Hvad hvis du kunne øge den gennemsnitlige ordreværdi og få flere kunder til at handle igen uden at gøre købsoplevelsen mere besværlig? Et AI-anbefalingssystem bruger data om kundernes adfærd og dine produkter til at foreslå varer, der passer til deres interesser. Det gør det nemmere for kunderne at finde relevante produkter og kan føre til flere køb.
De vigtigste pointer
- Et AI-anbefalingssystem gør det nemmere for kunderne at finde relevante produkter. Det kan føre til flere varer i kurven og få flere kunder til at handle igen.
- Indholdsbaserede, kollaborative og hybride anbefalingssystemer har hver deres styrker. Hvilken type der passer bedst til din webshop, afhænger blandt andet af dine produktdata, antallet af besøgende og tidligere køb.
- Du kan starte med at teste produktanbefalinger på produktsider eller i indkøbskurven. Hold øje med klikrate, konverteringsrate og gennemsnitlig ordreværdi for at se, hvad der virker.
- Gode resultater kræver korrekte og opdaterede produktdata, en gennemtænkt placering og regelmæssig kontrol af, om anbefalingerne er relevante og passer til dine salgsmål.
E-handelsbutikker kan bruge kunstig intelligens til at analysere kundedata og foreslå produkter, der matcher kundernes interesser. Det kan gøre arbejdet lettere for dit salgs- og marketingteam, fordi mange af produktanbefalingerne kan genereres automatisk.
Hvad er et AI-anbefalingssystem?
Et AI-anbefalingssystem, også kaldet en anbefalingsmotor, bruger maskinlæring til at foreslå produkter, tjenester eller indhold, som kan være relevante for den enkelte bruger.
Systemet analyserer oplysninger som alder, søgehistorik, anmeldelser, bedømmelser, tidligere køb og produktegenskaber for at tilpasse anbefalingerne til kundens interesser. Du kan læse mere om, hvordan virksomheder bruger kundedata til personalisering, på Shopifys blog.
AI-baserede anbefalingssystemer bruges inden for flere brancher:
- Underholdning
- Finans
- Marketing
- E-handel
En webshop kan for eksempel bruge kunstig intelligens til at foreslå produkter ud fra kundernes interesser og tidligere køb. Hos Gymshark får besøgende blandt andet vist produktanbefalinger som "Andre købte også", der gør det nemmere at finde relevante varer.
Sådan kan et AI-anbefalingssystem øge dit salg
Personlige produktanbefalinger kan øge salget ved at gøre det nemmere for kunderne at finde relevante varer. De kan også få øje på produkter, der passer til det, de allerede har valgt. Det kan øge den gennemsnitlige ordreværdi gennem krydssalg og produktpakker og få flere kunder til at handle igen.
Et godt anbefalingssystem kan gøre købsoplevelsen mere personlig ved at foreslå varer ud fra kundernes interesser og tidligere køb. Det er også relevant for danske webshops, hvor kundeloyalitet har stor betydning. Ifølge Dansk Erhvervs E-handelsanalyse 2024 foretog 74 % af forbrugerne deres seneste køb i en netbutik, de havde handlet hos før. Relevante anbefalinger kan gøre det endnu mere attraktivt for kunderne at vende tilbage.
Personlige produktanbefalinger kan også forbedre kundeoplevelsen og få kunderne til at lægge flere varer i kurven. Det oplevede skønhedsvirksomheden Orveon Global, som rapporterede en stigning på 10 til 15 % i den gennemsnitlige ordreværdi efter at have taget AI-baserede produktanbefalinger og automatiseret produktpræsentation i brug på tværs af sine brands. Resultatet er beskrevet i Shopifys casestudie om Orveon Global (på engelsk).
"Vi så med det samme en stigning i den gennemsnitlige ordreværdi på 10 til 15 % hos alle vores brands. Jeg tror, at muligheden for at bruge Nosto til krydssalg var en væsentlig årsag til, at salget steg så hurtigt."
Carney Nir, VP for e-handel og site-oplevelse hos Orveon Global (Kilde)
Hvorfor produktanbefalinger kan øge omsætningen
De vigtigste fordele omfatter:
- Nemmere at finde relevante produkter. Systemet kan fremhæve varer, der matcher kundernes interesser, så de slipper for at scrolle gennem hele sortimentet for at finde det, de leder efter.
- Højere gennemsnitlig ordreværdi. Sektioner som "Andre købte også" og "Ofte købt sammen" kan gøre kunderne opmærksomme på relevante tilkøb. Det kan føre til flere varer i kurven og øge den gennemsnitlige ordreværdi.
- Styrket kundeloyalitet. Når kunderne nemt kan finde produkter, der passer til deres behov, får de en bedre købsoplevelse. Det kan give dem lyst til at vende tilbage til din webshop.
Hvor du kan bruge produktanbefalinger i din webshop
Her er nogle konkrete måder, du kan bruge anbefalingerne på:
- Anbefalinger på produktsider. Vis sektioner som "Lignende produkter" eller "Du vil måske også kunne lide", mens kunden undersøger forskellige varer. Hold øje med klikrate og konverteringsrate, altså hvor stor en andel af de besøgende der foretager et køb, for at se, om anbefalingerne virker.
