktanbefalinger?

Nå, det er dagens hovedemne. Hello Retails løsning til produktanbefalinger udnytter Product Intelligence på to måder: til at forstå sammenhængene mellem produkterne og til at skabe bedre personalisering for brugerne.

Hos Hello Retail har vi altid tilbudt adgang til et avanceret anbefalingsværktøj, der giver dig mulighed for at tilpasse resultaterne efter dine egne og dine kunders præferencer: Har du brug for en upsell-anbefaling med to produkter, der passer til den kategori, som det produkt, du lige nu ser på, tilhører? Vil du gerne have, at dine kunder opdager populære produkter, der ligger i samme prisklasse som varen i deres indkøbskurv, men som hører til en anden produktkategori?

Det er slet ikke noget problem! Du kan gøre alt dette og meget mere.

Som prikken over i’et har vi forbedret og fuldt ud implementeret to af vores produktanbefalingsalgoritmer ved hjælp af Product Intelligence-motoren. De to nye og forbedrede algoritmer fungerer både hver for sig og sammen!

Alternativer

De fleste udbydere af personaliseringsløsninger fokuserer på en forenklet tilgang, hvor de præsenterer alternativer ved at vise produkter i samme kategori som det produkt, du kigger på – men det fungerer ikke særlig godt, hvis man ikke har velstrukturerede kategoridata. Det andet problem er, at hvis man kun sammenligner produkter inden for samme kategori, kan man ende med hundredvis af produkter – så hvilke af dem ligger tættest på det produkt, du kigger på?

Hello Retails algoritme til alternativforslag anvender forskellige maskinlæringsmodeller til at omdanne produkter til indlejrede vektorer, som vi kan registrere i vores vektordatabase. Denne omdannelse omfatter alt fra sprogneutral tekstanalyse til pris- og billedanalyse.

Ved hjælp af disse teknikker kan vi nemt finde lignende produkter. Fordelen er, at vi foretager en langt mere detaljeret analyse og kan fastslå, hvor tæt produkterne ligger på hinanden. Hvor andre udbydere bruger kategorier og måske har hundredvis af produkter, der ligner hinanden, kan vi udvælge de få, der ligner hinanden mest, i kombination med enhver yderligere strategi, vi ønsker at anvende.

Se flere detaljer

*Bemærk: Du kan stadig drage fordel af at have produkter, der er godt kategoriseret, især når det gælder filtrene til søge- og kategorilister – derfor er den tid, du bruger på at sikre god datakvalitet, tid, der er godt brugt. *

Oversigt over relaterede produkter 1

Upselling

En af de største udfordringer for e-handelsvirksomheder er, at mindre sprogspecifikke webshops ofte mangler tilstrækkelige salgs- og trafikdata til at kunne give relevante og overbevisende anbefalinger til mersalg.

Hello Retail løser dette problem ved at analysere købsmønstre på tværs af dine butikker for at identificere produkter, der ofte købes sammen. Vores Product Intelligence-motor udnytter dataene fra din hovedbutik til at forbedre resultaterne i dine mindre butikker.

Et andet problem, som Product Intelligence-motoren løser, er de hyppige ændringer i produktsortimenterne. Hvis der i år lanceres en ny version af en Nike-sko, og SKU’en ændres, kan den for andre forhandlere fremstå som et helt nyt produkt. Hello Retail genkender imidlertid ligheden mellem den gamle og den nye version på baggrund af sidste års datamønstre. Dermed får du præcise anbefalinger, selv når nye versioner af produkterne er på lager. Dette sikrer, at dine produktanbefalinger forbliver af høj kvalitet, uanset ændringer i produktkollektionerne.

Ansvarsfraskrivelse: Som kunde hos Hello Retail ejer du alle dine data, og du kan til enhver tid anmode om, at dine data slettes. Vi garanterer, at ingen personligt identificerbare oplysninger eller prisoplysninger deles på tværs af kunder. Produkter i vores system gemmes som koordinater i en vektordatabase. Vektorerne sammenkobles med andre vektorer for at finde frem til, f.eks. hvad der er blevet købt sammen. Alle vektorindlejringer hashes, hvilket betyder, at selv produkterne er anonyme, da man ikke kan gendanne et produkt ud fra dets vektorrepræsentation.

