Hva om du kunne øke ordreverdien og få flere gjentatte kjøp uten å be kundene om å gjøre mer arbeid? Et KI-anbefalingssystem hjelper butikken din med å vise frem de riktige produktene til rett tid, ved å gjøre data om nettleseratferd og produktsignaler om til mer relevante handleopplevelser.
Viktige poeng
- Et KI-anbefalingssystem hjelper kundene med å finne relevante produkter raskere, noe som kan forbedre produktoppdagelsen, øke handlekurvstørrelsen og legge til rette for gjentatte kjøp.
- Innholdsbaserte, kollaborative og hybride modeller passer til ulike stadier i butikkens utvikling, avhengig av produktdataene, trafikkmengden og ordrehistorikken din.
- Du kan starte i det små ved å teste anbefalinger på produktsider eller handlekurvsider og måle klikkfrekvens, konverteringsrate og gjennomsnittlig ordreverdi.
- Gode resultater avhenger av rene produktdata, gjennomtenkt plassering og jevnlig gjennomgang, slik at anbefalingene forblir relevante og i tråd med målene dine for varepresentasjon.
Netthandelsbutikker kan bruke kunstig intelligens til å analysere kundedata og levere mer relevante anbefalinger. For mange bedrifter kan et KI-anbefalingssystem gi salgs- og markedsføringsteamene dine det løftet de trenger, og det kan automatisere store deler av anbefalingsprosessen.
Hva er et KI-anbefalingssystem?
Et KI-anbefalingssystem (også kjent som en anbefalingsmotor) bruker maskinlæringsalgoritmer for å foreslå relevante produkter, tjenester eller innhold til potensielle kunder på nett.
KI-anbefalingssystemer samler inn og analyserer datapunkter som demografi, en brukers tidligere atferd (anmeldelser, vurderinger, søkehistorikk, tidligere kjøp) og produktegenskaper, og lager personlige anbefalinger.
En rekke bransjer bruker KI-baserte anbefalingsmotorer:
- underholdning
- finans
- markedsføring
- netthandel
En nettbutikkeier kan for eksempel bruke et KI-anbefalingssystem til å vise datadrevne forslag til besøkende på nettstedet. I nettbutikken sin viser Gymshark frem anbefalingskolleksjoner og produktforslag.
Gymsharks nettbutikk viser anbefalingsplasseringer som “andre kjøpte også” for å veilede kundene i å oppdage produkter. Kilde: Gymshark-anbefalinger
Slik kan et KI-anbefalingssystem øke salget ditt
KI-anbefalingssystemer kan øke salget ved å hjelpe kundene med å oppdage relevante produkter raskere, øke gjennomsnittlig ordreverdi med mersalg og produktpakker, og oppmuntre til gjentatte kjøp gjennom mer personlige opplevelser.
Et godt KI-drevet anbefalingssystem kan gjøre opplevelsen i nettbutikken din mer personlig, noe som kan bidra til gjentatte kjøp og høyere tilfredshet. De siste årene har forbrukerundersøkelser fra Statistas omtale av tilpasning i netthandel stadig vist sterk etterspørsel etter mer relevante handleopplevelser. En undersøkelse fra Statista blant nettkunder viste at mange kunder ønsket personlige produktanbefalinger, noe som understreker etterspørselen etter mer skreddersydde netthandelsopplevelser.
Ved å gjøre handleopplevelsen mer personlig kan KI-anbefalingssystemer også bidra til å beholde kunder og forbedre den samlede kundeopplevelsen. I praksis kan dette gi målbare gevinster: skjønnhetsselskapet Orveon Global rapporterte om en umiddelbar økning på 10 til 15 % i gjennomsnittlig ordreverdi etter at de tok i bruk KI-basert varepresentasjon og produktanbefalinger på tvers av merkevarene sine.
Umiddelbart – og dette var likt for alle merkevarene – så vi et løft i gjennomsnittlig ordreverdi på mellom 10 og 15 % for hvert merke. Så jeg tror evnen vår til å drive mersalg med Nosto ga et umiddelbart salgsløft.
Carney Nir, VP for netthandel og nettstedsopplevelse i Orveon Global (Kilde)
Grunner til at anbefalinger gir inntekter
Blant de viktigste fordelene finner vi:
- Enklere produktoppdagelse. Systemet kan vise frem mer relevante valg, slik at kundene ikke må bla i det uendelige for å finne varene de vil ha.
- Høyere gjennomsnittlig ordreverdi. Avsnitt som “kunder kjøpte også” eller “kjøpes ofte sammen” på kassesiden kan oppmuntre til mersalg og kryssalg, noe som øker gjennomsnittlig ordreverdi og gir høyere inntekter.
- Sterkere kundelojalitet. En raskere og mer personlig opplevelse som følge av et KI-anbefalingssystem kan bidra til flere gjentatte kjøp.
Hvor kan du bruke et KI-anbefalingssystem i butikken?
