Kollektionsbaserade produktrekommendationer för säsongs- och kategoributiker

En kund lägger en ullscarf i varukorgen i december, och din "Rekommenderat för dig"-widget föreslår glatt ett par badsandaler. Matematiken bakom det förslaget kan mycket väl stämma - sandaler och scarves säljs faktiskt ibland tillsammans sett över ett helt år - men för kunden ser det bara trasigt ut. Det här är kärnproblemet som kollektionsbaserade produktrekommendationer löser: de håller dina förslag inom en relevant del av katalogen istället för att hämta från allt du någonsin sålt.

För butiker byggda kring säsonger, tydligt avgränsade avdelningar eller separata varumärkeslinjer är det ett av de mest verkningsfulla merchandising-besluten du kan fatta att avgränsa rekommendationerna till en kollektion. Det är skillnaden mellan en varukorg som känns kuraterad och en som känns som en sökmotor som gissar.

Varför rekommendationer från hela katalogen driver iväg från varumärket

En rekommendationsmotor tränad på hela din orderhistorik är som standard blind för sammanhang. Den ser att kunder köper massor av saker, och den lyfter fram vad som helst som hänger ihop starkast över hela butiken. Det fungerar bra för en butik med en enda kategori, men det faller isär så snart katalogen innehåller produkter som aldrig borde visas bredvid varandra.

Vanliga fall där oavgränsade förslag går fel:

• Säsongsrotationer. Sommar- och vinterlager delar butik men delar sällan varukorg. En sommarklänning och en snöjacka är ingen sammanhängande parning, även om båda är bästsäljare.
• Tydligt avgränsade avdelningar. En butik som säljer både köksredskap och trädgårdsredskap har två olika målgrupper som råkar dela samma kassa. Förslag över avdelningsgränser känns slumpmässiga.
• Sammanhållning i varumärkeslinjer. En kund som köper in sig på ett designermärke vill oftast ha mer av det märket, inte ett konkurrerande som ligger två hyllor bort.
• Presentkollektioner. En kuraterad presentsamling tappar sin lockelse i samma sekund en orelaterad vardagsprodukt bryter temat.
• Rea kontra fullpris. Att lyfta fram reavaror bredvid fullprisprodukter kan tyst lära kunder att vänta på rabatter och urholka dina marginaler.

Lösningen är inte att göra dina rekommendationer svagare - det är att ge dem en gräns. Den gränsen är en kollektion.

Så fungerar kollektionsbaserade produktrekommendationer

En kollektion är en gräns du redan underhåller i Shopify. Att avgränsa rekommendationerna till den innebär att motorn bara någonsin föreslår produkter som finns inom den kollektion (eller de kollektioner) du väljer, och ignorerar resten av katalogen.

I EliteCart finns det här i kontrollerna för Fine-tune EliteAI™ Ultra, där du formar förslagen med två typer av regler:

• Filters är hårda regler. Ett kollektionsfilter satt till "rekommendera bara produkter i Sommarkollektionen" tar bort allt utanför den. Inget utanför säsong kan smyga sig igenom.
• Boosts är mjuka regler. En kollektionsboost knuffar motorn mot en kollektion utan att hårdbort resten, vilket är användbart när du vill ha en lutning mot ett tema men ändå tillåta starka parningar mellan kollektioner.

Filter för att kräva, boost för att föredra

Ett enkelt sätt att avgöra vilket du ska ta till: använd ett filter när det skulle se fel ut om en produkt dök upp (vinterutrustning i en sommarvarukorg), och en boost när det bara skulle vara mindre idealiskt (ett komplement som ligger lite vid sidan av temat men ändå är relevant).

Du kan kombinera ett kollektionsfilter med andra filter - tagg, leverantör, produkttyp, titel eller pris - med And / Or-logik. Till exempel håller "rekommendera bara produkter i kollektionen Presenter And under $40" en presentwidget både på tema och inom ett rimligt prisband.

Villkorad avgränsning med If/Then-regler

Den verkliga kraften visar sig när du bara vill att en gräns ska gälla i specifika situationer. Ett blankt "rekommendera bara någonsin från en kollektion" är för trubbigt för de flesta butiker med flera kategorier. If/Then conditions löser det här genom att knyta ett filter till varan som redan finns i varukorgen.

