EliteCart

De flesta handlare behandlar produktrekommendationer som en strömbrytare: slå på dem, välj några regler och gå vidare. Motorn fungerar, förslagen dyker upp, och sedan är det klart. Men de butiker som får ut mest av rekommendationer behandlar dem som något att förbättra över tid. Att finjustera din rekommendationsmotor är en loop, inte en engångsinställning, och de handlare som kör den loopen konsekvent hamnar med rekommendationer som tyst presterar bättre än en konfiguration man ställer in och glömmer.

Den här artikeln är den röda tråden genom allt annat vi har skrivit om att forma rekommendationer - filters, boosts, villkor, targeting per yta, prismedvetenhet, kollektioner, taggar och bästsäljare. Var och en av dem är en spak. Finjustering är disciplinen att dra i en spak i taget, se vad som händer och bara behålla de ändringar som faktiskt hjälper.

Vad det faktiskt innebär att finjustera din rekommendationsmotor

En rekommendationsmotor lär sig av din orderhistorik vad kunder brukar köpa tillsammans. Det är utgångspunkten, inte målet. Din katalog förändras, säsonger skiftar, nya produkter lanseras, och dina mål pendlar mellan att jaga ordervärde och att jaga anslutningsgrad. En konfiguration som var rätt i mars kan tyst glida ur takt till juli.

Finjustering är vanan att medvetet gå tillbaka till den konfigurationen. Det handlar inte om ständigt pillande - det är en strukturerad loop du kör när du har en fråga värd att besvara. Loopen har fem steg: läs dina siffror, formulera en hypotes, ändra en sak, ge det tid och jämför. Gör det några gånger så bygger du en rekommendationsuppsättning som är anpassad efter din butik istället för efter en generisk standard.

Steg ett: Läs siffrorna

Du kan inte förbättra det du inte bevakar. Innan du rör en enda regel, bestäm vilka mätvärden som visar om rekommendationerna gör sitt jobb. Några värda att följa i din egen analys:

Klickfrekvens på rekommendationer. Av kunderna som såg en rekommendation, hur många interagerade med den? Låg klickfrekvens betyder oftast att förslagen inte är relevanta eller inte tillräckligt lockande.
Lägg-i-varukorg från rekommendationer. Klick är intresse; tillägg är avsikt. Det här är det tydligaste tecknet på att dina rekommendationer gör sitt jobb.
Genomsnittligt ordervärde (AOV). Är varukorgar som innehåller en rekommenderad produkt större än de som inte gör det? Det visar om rekommendationerna faktiskt ökar ordrarna eller bara omfördelar dem.
Anslutningsgrad. Hur stor andel av ordrarna innehåller minst en rekommenderad produkt? En stigande anslutningsgrad betyder att fler varukorgar plockar upp kompletterande produkter.

Titta på dessa tillsammans, inte var för sig. En ändring som höjer klickfrekvensen men sänker AOV kan innebära att billigare, enklare tillägg lyfts fram. Att läsa hela bilden är skillnaden mellan att finjustera och att gissa. Vår guide om merchandising-regler för produktrekommendationer går igenom spakarna bakom dessa siffror på djupet.

Steg två: Formulera en hypotes

När du kan se dina siffror är nästa steg att omvandla en observation till en testbar idé. En hypotes är en mening i formen "om jag ändrar X, borde Y hända, eftersom Z." Att skriva ner den tvingar dig att vara specifik om vad du förväntar dig och varför.

Några exempel:

"Om jag begränsar rekommendationer till $80 kommer anslutningsgraden att hålla sig stabil eftersom kunder sällan lägger till de dyrare produkterna ändå, och min marginal förbättras."
"Om jag lutar rekommendationerna mot vårt eget märke kommer AOV att öka eftersom de produkterna har bättre marginaler, utan att skada klickfrekvensen."
"Om jag boostar bästsäljare starkare på produktsidan än i varukorgen kommer klickfrekvensen att öka där kunderna har mindre sammanhang att utgå från."

En bra hypotes namnger mätvärdet du förväntar dig ska förändras och i vilken riktning. Det är det som gör att du kan bedöma resultatet senare. Om du inte kan säga hur framgång ser ut innan du gör ändringen testar du inte - du bara ändrar saker och hoppas.

Steg tre: Ändra en sak

Det här är regeln som skiljer verklig finjustering från stökigt experimenterande: ändra en variabel i taget. Det är frestande att justera ett pristak, lägga till en leverantörsboost och pilla med ett villkor allt på en gång. Gör du det förlorar du möjligheten att koppla ett resultat till en orsak. Om dina siffror rör sig vet du inte vilken ändring som orsakade det, och rör de sig åt fel håll vet du inte vad du ska återställa.

