SV
Anslut din AI-agent

Lägg till Hello Retail i din AI-assistent

För Hello Retail-kunder: Kopiera adressen och lägg till den som connector i Claude, ChatGPT eller Codex.

MCP-adress

https://core.helloretail.com/mcp

Inte kund än?MCP kräver en Hello Retail-inloggning. Berätta vad du vill bygga.

Låt oss prata
Låt oss prata

Product Intelligence ligger till grund för våra rekommendationer

Hello Retail·February 21, 2023·5 min read

Om du inte redan har läst de tidigare inläggen om vår ”Product Intelligence Engine” rekommenderar jag att du tar en titt på dem först:

Upptäck effekterna av vår ”Product Intelligence”

I det här inlägget ska vi undersöka hur vår produktintelligens (Product Intelligence) påverkar kvaliteten på produktrekommendationerna hos Hello Retail. Integreringen av vår Product Intelligence Engine har resulterat i ett system som kontinuerligt förbättras med hjälp av tekniker som bildigenkänning och avancerad semantisk analys. Om du till exempel säljer vin kan vår motor nu identifiera vinets smakprofil och föreslå liknande viner som dina kunder sannolikt kommer att uppskatta.

Det låter jättebra!..

..men hur använder vi vår egenutvecklade Product Intelligence-motor för produktrekommendationer?

Ja, det är dagens huvudämne. Hello Retails lösning för produktrekommendationer använder ”Product Intelligence” på två sätt: för att förstå produktrelationer och för att skapa bättre anpassning efter användaren.

Hos Hello Retail har vi alltid erbjudit tillgång till ett avancerat verktyg för att skapa rekommendationer, vilket gör att du kan anpassa resultaten efter dina egna och dina kunders preferenser: Behöver du en uppsäljningsrekommendation med två produkter som hör till samma kategori som den produkt du just nu tittar på? Vill du att dina kunder ska upptäcka populära produkter som ligger i samma prisklass som varan i deras varukorg, men som tillhör en annan produktkategori?

Inget problem! Du kan göra allt detta och mycket mer.

Som om inte det vore nog har vi vidareutvecklat och fullt ut aktiverat två av våra algoritmer för produktrekommendationer med hjälp av Product Intelligence-motorn. De två nya och förbättrade algoritmerna fungerar både som alternativ och tillsammans!

Alternativ

De flesta leverantörer av personaliseringslösningar fokuserar på en förenklad metod där de erbjuder alternativ genom att visa upp produkter i samma kategori som den produkt du tittar på – men det fungerar inte särskilt bra om du inte har välstrukturerade kategoridata. Ett annat problem är att om du bara jämför produkter inom samma kategori kan du till slut få hundratals produkter – så vilka av dem ligger närmast den produkt du tittar på?

Hello Retails algoritm för alternativförslag använder olika modeller för maskininlärning för att omvandla produkter till inbäddade vektorer som vi kan lägga in i vår vektordatabas. Denna omvandling omfattar allt från språkoberoende textanalys till pris- och bildanalys.

Med hjälp av dessa metoder kan vi enkelt hitta liknande produkter. Fördelen är att vi gör en mycket mer detaljerad analys och kan avgöra hur lika produkterna är varandra. Medan andra leverantörer använder kategorier och kanske har hundratals produkter som liknar varandra, kan vi välja ut de få som är mest lika, i kombination med vilken ytterligare strategi vi än vill tillämpa.

Se mer information

*Obs! Det finns fortfarande fördelar med att ha välkategoriserade produkter, särskilt när det gäller filtren för sök- och kategorilistor – därför är den tid man lägger ner på att säkerställa god datakvalitet väl investerad. *

Tabell över relaterade produkter 1

Upselling

En stor utmaning för e-handelsföretag är att mindre språkspecifika webbutiker ofta saknar tillräcklig försäljnings- och trafikinformation för att kunna ge relevanta och övertygande rekommendationer om tilläggsförsäljning.

Hello Retail löser detta problem genom att analysera köpmönster i dina butiker för att identifiera produkter som ofta köps tillsammans. Vår Product Intelligence-motor utnyttjar data från din huvudbutik för att förbättra resultaten i dina mindre butiker.

En annan utmaning som Product Intelligence-motorn hanterar är de frekventa förändringarna i produktsortimenten. Om en ny version av en Nike-sko lanseras i år och SKU-numret ändras kan den framstå som en helt ny produkt för andra återförsäljare. Hello Retail känner dock igen likheterna mellan den gamla och den nya versionen utifrån förra årets datamönster. På så sätt får du korrekta rekommendationer även när nya versioner av produkterna finns i lager. Detta säkerställer att dina produktrekommendationer förblir av hög kvalitet, oavsett förändringar i produktsortimentet.