Oversigt over relaterede produkter 2 1

Brugeraffinitet

Brugeraffinitet er den måde, vi forstår butiksbesøgende og deres præferencer på. Vi bruger Product Intelligence-motoren til at forudsige, hvad de kunne være interesserede i, selvom de kun har set på et enkelt produkt. Selv med få data kan vi på forhånd vurdere, hvilke andre varer de sandsynligvis vil købe.

Selvfølgelig bruger vi brugerpræferencer på en måde, der sikrer, at vi ikke viser de samme produkter til alle kunder – hvor er personaliseringen i det?

En måde at anvende personalisering baseret på brugernes præferencer på er i upsell-fasen. På den måde kan du sikre, at du først viser to produkter fra den besøgendes yndlingsmærker, som ofte købes sammen, før du viser dem andre varer, der ofte købes sammen.

Lad os vise dig, hvordan man gør

  • Gå til anbefalingsstrategien, og anvend et filter på mærket, der matcher UserBias (brugerpræference). Husk at angive det antal produkter, du ønsker at få vist med filteret.
  • Tilføj derefter endnu et »Bought Together«-trin, og indstil det maksimale antal produkter til 0.

Brugeraffinitet 1024x570

Dette vil hente to upsell-produkter fra brugerens præferencer, og derefter vil vi udfylde resten med andre gode forslag til upsell.

Det, der gør dette unikt, er den måde, vi bruger Product Intelligence-motoren på til at udlede, hvilke andre mærker du sandsynligvis vil købe. Hvis du kigger på et par Nike-sko, ved vi måske, at du også har en forkærlighed for mærker som Adidas og Under Armour. I det illustrerede eksempel vil vi derfor anbefale mersalgsprodukter fra Adidas og Under Armour samt det Nike-produkt, du har set på. Det betyder, at vi med få data kan udvide brugerprofilen baseret på vores forståelse af produktrelationer.

De mærker, der udledes heraf, vil naturligvis ikke placere sig så højt som dit foretrukne mærke, hvor båndet er stærkest.

Pige-brugerblog 1024x935

  • MÆRKE: Nike
  • Kategori: Sko

Pige-brugerblog 1024x935

  • MÆRKE: Nike, Adidas, Under Armour
  • Kategori: Sko, skjorter, shorts

Vis mig tallene

Vi har gennemført A/B-tests for nogle kunder for at verificere og sikre bedre resultater. A/B-testene blev opsat for de forskellige alternativer og anbefalinger til mersalg – både med og uden vores »Product Intelligence Engine« – for dermed at sætte dens funktioner på prøve.

Metrisk Værdi
Forbedring af CTR 35 % til 117 %
Positiv indvirkning på bløde og hårde konverteringer 8 % til 41 % (blødt), 2 % til 99 % (hårdt)

Størstedelen af de butikker, der deltog i testfasen, oplevede en stigning i klikfrekvensen (CTR) på mellem 35 % og 117 % ved hjælp af Product Intelligence-motoren.

Alle kunder, der deltog i testene, oplevede en positiv effekt på både bløde og hårde konverteringer*. Stigningen i bløde konverteringer lå mellem 8 % og 41 %, mens de hårde konverteringer steg med mellem 2 % og 99 %(!). Selvom vi ikke går ud fra, at alle kunder vil opleve en stigning på 99 % i sidstnævnte, har vi dog betydelige beviser for de positive fordele, som vores Product Intelligence-motor har på produktanbefalinger.

*En »blød konvertering« er, når en kunde klikker sig igennem anbefalingerne, men køber et andet produkt end det, vedkommende klikkede på. »Hårde konverteringer« er de tilfælde, hvor en kunde køber netop det produkt, vedkommende klikkede på i anbefalingen.

Snart

Hold øje med vores næste artikel, hvor du kan læse, hvordan vi har brugt løsningen til at tilpasse hvert enkelt søgeresultat.