- Produktpakker i indkøbskurven. Foreslå tilbehør, genopfyldningsprodukter eller varer, der ofte købes sammen, inden kunden går til betaling. Små, relevante tilkøb kan få kunderne til at lægge mere i kurven. Her er den gennemsnitlige ordreværdi igen et godt nøgletal at følge.
- Anbefalinger efter køb. Foreslå produkter, som kunden kan få brug for igen, eller varer, der passer til tidligere køb. Du kan vise anbefalingerne efter betalingen eller i opfølgende e-mails, hvis reglerne for e-mailmarkedsføring er overholdt. Det er især relevant for webshops med forbrugsvarer eller store sortimenter. Mål effekten ved at se på, hvor ofte kunderne vender tilbage og køber igen.
Eksempel fra virkeligheden: Det britiske tøjmærke Finisterre bruger Shopifys kundeindsigt og AI-værktøjer sammen med sin kundedataplatform til at give kunderne mere relevante produktforslag. Ved at kombinere oplysninger om tidligere køb og geografisk placering kan virksomheden bedre tilpasse sine anbefalinger til den enkelte kunde. Eksemplet viser, hvordan købshistorik og andre kundedata kan bruges til at gøre det nemmere at finde relevante produkter, både i webshoppen og gennem andre salgskanaler.
Hvis du lige er kommet i gang, så begynd med én placering og mål den grundigt, før du udvider til hele kunderejsen.
Typer af AI-anbefalingssystemer
Der findes tre overordnede typer AI-anbefalingssystemer, som kan bruges til at give kunderne personlige produktforslag. Indholdsbaserede systemer er velegnede til webshops med begrænsede data om kundernes adfærd, mens kollaborative systemer typisk fungerer bedst med flere besøgende og en større købshistorik. Hybride systemer kombinerer de to metoder og kan give mere varierede og præcise anbefalinger.
Sammenligning af de vigtigste typer AI-anbefalingssystemer
|
Type |
Sådan fungerer det |
Bedst til |
Vigtigste begrænsning |
Eksempel på anvendelse |
|---|---|---|---|---|
|
Indholdsbaseret |
Foreslår varer med egenskaber, der minder om produkter, kunden tidligere har vist interesse for |
Webshops med detaljerede produktdata, men begrænsede data om kundeadfærd |
Anbefalingerne kan blive ensformige, hvis systemet kun foreslår lignende produkter |
Anbefaler hudplejeprodukter ud fra ingredienser eller produkttype |
|
Kollaborativ |
Finder mønstre i andre kunders adfærd og foreslår produkter ud fra deres klik og køb |
Webshops med mange besøgende og en større ordrehistorik |
Kræver nok kundedata til at give relevante anbefalinger |
Viser "Andre købte også" baseret på tidligere ordrer |
|
Hybrid |
Kombinerer oplysninger om produkterne med data om kundernes adfærd |
Webshops, der vil kombinere flere datakilder for at få mere præcise anbefalinger |
Kan være mere kompliceret at sætte op og tilpasse |
Kombinerer forslag til lignende produkter med anbefalinger om varer, der ofte købes sammen |
Indholdsbaseret filtrering
Indholdsbaseret filtrering tager udgangspunkt i de produkter, en kunde tidligere har vist interesse for, frem for andre kunders adfærd. Systemet analyserer egenskaber som produktkategori, beskrivelser, materiale, prisklasse og tags og bruger oplysningerne til at foreslå lignende varer. Hvis en kunde for eksempel har kigget på løbesko, kan systemet anbefale andre modeller med tilsvarende egenskaber.
Metoden er især især velegnet til nichemarkeder med en mindre kundebase, hvor der endnu ikke er så mange data om kundernes søgninger, anmeldelser eller tidligere køb. Her kan detaljerede produktbeskrivelser danne grundlag for relevante anbefalinger. En mindre tebutik kan eksempelvis foreslå forskellige typer løs te ud fra smag, koffeinindhold, oprindelse og bryggemetode, selvom butikken endnu ikke har mange ordrer.
Hvis du bruger Shopify, kan du finde flere apps til AI-baserede produktanbefalinger i Shopify App Store. En af dem er Shopcast, som blandt andet foreslår produkter ud fra ligheder mellem varer og kundernes tidligere adfærd. Det er et eksempel på en tilgængelig løsning og ikke en særlig anbefaling fra Shopify.
Kollaborativ filtrering
Kollaborativ filtrering bruger andre kunders adfærd til at forudsige, hvilke produkter en kunde kan være interesseret i. Systemet analyserer eksempelvis søgehistorik, tidligere køb og produktbedømmelser for at finde mønstre blandt kunder med lignende interesser. Ud fra disse oplysninger kan det foreslå varer, som kunden måske også vil synes om.