Varje filter kan starta med ett villkor på triggervaran - produkten kunden redan tittar på eller köper. Istället för att alltid gälla träder regeln bara in när den varan matchar.

Ett genomräknat exempel för en säsongsbutik:

If the trigger item är i Sommarkollektionen, then only recommend products som också är i Sommarkollektionen.

För en vintervara utlöses den regeln helt enkelt inte, och din separata vinterlogik tar över. En och samma version av din motor kan nu bete sig olika beroende på vad som finns i varukorgen, vilket håller varje säsong självständig utan att du behöver hantera två frikopplade system.

Samma mönster fungerar för avdelningar ("om varukorgsvaran är i Kök, stanna i Kök"), varumärkeslinjer ("om varan är från ett märke, rekommendera mer av det märket") och reaseparation ("om varan är fullpris, rekommendera inte från kollektionen Rea").

Välj rätt bas för jobbet

Kollektionsavgränsning byggs ovanpå en av två rekommendationsbaser, och basen du väljer formar förslagens karaktär:

• Original lutar mot parningar som ofta köps tillsammans. Kombinerad med ett kollektionsfilter lyfter den fram de produkter inom kollektionen som verkligen säljer tillsammans med varukorgsvaran.
• CrossCategoryBoost lutar mot komplement mellan kategorier. Det är användbart när en kollektion är bred nog att innehålla naturliga parningar, som en "Camping"-kollektion där ett tält och en lykta hör ihop.

För snävt tematiserade kollektioner känns Original oftast mest sammanhängande. För bredare livsstils- eller säsongssamlingar kan CrossCategoryBoost hitta komplement du inte hade parat ihop för hand. Den här sortens medvetna regelsättning är grunden för goda merchandising-regler för produktrekommendationer.

Kör en säsongsversion utan att störa resten

En praktisk oro med säsongsavgränsning är att ändra dina rekommendationer för en sommarkampanj kan förstöra dem överallt annars. Det kan du undvika helt.

EliteCart låter dig köra upp till tre aktiva versioner samtidigt och tilldela en annan per yta - varukorgen, produktsidan, Two-Step Cart och checkout-modulerna. Det betyder att du kan:

• Köra en snävt Sommar-avgränsad version på dina kampanjsidor medan en generell version ligger kvar på resten av butiken.
• Testa en presentkollektionsversion på produktsidan under högtiderna utan att röra din varukorgslogik.
• Behålla en fullprisversion på de flesta ytor och en reamedveten version bara där reatrafiken landar.

Eftersom varje version är fristående är det en lågriskändring att byta in en säsongsversion, en du kan rulla tillbaka så snart säsongen är slut. Att rotera kollektionsavgränsade förslag i din merchandising-kalender passar naturligt ihop med hur butiker redan erbjuder belöningar för specifika produktkollektioner i Shopify - samma kollektion driver både incitamentet och förslagen.

Att sätta ihop det

En fokuserad uppsättning för en säsongs- och kategoributik ser oftast ut så här:

1. Identifiera de kollektioner som bör förbli självständiga - varje säsong, varje avdelning, varje varumärkeslinje.
2. Lägg till ett kollektionsfilter för gränsen, gjord villkorad med If/Then så att den bara utlöses för matchande varukorgsvaror.
3. Lägg på valfria tagg-, leverantörs- eller prisfilter för att förfina urvalet ytterligare.
4. Lägg till en kollektions- eller popularitetsboost om du vill ha en lutning snarare än en hård vägg.
5. Tilldela den resulterande versionen till de ytor där det spelar roll, och lämna din generella version orörd på övriga.

Resultatet är en rekommendationsupplevelse som känns medveten. Sommarkunder ser sommar, presentkunder ser presenter, och en decemberscarf får aldrig en sandal som resekamrat.

---

Börja med din mest sammanhangskänsliga kollektion - vanligtvis den aktuella säsongen eller din avdelning med högst marginal - avgränsa dess rekommendationer, och tilldela den versionen till ytan där det räknas. För den fullständiga listan över filter- och boost-alternativ, se referensen för Filters och Boosts och guiden för att sätta upp finjustering, eller läs tillkännagivandet om finjustering av EliteAI för helhetsbilden.