Rekomendacje produktowe z AI: ile danych trzeba, żeby zaczęły zarabiać
Rekomendacje uczą się z interakcji na jeden indeks, a nie z sumy zamówień. Prosty rachunek, który wykonasz na własnych liczbach, cztery podejścia z progiem danych dla każdego, oraz powód, dla którego pomiar bez grupy kontrolnej zawsze pokazuje sukces.
Rekomendacje produktowe z AI zarabiają wtedy, gdy na jeden indeks w katalogu przypada wystarczająco dużo interakcji, żeby model miał z czego wnioskować. Nie decyduje o tym wielkość obrotu, tylko stosunek liczby zachowań do liczby produktów. Sklep z dwoma tysiącami zamówień i trzystoma indeksami ma gęste dane. Sklep z tymi samymi zamówieniami i dwudziestoma tysiącami indeksów ma dane rozrzedzone do zera i dostanie rekomendacje, które wyglądają losowo, bo losowe są.
Kluczowe wnioski
- Znaczenie ma liczba interakcji przypadających na jeden indeks, a nie sumaryczna liczba zamówień. Dwa sklepy z tym samym obrotem mogą mieć rekomendacje działające i zupełnie martwe, jeśli różnią się wielkością katalogu.
- Rachunek jest prosty: zamówienia miesięcznie razy pozycje w zamówieniu, podzielone przez liczbę aktywnych indeksów. Poniżej mniej więcej jednej interakcji na indeks miesięcznie uczenie z zachowania nie ma z czego korzystać.
- Przy niskim progu danych rekomendacje z atrybutów produktu biją uczenie z zachowania, bo działają od pierwszego dnia i nie potrzebują historii. Wymagają za to uporządkowanego katalogu.
- Bez grupy kontrolnej każdy pomiar rekomendacji wypada dobrze, bo przypisuje im sprzedaż, która wydarzyłaby się i tak. Jedyna uczciwa miara to porównanie z losowo wyłączoną częścią ruchu.
Poniżej rachunek, który wykonasz na własnych liczbach w pięć minut.
Rekomendacje uczą się z interakcji, nie z obrotu
Silnik oparty na zachowaniu szuka wzorca w tym, co ludzie oglądali i kupowali razem. Żeby stwierdzić, że produkt A idzie w parze z produktem B, musi zobaczyć tę parę wielokrotnie u różnych osób. Przy trzystu indeksach i kilku tysiącach zdarzeń miesięcznie takich powtórzeń jest dużo. Przy dwudziestu tysiącach indeksów te same zdarzenia rozkładają się tak cienko, że większość par pojawia się raz albo wcale, a wtedy model uczy się szumu i podaje go jako wzorzec.
Sprzedawcy narzędzi nazywają to problemem zimnego startu i zwykle mówią, że minie. Przy dużym i wolno rotującym katalogu on nie mija nigdy.
Prosty rachunek na własnych liczbach
Weź liczbę zamówień miesięcznie, pomnóż przez średnią liczbę pozycji w zamówieniu i podziel przez liczbę aktywnych indeksów. Wynik to przybliżona liczba zakupowych interakcji na jeden indeks w miesiącu. Odsłony kart produktu podnoszą tę liczbę mniej więcej dwudziestokrotnie, ale niosą znacznie słabszy sygnał niż zakup, więc lepiej liczyć ostrożnie i traktować wynik jako dolną granicę.
| Profil sklepu | Zamówienia/mies. | Aktywnych indeksów | Interakcji na indeks | Werdykt |
|---|---|---|---|---|
| Wąska marka D2C | 2 000 | 300 | ~13 | Uczenie z zachowania działa |
| Średni sklep tematyczny | 2 000 | 3 000 | ~1,3 | Granica, konieczne wsparcie atrybutami |
| Szeroki katalog techniczny | 2 000 | 20 000 | ~0,2 | Wyłącznie atrybuty i reguły |
| Duży sklep wielobranżowy | 50 000 | 20 000 | ~5 | Uczenie z zachowania działa |
| Hurt B2B, powtarzalne zamówienia | 800 | 5 000 | ~0,5 | Historia kontrahenta zamiast modelu |
Rachunek własny, przy założeniu dwóch pozycji w zamówieniu. Progi są orientacyjne i zależą od rotacji katalogu. Traktuj to jako szablon do policzenia, nie jako wynik badania.