Ansvarsfriskrivning: Som kund hos Hello Retail äger du alla dina uppgifter och kan när som helst begära att de raderas. Vi garanterar att ingen personligt identifierbar information eller prisinformation delas mellan kunder. Produkterna i vårt system lagras som koordinater i en vektordatabas. Vektorerna kopplas samman med andra vektorer för att exempelvis identifiera vilka produkter som har köpts tillsammans. Alla vektorinbäddningar är hashade, vilket innebär att även produkterna är anonyma, eftersom det inte går att återupprätta en produkt utifrån dess vektorrepresentation.

Tabell över relaterade produkter 2 1

Användaraffinitet

Med ”User Affinity” avser vi vårt sätt att förstå butiksbesökare och deras preferenser. Vi använder ”Product Intelligence Engine” för att förutsäga vad de kan vara intresserade av, även om de bara har tittat på en enda produkt. Med hjälp av en liten mängd data kan vi i förväg avgöra vilka andra varor de sannolikt kommer att köpa.

Vi använder förstås användarpreferenser på ett sätt som säkerställer att vi inte visar samma produkter för alla kunder – var ligger då personaliseringen i det här?

Ett sätt att använda personalisering utifrån användarnas preferenser är i uppsäljningsfasen. På så sätt kan du se till att du först visar två produkter som ofta köps tillsammans från besökarens favoritmärken, innan du visar andra artiklar som ofta köps tillsammans.

Vi ska visa dig hur man gör

  • Gå till rekommendationsstrategin och lägg till ett filter för varumärket som stämmer överens med UserBias (användarpreferens). Kom ihåg att ange hur många produkter du vill att filtret ska returnera.
  • Lägg sedan till ytterligare ett ”Bought Together”-steg och ställ in det maximala antalet produkter till 0.

Användaraffinitet 1024x570

Detta hämtar två uppsäljningsprodukter från användarens inställningar, och sedan fyller vi resten med andra bra uppsäljningsförslag.

Det som gör detta unikt är hur vi använder Product Intelligence-motorn för att dra slutsatser om vilka andra varumärken du sannolikt kommer att köpa. Om du tittar på en Nike-sko kan vi kanske veta att du också har en förkärlek för varumärken som Adidas och Under Armour. I det illustrerade exemplet kommer vi därför att rekommendera uppsäljningsprodukter från Adidas och Under Armour, utöver den Nike-produkt du tittade på. Det innebär att vi, med endast en liten mängd data, kan utöka användarprofilen utifrån vår förståelse av produktrelationer.

Naturligtvis kommer de härledda varumärkena inte att rankas lika högt som ditt favoritvarumärke, där relationen är starkast.

Blogg för tjejer 1024x935

  • VARUMÄRKE: Nike
  • Kategori: Skor

Blogg för tjejer 1024x935

  • VARUMÄRKEN: Nike, Adidas, Under Armour
  • Kategori: Skor, skjortor, shorts

Visa mig statistiken

Vi genomförde A/B-tester för vissa kunder för att verifiera och säkerställa bättre prestanda. A/B-testerna utformades för olika alternativ och rekommendationer för merförsäljning, både med och utan vår ”Product Intelligence Engine”, för att sätta dess funktioner på prov.

Metriska mått Värde
Förbättring av klickfrekvensen (CTR) 35 % till 117 %
Positiv inverkan på mjuka och hårda konverteringar 8 % till 41 % (mjuk), 2 % till 99 % (hård)

De flesta butiker som deltog i testfasen upplevde en förbättring av klickfrekvensen (CTR) på mellan 35 % och 117 % tack vare Product Intelligence-motorn.

Alla kunder som deltog i testerna upplevde en positiv effekt på både mjuka och hårda konverteringar*. Ökningen av mjuka konverteringar låg mellan 8 % och 41 %, medan de hårda konverteringarna ökade med mellan 2 % och 99 %(!). Vi utgår inte från att alla kunder kommer att uppleva en ökning på 99 % när det gäller de hårda konverteringarna, men vi har tydliga bevis på de positiva effekter som vår Product Intelligence-motor har på produktrekommendationerna.

*En ”mjuk konvertering” innebär att en kund klickar sig vidare via rekommendationerna, men köper en annan produkt än den som hen klickade på. ”Hårda konverteringar” är de fall där en kund köper exakt den produkt som hen klickade på i rekommendationen.

Snart

Håll utkik efter vår nästa artikel, där du kommer att kunna läsa om hur vi har använt lösningen för att anpassa varje sökresultat.