Около 70% от онлайн количките за пазаруване са изоставени преди плащане. Това е значителен брой купувачи с висока целенасоченост, които са разгледали, избрали нещо и са напуснали. Повечето марки отговарят с имейли за изоставени колички. Кратка автоматизирана поредица, която им напомня какво са оставили след себе си.
Тези имейли работят. Те се задействат от поведението на клиентите, сравнително лесни са за внедряване и постоянно превъзхождат излъчваните кампании по отношение на ангажираност и конверсия. Но те работят на едно-единствено предположение, че всеки, който е напуснал, го е направил по същата причина и ще отговори на същия подтик. Това не е вярно.
Един от най-значимите фактори за изоставянето на количката е ужасяващата страница „няма намерени резултати“. Когато клиентите не могат да намерят това, което търсят, те не просто си тръгват с празни ръце. Те често изоставят артикули, които вече са добавили в количката си, поради чувство на неудовлетвореност или несигурност.
Влияние на лошите резултати от търсенето:
Дори когато търсенията връщат резултати, неподходящите или лошо съчетани продукти създават съмнение и объркване. Клиентите, които не се доверяват на способността на системата за търсене да разбере техните нужди, се колебаят да се ангажират с каквато и да е покупка, което води до изоставяне на количката.
Признаци за лошо съчетаване на продукти:
Имейлът за изоставена количка е автоматизирано съобщение, изпращано до купувач, който добавя артикули в онлайн количката си, но напуска, без да завърши покупката. Тези съобщения се задействат от събитие, обикновено са базирани на правила и се изпълняват като кратка поредица от 2 до 3 имейла, доставени в рамките на 48 до 72 часа.
Купувачите, които изоставят количката си, вече са показали намерение за покупка, което ги прави по-топла аудитория от студените потенциални клиенти. Поредиците са евтини за настройване, не изискват ръчно изпращане и постоянно превъзхождат кампаниите за излъчване по отношение на конверсията.
Възстановяването на количката, базирано на правила, прилага една и съща логика към всяко изоставяне, независимо кой е клиентът или защо е напуснал, и това може да бъде вредно както за взаимоотношенията с клиентите, така и за крайния резултат.
ИИ решенията заместват фиксираната „ако-тогава“ логика със система, която взема индивидуални решения за всеки клиент и актуализира тези решения въз основа на наученото. Това е различно както от автоматизацията, базирана на правила, така и от традиционните модели за следващи най-добри действия.
Системите, базирани на правила, използват предварително дефинирани тригери.
Моделите за следващи най-добри действия използват машинно обучение, за да предскажат на кой продукт или оферта е най-вероятно да отговори клиентът, но те все още прилагат тази препоръка на ниво сегмент, оптимизират по едно измерение в даден момент и се нуждаят от ръчно преобучение, когато поведението се промени.
AI решенията отиват още по-далеч и използват обучение с подсилване, за да оптимизират едновременно във всяко измерение. Каналът, съобщението, креативът, времето, честотата, дълбочината на офертата и дали изобщо да се свържете с клиента, се експериментират непрекъснато на индивидуално ниво, като се адаптират редовно без човешка намеса. Това е следващото най-добро всичко и ето по-отблизо поглед върху тези елементи.
Вместо да следва предварително определен път, агентът с обучение с подсилване избира от набор от възможни действия, наблюдава какво се случва, получава сигнал, когато достигне целта, и актуализира съответно своята политика за вземане на решения. Всяко взаимодействие се отразява в следващото решение. С течение на времето системата изгражда все по-точна картина на това, което работи за всеки клиент.
Случай на употреба | Подход, базиран на правила | Подход за вземане на решения с ИИ |
Проследяване на изоставяне на количка и разглеждане | Всеки изоставил клиент получава една и съща поредица от имейли на фиксирани интервали, независимо от стойността на количката, историята на покупките или предпочитанията за канал. | Системата избира канал, време, съобщение и дали да включи стимул поотделно, въз основа на поведението на всеки клиент и вероятността за реализация. |
Оптимизация на отстъпки и оферти
| Отстъпката е включена в поредицата по подразбиране и се прилага към всички изоставили клиенти в една и съща точка от потока. | Системата научава кои клиенти извършват реализация без стимул и го задържа съответно, защитавайки маржа, без да жертва реализацията. |
Повторна покупка и попълване на запаси | Фиксиран последващ имейл се изпраща определен брой дни след покупката, въз основа на средния цикъл на попълване на запаси в клиентската база. | Системата научава индивидуалния ритъм на покупки на всеки клиент и избира правилния момент, канал и съобщение, за да подтикне към следващата поръчка. |
Действието, избрано за всеки човек, е това, което е най-вероятно да промени KPI, за който системата оптимизира. Двама клиенти с почти идентична история на покупки може да получат напълно различни последващи действия, защото системата е научила, че реагират по различен начин. В голям мащаб това означава, че всеки клиент е на практика на свой собствен път, оформен от собственото си поведение, а не от средното поведение на група, към която принадлежи.