Her er noen praktiske måter for hvordan du kan bruke anbefalinger i butikken:
- Anbefalinger på produktsider. Bruk moduler med “lignende varer” eller “du liker kanskje også” for å forbedre produktoppdagelsen mens en kunde fortsatt sammenligner alternativer. Følg med på klikkfrekvens og konverteringsrate, altså andelen besøkende som fullfører en ønsket handling, for å se om plasseringen hjelper kundene lenger ned i salgstrakten.
- Produktpakker på handlekurvsiden. Vis utfyllende tilleggsprodukter eller pakker med varer som “kjøpes ofte sammen” i handlekurven for å øke handlekurvstørrelsen rett før kassen. Denne plasseringen passer best for tilbehør, refill og enkle tilleggsprodukter, og den viktigste måleverdien er gjennomsnittlig ordreverdi.
- Forslag etter kjøp. Anbefal varer for påfyll, beslektede kategorier eller de neste beste produktene etter kassen eller i oppfølging på e-post. Dette fungerer godt for forbruksvarer og kataloger med mange produkter, og du kan måle effekten gjennom raten for gjentatte kjøp og andel tilbakevendende kunder.
Eksempel fra virkeligheten: Finisterre brukte Shopifys kundeinnsikt og KI-verktøy sammen med kundedataplattformen sin for å målrette kunder basert på tidligere kjøpsatferd og geografisk plassering, noe som hjalp kundene med å finne relevante produkter raskere på tvers av kontaktpunkter. Det er en god påminnelse om at kvaliteten på anbefalingene ofte blir bedre når du kombinerer produktsignaler med kontekst som geografi og kjøpshistorikk.
Les kundehistorien om Finisterre
Hvis du akkurat har begynt, kan du starte med én plassering og måle den nøye før du utvider til hele kundereisen.
Typer KI-anbefalingssystemer
Du kan generere personlige anbefalinger til potensielle kunder ved hjelp av én av tre hovedtyper KI-anbefalingssystemer. Generelt sett er innholdsbaserte systemer nyttige når du har begrenset med data om brukeratferd, kollaborative systemer fungerer best når du har et større volum av kundesamhandling, og hybride systemer passer ofte best for mer modne butikker som ønsker bredere dekning og bedre nøyaktighet.
Sammenligning av de viktigste typene av KI-anbefalingssystemer
| Type | Slik fungerer det | Best egnet for | Viktigste begrensning | Eksempel på bruk |
|---|---|---|---|---|
| Innholdsbasert | Anbefaler varer med egenskaper som ligner på produkter en kunde har sett på eller kjøpt | Butikker med rike produktdata og begrenset med atferdsdata | Kan bli for smalt hvis det bare foreslår lignende varer | Viser lignende hudpleieprodukter basert på ingredienser eller produkttype |
| Kollaborativ | Bruker mønstre fra mange kunders handlinger for å foreslå hva lignende brukere pleier å kjøpe | Butikker med mer trafikk og mer ordrehistorikk | Trenger nok brukeraktivitet for å fungere godt | Viser “kunder kjøpte også”-forslag basert på tidligere bestillinger |
| Hybrid | Kombinerer produktegenskaper med signaler om kundeatferd | Voksende eller modne butikker som ønsker bedre nøyaktighet | Kan være mer kompleks å sette opp og justere | Kombinerer forslag om beslektede produkter med pakker som “kjøpes ofte sammen” |
Innholdsbasert filtrering
En anbefalingsmotor som bruker innholdsbaserte filtreringsalgoritmer, gir anbefalinger basert på de spesifikke kjennetegnene (egenskaper, kategorier, beskrivelser) ved varer en bruker allerede liker, i stedet for hva andre brukere gjør. Ved å analysere produktdetaljer som kategori, materiale, prisklasse og etiketter kan systemet anbefale varer med egenskaper som ligner på dem en kunde tidligere har vist interesse for.
Dette fungerer spesielt godt for nisjemarkeder med et begrenset kundegrunnlag, fordi det ennå ikke finnes nok data om surfing, anmeldelser eller kjøp til å drive sterke atferdsbaserte anbefalinger. I slike tilfeller gjør produktegenskapene mer av jobben. En spesialbutikk for te med et lite publikum kan for eksempel likevel anbefale lignende teblandinger basert på smaksprofil, koffeinnivå, opprinnelse og tilberedningsmåte.
Selgere i Shopifys apputvalg kan for eksempel bruke verktøy som tilbyr KI-baserte produktanbefalinger, som Shopcast. Dette er ett eksempel blant mange apper i Shopify App Store, ikke en anbefaling fra Shopify.
Kollaborativ filtrering
Kollaborativ filtrering forutsier en brukers preferanser basert på atferden til lignende brukere. Kollaborative filtreringssystemer kan ta hensyn til surfehistorikk, kjøpshistorikk eller vurderinger. Denne typen anbefalingsmotor foreslår produkter den tror en kunde vil like, basert på kundedata fra brukere med lignende tendenser.