Zwróć uwagę na wiersz pierwszy i trzeci. Ten sam obrót, różnica w werdykcie wynika wyłącznie z wielkości katalogu.
Cztery podejścia i próg danych dla każdego
Termin „rekomendacje AI" obejmuje techniki o zupełnie różnych wymaganiach. Wybór między nimi jest decyzją o tym, którym zasobem dysponujesz: historią zachowań czy uporządkowanym katalogiem.
| Podejście | Czego potrzebuje | Kiedy pasuje | Słaby punkt |
|---|---|---|---|
| Reguły ręczne | Wiedzy kategorii, zero danych | Start, mały katalog, akcesoria | Nie skaluje się, starzeje się po cichu |
| Podobieństwo z atrybutów | Kompletnych atrybutów produktu | Duży katalog, mały ruch | Poleca produkty podobne, rzadko komplementarne |
| Uczenie z zachowania | Gęstej historii na indeks | Mały katalog albo duży ruch | Zimny start przy nowym towarze |
| Model językowy nad katalogiem | Opisów i atrybutów w jednym rekordzie | Wyszukiwanie opisowe, doradztwo | Koszt zapytania, ryzyko konfabulacji |
Zestawienie własne. W praktyce sklepy powyżej progu łączą podejście z atrybutów z uczeniem z zachowania, żeby nowy towar nie czekał na dane.
Podejście z atrybutów jest w tym zestawieniu najbardziej niedoceniane. Nie potrzebuje ani jednego zamówienia historii, działa od pierwszego dnia i wymaga dokładnie tego samego, co asystent AI w sklepie: kompletnej karty produktu z jednostką, wariantem i atrybutami w osobnych polach. Ta sama praca nad katalogiem obsługuje oba zastosowania, co czyni ją najlepiej zwracającą się inwestycją w tym obszarze.
Katalog, który szybko rotuje, kasuje naukę
Gęstość danych to jedna zmienna, druga to czas życia indeksu. Jeżeli połowa katalogu wymienia się co sezon, model uczy się produktów, których za trzy miesiące nie będzie w sprzedaży, a nowe wchodzą bez historii dokładnie wtedy, gdy mają największą marżę. Moda i wyposażenie wnętrz mają ten problem strukturalnie. Części zamienne i chemia techniczna nie mają go wcale, bo ten sam indeks sprzedaje się latami i historia narasta.
To jest powód, dla którego sklep modowy z dużym ruchem bywa gorszym kandydatem niż hurtownia z ruchem dziesięć razy mniejszym.
Pomiar bez grupy kontrolnej zawsze pokazuje sukces
Najczęstszy raport z wdrożenia rekomendacji brzmi tak: „widget wygenerował 8 procent przychodu". Ta liczba nic nie mówi, bo przypisuje rekomendacjom każdą sprzedaż, w której klient kliknął w kafelek, łącznie z produktami, które i tak by kupił, i tymi, które znalazłby przez wyszukiwarkę sklepu. Uczciwa miara wymaga wyłączenia rekomendacji dla losowej części ruchu i porównania przychodu na sesję między grupami. Różnica między grupami jest wynikiem, a wszystko powyżej niej to przypisanie.
- Wyłącz rekomendacje dla losowych 10 procent sesji na minimum dwa pełne tygodnie.
- Porównuj przychód na sesję i wartość koszyka, a nie kliknięcia w widget.
- Sprawdź zwroty w obu grupach: rekomendacja, która podbija sprzedaż i zwroty, nie zarobiła nic.
- Powtórz pomiar po sezonie, bo gęstość danych i skład katalogu zmieniają się w czasie.