En tøjwebshop kan for eksempel anbefale en ny kollektion til en kunde ud fra, hvad andre med lignende smag har købt. I modsætning til indholdsbaseret filtrering kan denne metode også foreslå produkter, der ikke minder om dem, kunden tidligere har kigget på, men som er populære blandt kunder med tilsvarende købsvaner.
En app med funktionen "Ofte købt sammen" kan eksempelvis analysere tidligere ordrer og nye køb for at finde produkter, som kunderne ofte lægger i kurven sammen. Det kan bruges til at vise relevante tilkøb på produktsiderne.
Hybrid filtrering
Hybride anbefalingssystemer kombinerer indholdsbaseret og kollaborativ filtrering for at foreslå produkter, tjenester og indhold, der passer til den enkelte bruger. En webshop med køkkenudstyr kan for eksempel anbefale gryder og pander ud fra, hvad kunder med lignende interesser har købt. Systemet tager også højde for produkternes egenskaber, eksempelvis materialer, størrelser og funktioner.
Ved at kombinere oplysninger om produkterne med mønstre i kundernes adfærd kan systemet give mere varierede og præcise anbefalinger. Forslagene bygger altså både på, hvad kunden tidligere har vist interesse for, og hvad andre med lignende købsvaner foretrækker.
Mange AI-baserede anbefalingssystemer bruger en kombination af de to metoder. Nogle Shopify-apps analyserer eksempelvis ordrehistorik og salgsdata for at foreslå varer, der ofte købes sammen. Webshops med store sortimenter kan også kombinere produktanbefalinger med en bedre søgefunktion, eksempelvis gennem Shopify Search & Discovery. Den amerikanske tøjkæde Rainbow Shops oplevede en stigning på 48 % i antallet af søgninger på webshoppen efter at have taget Shopifys integration med Google Cloud Discovery AI i brug. Det viser, hvordan AI-baseret søgning kan supplere produktanbefalinger og gøre det lettere for kunderne at finde relevante varer.
Sæt dit AI-anbefalingssystem i spil
Personlige produktanbefalinger kan gøre det nemmere for kunderne at finde relevante varer, øge den gennemsnitlige ordreværdi og give dem lyst til at handle igen. For at få mest muligt ud af anbefalingerne skal du vælge en metode, der passer til din webshops data, og vise produktforslagene de steder, hvor kunderne er mest tilbøjelige til at købe.
Forhandlere kan bygge det direkte ind i en onlinebutiks produktsider med produktanbefalingerne i appen Search & Discovery. For hvert produkt kan du vælge op til 10 supplerende produkter og 10 relaterede produkter. Du bestemmer også, om de relaterede produkter kun skal bestå af dine egne forslag, eller om de skal vises sammen med Shopifys automatisk genererede anbefalinger.
Start med at teste anbefalinger ét sted i webshoppen, og mål resultaterne, før du udvider. Vil du gøre det nemmere for kunderne at finde og købe relevante produkter? Så udforsk Shopify, og prøv produktanbefalinger i din egen webshop.
Ofte stillede spørgsmål om AI-anbefalingssystem
Hvad er et AI-anbefalingssystem i e-handel?
Et AI-anbefalingssystem bruger oplysninger om kundernes adfærd og produkternes egenskaber til at foreslå varer, der kan interessere den enkelte kunde. I webshops vises anbefalingerne typisk på forsiden, produktsider, i indkøbskurven eller efter et køb.
Hvordan kan et AI-anbefalingssystem øge salget?
Relevante produktforslag kan gøre det nemmere for kunderne at finde varer og få dem til at lægge mere i kurven. Det kan øge den gennemsnitlige ordreværdi og føre til flere tilbagevendende køb. Start med at teste anbefalinger ét sted i webshoppen, og mål klikrate, konverteringsrate og ordreværdi for at se, om de gør en forskel.
Hvor meget data skal du bruge til produktanbefalinger?
Det afhænger af, hvilken metode du vælger. Indholdsbaserede systemer kan fungere med detaljerede produktdata, mens kollaborativ filtrering typisk kræver flere besøgende og en større købshistorik for at give pålidelige anbefalinger.
Hvad er almindelige ulemper ved anbefalingssystemer?
Anbefalingssystemer kan give udfordringer med datasikkerhed og privatliv, når de bruger kundernes personoplysninger. Nye webshops eller produkter kan også være svære at lave præcise anbefalinger til, fordi der endnu ikke er nok data. Sørg derfor for at fortælle kunderne, hvordan deres oplysninger bruges, og overholde reglerne om cookies og GDPR, herunder krav om samtykke, hvor det er nødvendigt. Tjek også regelmæssigt, om anbefalingerne er relevante.
Hvad er et godt første skridt for en lille butik online?
Start med at vise relaterede produkter på dine produktsider eller foreslå relevante tilkøb i indkøbskurven. Mindre webshops kan ofte komme langt med opdaterede produktdata og enkle anbefalingsregler. Brug derefter resultaterne til at justere dine forslag og finde ud af, hvad der virker bedst for dine kunder.