Gör därför en enda, medveten ändring som matchar din hypotes. Justera pristaket, popularitetsboosten eller ett villkor - inte alla tre. Ju mindre ändringen är, desto renare blir signalen. Det här tålamodet känns obekvämt när du har en lista med idéer, men det är enda sättet att lära dig något tillförlitligt av loopen. Ta till rätt spak för frågan du ställer, oavsett om det handlar om pris, popularitet eller sammanhang.

Steg fyra: Ge det tid

Rekommendationer är inte en inställning du slår på och bedömer direkt. Två sorters tålamod spelar roll här.

För det första behöver själva motorn tid för att tränas om på din data efter en ändring. Omträning sker inte direkt - det kan ta allt från några minuter till en stor del av en timme beroende på din katalog, och inget förändras för kunderna förrän den är klar. Att bedöma resultat innan träningen är klar säger dig ingenting.

För det andra behöver du tillräckligt med kundtrafik för att siffrorna ska betyda något. Några timmars data på en lugn dag är bara brus. Ge en ändring minst flera dagar, helst en vecka eller mer, så att den normala dag-till-dag-variationen jämnar ut sig. Ju mer trafik din butik har, desto snabbare kan du läsa ett resultat, men att rusa igenom avläsningen är hur handlare övertygar sig själva om ändringar som aldrig var verkliga.

Steg fem: Jämför, behåll sedan eller återställ

När tillräckligt med tid har gått, gå tillbaka till samma mätvärden du började med och jämför dem mot din baslinje. Rörde ändringen mätaren i den riktning din hypotes förutspådde? Om ja, behåll den och anteckna vad du lärde dig. Om nej, återställ den - rent och snyggt, eftersom du bara ändrade en sak - och skriv ner att idén inte höll.

Att återställa en ändring är inte ett misslyckande. Ett test som motbevisar en hypotes är lika värdefullt som ett som bekräftar den, eftersom det hindrar dig från att släpa med dig en oanvändbar regel vidare. Över en handfull cykler bygger du upp en uppsättning där varje regel har förtjänat sin plats genom att mätbart hjälpa till. Det är den verkliga vinsten med loopen: inte någon enskild smart regel, utan en konfiguration du litar på eftersom du sett varje del bevisa sig själv.

Så gör EliteCart loopen praktisk

EliteCarts Fine-tune EliteAI™ Ultra är byggt för precis den här typen av iteration. Du skapar en anpassad version av motorn med utgångspunkt i en bas - Original för parningar som ofta köps ihop, eller CrossCategoryBoost för komplement mellan kategorier - och lägger sedan på din egen logik:

Filters är dina hårda regler, de behörighetsbeslut som helt tar bort produkter från övervägande.
Boosts är dina mjuka regler, en femgradig skala som knuffar produkter upp eller ner utan att ta bort dem.
If/Then-villkor tillämpar en regel bara när varukorgens utlösande produkt matchar, så att sammanhanget avgör vad som aktiveras.

Varje sparning köar en träningskörning som vanligtvis tar 5 till 60 minuter, och motorn tränas på din egen orderhistorik och katalog. Inget förändras för kunderna förrän du tilldelar versionen som rekommendationskälla på en yta - så det naturliga flödet är redigera, spara, vänta på träning och sedan observera. Det är loopen, inbyggd i arbetsflödet.

Två funktioner gör testning särskilt rent. Du kan ha upp till tre live-versioner samtidigt, vilket låter dig jämföra tillvägagångssätt sida vid sida: kör en version i din varukorg och en annan på din produktsida, och läs sedan siffrorna per yta. Tilldelning per yta betyder också att en hypotes som "bästsäljare hör hemma på produktsidan men inte i varukorgen" är något du faktiskt kan sätta upp och mäta. För mer om det, se vår guide om olika rekommendationer för varukorg, produktsida och checkout, och specifikt om popularitetsfrågan, när du bör boosta bästsäljare.

En Fallback-brytare är säkerhetsnätet för iteration. När en versions regler inte matchar något för en given varukorg visar fallback allmänna EliteAI-rekommendationer istället för att lämna en tom plats - så en experimentell regel som visar sig vara för strikt kostar dig aldrig en tom rekommendationsrad medan du fortfarande finjusterar den.

Help Center går igenom Fine-Tuning-inställningarna och den fullständiga referensen för Filters och Boosts. För den större bilden, läs produktnyheten.

Behandla rekommendationer som ett system du förbättrar, inte en ruta du bockar av. Läs dina siffror, formulera en hypotes, ändra en sak, ge det tid och behåll bara det som bevisar sig själv. Kör den loopen några gånger per säsong så kommer dina rekommendationer att spegla din butiks verkliga mål - finjusterade av bevis, inte gissningar.

Finjustera din rekommendationsmotor: testa, mät, iterera