Trzy sklepy, którym rekomendacje nie zwrócą się nigdy
- Katalog jednorazowego zakupu. Meble na wymiar, sprzęt kupowany raz na dekadę, usługi. Nie ma czego rekomendować obok, a historia jednego klienta nie mówi nic o następnym.
- Sklep z kilkudziesięcioma indeksami. Klient i tak zobaczy cały asortyment. Dobra nawigacja i lista powiązanych produktów ustawiona ręcznie zrobią to samo za ułamek kosztu.
- Katalog bez atrybutów i bez ruchu. Tu nie brakuje silnika, tylko obu zasobów naraz. Pieniądze idą najpierw w dane produktowe, o czym pisaliśmy przy okazji tego, co widzi agent AI w Twoim sklepie.
Wniosek praktyczny. Policz interakcje na indeks, zanim zapytasz kogokolwiek o wycenę silnika. Poniżej jednej interakcji miesięcznie wybieraj rekomendacje z atrybutów i wydaj budżet na uporządkowanie katalogu, bo ta sama praca obsłuży też wyszukiwarkę, feedy i widoczność w odpowiedziach modeli. Powyżej pięciu interakcji uczenie z zachowania ma sens i wtedy warto rozmawiać o wdrożeniu. Szerszy kontekst w przewodniku o AI w eCommerce, a praca nad konwersją i danymi produktowymi mieści się w etapie Maintenance & Growth.
FAQ
Ile zamówień miesięcznie trzeba mieć, żeby rekomendacje AI miały sens?
Sama liczba zamówień nie rozstrzyga. Podziel miesięczne zamówienia pomnożone przez pozycje w zamówieniu przez liczbę aktywnych indeksów. Powyżej mniej więcej pięciu interakcji na indeks uczenie z zachowania ma z czego korzystać, między jedną a pięcioma potrzebuje wsparcia atrybutami, a poniżej jednej działają wyłącznie rekomendacje oparte na cechach produktu. Sklep z 800 zamówieniami i wąskim katalogiem bywa lepszym kandydatem niż sklep z 5000 zamówień i katalogiem na dwadzieścia tysięcy indeksów.
Czy rekomendacje z modelu językowego rozwiązują problem zimnego startu?
Częściowo, i to jest ich najmocniejsza strona. Model językowy czyta opis i atrybuty produktu, więc potrafi zaproponować coś sensownego dla towaru, który trafił do sklepu wczoraj i nie ma historii. Ceną jest koszt zapytania przy dużym ruchu oraz ryzyko, że model połączy produkty, które do siebie nie pasują, bo w opisie znalazł powierzchowne podobieństwo. Dlatego w praktyce służy raczej jako uzupełnienie dla nowego towaru niż jako jedyny silnik.
Czym różni się personalizacja od rekomendacji produktowych?
Rekomendacja odpowiada na pytanie, co pokazać obok tego produktu. Personalizacja zmienia to, co dana osoba widzi na całym sklepie: kolejność na listingu, treść strony głównej, dobór kolekcji. Personalizacja wymaga rozpoznawania powracającego użytkownika i zwykle zgody na przetwarzanie, więc ma wyższy próg wejścia prawny i techniczny. Przy niskim ruchu daje też mniej, bo większość sesji to pierwsza wizyta, o której system nie wie nic.
Czy da się zmierzyć rekomendacje bez grupy kontrolnej?
Da się je zmierzyć, ale wynik nie powie, ile dołożyły. Bez grupy kontrolnej przypisujesz rekomendacjom sprzedaż, która wydarzyłaby się także bez nich, więc każdy raport wychodzi dodatni. Minimalna uczciwa wersja to wyłączenie widgetu dla losowych dziesięciu procent sesji na dwa tygodnie i porównanie przychodu na sesję. Jeżeli dostawca narzędzia odradza taki test, to jest informacja sama w sobie.
Dziennik
Współzałożyciel Seedlight · platformy eCommerce, AI, SEO i GEO
Newsletter
Dziennik prosto na skrzynkę
Nowe wpisy i wnioski z realnych wdrożeń, co jakiś czas. Zero spamu, wypisujesz się jednym kliknięciem.