En klesmerkevare kan for eksempel anbefale en ny kleslinje til en bestemt bruker basert på nylige moteinnkjøp gjort av brukere med lignende smak. I motsetning til innholdsbasert filtrering er kollaborativ filtrering nyttig for å foreslå varer som ikke er direkte relatert til produkter brukeren har sett på, men som lignende kunder har kjøpt.
En app for varer som “kjøpes ofte sammen” kan for eksempel analysere butikkens salgshistorikk, nye bestillinger og produktoppdateringer i sanntid for å anbefale produkter som ofte kjøpes sammen.
Hybrid filtrering
Hybride anbefalingssystemer kombinerer kollaborativ og innholdsbasert filtrering for å anbefale relevant innhold, produkter og tjenester til brukere. Hybride systemer kan for eksempel forutsi hvilken type kjøkkenutstyr som kan interessere en kunde, basert på hva andre brukere med lignende preferanser har valgt, samt spesifikke innholdsbaserte koblinger i produktegenskaper, materialer eller størrelser.
Ved å samle inn data om likheter mellom brukere og innholdsbaserte faktorer som produktbeskrivelser, kombinerer et hybrid anbefalingssystem flere filtreringsmetoder for å komme frem til en svært velinformert og personlig anbefaling.
Mange KI-anbefalingsmotorer bygger på en hybrid tilnærming der de bruker både kollaborativ og innholdsbasert filtrering, et mønster som er omtalt i nyere forskning på anbefalingssystemer. Noen Shopify-apper bruker for eksempel KI og ordrehistorikk til å generere anbefalinger om varer som “kjøpes ofte sammen”, mens andre lager anbefalinger og produktpakker basert på ordrehistorikk og salgsdata. Store kataloger kan også dra nytte av å kombinere anbefalinger med smartere søk: Etter at Rainbow Shops tok i bruk Shopifys integrasjon med Google Cloud Discovery AI, rapporterte de om en økning på 48 % i søkevolum på nettstedet, noe som understreker hvordan KI-baserte oppdagelsesverktøy kan utfylle anbefalingssystemer.
Ta i bruk KI-anbefalingssystemet
Et KI-anbefalingssystem kan hjelpe deg med å gjøre produktoppdagelse enklere, løfte gjennomsnittlig ordreverdi og skape en mer personlig opplevelse som får kundene til å komme tilbake. De største gevinstene kommer vanligvis av å matche riktig type anbefaling til butikkens data og plassere forslagene der kjøpsintensjonen er sterkest.
Selgere kan bygge dette direkte inn i en nettbutikk med produktanbefalingene i Search & Discovery-appen, som lar butikkeiere tilpasse forslagene på individuelle produktsider. For hvert produkt kan selgere velge inntil ti utfyllende produkter og inntil ti beslektede produkter, og deretter bestemme om siden bare skal vise disse egendefinerte valgene eller blande dem med de automatisk genererte anbefalingene.
Start med én plassering, mål resultatene og finpuss derfra. Hvis du er klar til å bygge smartere handleopplevelser med verktøy laget for handel, kan du utforske Shopify og begynne å teste KI-baserte anbefalinger i butikken din i dag.
Ofte stilte spørsmål
Hva er et KI-anbefalingssystem i netthandel?
Et KI-anbefalingssystem bruker kundeatferd og produktdata til å foreslå varer en kunde har større sannsynlighet for å ønske seg. I netthandel dukker det ofte opp på hjemmesider, produktsider, handlekurvsider, kasseflyter og meldinger etter kjøp.
Hvordan kan et KI-anbefalingssystem øke salget?
Det kan forbedre produktoppdagelse, øke gjennomsnittlig ordreverdi gjennom kryssalg og produktpakker, og oppmuntre til gjentatte kjøp med mer relevante forslag. Begynn med å teste én plassering med høy kjøpsintensjon, og følg deretter med på klikkfrekvens, konverteringsrate og gjennomsnittlig ordreverdi for å bekrefte effekten.
Hvor mye data trenger du for produktanbefalinger?
Mengden avhenger av metoden du bruker. Innholdsbaserte systemer kan fungere med sterke produktdata alene, mens kollaborative systemer vanligvis trenger mer trafikk, surfeaktivitet og ordrehistorikk før anbefalingene blir pålitelige.
Hva er vanlige ulemper ved anbefalingssystemer?
Anbefalingssystemer kan skape bekymringer rundt personvern og sikkerhet når de bygger på store mengder kundedata, og de kan slite med kaldstartsproblemer for nye butikker eller nye produkter. For å redusere risikoen bør du opplyse tydelig om databruk, innhente samtykke der det kreves, følge lover som GDPR, og jevnlig gjennomgå anbefalingene for relevans og variasjon.
Hva er et godt første steg for en liten butikk?
Start med én enkel anbefalingsplassering, for eksempel beslektede varer på produktsider eller produktpakker i handlekurven. Små butikker får ofte raskest resultater ved å kombinere rene produktdata med enkle regler, og deretter forbedre oppsettet basert på resultatene.