Случай на употреба | Подход, базиран на правила | Подход за вземане на решения с ИИ |
Кръстосани продажби след покупка | Същият имейл за кръстосани продажби се изпраща до всички скорошни купувачи, представящ едни и същи продукти, независимо от това какво е закупено или кой го е купил. | Системата избира кой продукт да представи, дали да включи оферта и кога и как да се свърже с тях, въз основа на историята на покупките и афинитета към категорията на всеки клиент. |
Прогресия в нивото на лоялност | Клиентите преминават през нива въз основа на предварително определени прагове на разходи, с едни и същи комуникации на всеки етап. | Системата открива поведенчески сигнали, които показват нарастваща лоялност, и коригира ангажираността, преди клиентът да достигне официален праг. |
Сезонна оптимизация на кампаниите | Логиката на кампанията се преконфигурира ръчно преди всеки сезонен период, въз основа на представянето от миналата година. | Системата се адаптира автономно към променящите се модели на поведение, актуализирайки решенията си, когато реакцията на клиента на сезонните съобщения се променя в реално време. |
С промяната на сезонните модели, появата на нови категории продукти или загубата на предишно ефективни стимули, системата актуализира собствените си политики, без никой да е необходимо да преизгражда логиката. Третира всяко взаимодействие като нова информация, а не като потвърждение на това, което вече знае.
Пример на употреба | Подход, базиран на правила | Подход за вземане на решения с ИИ |
Въвеждане на нова продуктова категория | Кампанията за излъчване е насочена към широк сегмент, с таргетиране въз основа на минали покупки от дадена категория. | Системата идентифицира кои клиенти показват ранни сигнали за интерес към нова категория и избира правилния момент и послание, за да насърчи първата покупка. |
Реактивиране на отпаднали клиенти | Последователност за връщане на клиенти се задейства след зададен период на неактивност, със същото послание и оферта за всички отпаднали клиенти. | Системата експериментира с ъгъл на съобщението, канал, време и дълбочина на офертата, като се учи какво връща всеки индивид, без да го стимулира прекалено. |
Дългосрочно задържане | Кампаниите за електронна търговия за задържане на клиенти се задействат от оценките за риск от отлив, които преминават предварително определен праг, като се прилага еднакво третиране към всички клиенти в риск. | Системата непрекъснато следи индивидуалното поведение и избира най-подходящия ангажимент, за да поддържа връзката, преди да се появят индикатори за риск. |
Възстановяването на количката е един момент от цикъл на вземане на решения, който обхваща целия жизнен цикъл на клиента. Същата система за вземане на решения с изкуствен интелект, която избира правилните последващи действия за изоставена количка, може също да определи следващото най-добро преживяване след реализация, да открие кога поведението на клиента сигнализира за нарастваща лоялност и след това да използва наученото, за да намали вероятността от изоставяне с течение на времето.
Конверсията е мястото, където спират повечето последователности за възстановяване на количката. За система за вземане на решения с изкуствен интелект, това е мястото, където започва следващото решение. След като клиент завърши покупка, системата преценява кое преживяване е най-вероятно да го върне. Това може да бъде кръстосана продажба, подкана за попълване на поръчка, подтик за лоялност или нищо. Изпращането на нещо на клиент, който вече е щял да се върне, не укрепва връзката. Системата също научава това и се адаптира съответно.
Купувач, който преминава от пазаруване от време на време към пазаруване редовно, сигнализира за промяна. Ангажиран клиент, който внезапно се отказва от вашите имейли, сигнализира за нещо различно. Системите, базирани на правила, чакат да бъде преминат праг, преди да променят начина, по който се третира клиентът. Вземането на решения с изкуствен интелект забелязва поведенческите промени по-рано и адаптира подхода си, преди клиентът официално да е сигнализирал нещо, и това е разликата между реагирането на лоялност и изграждането ѝ.
Всяко взаимодействие на клиент с дадена марка генерира данни. С течение на времето, системата за вземане на решения с изкуствен интелект изгражда индивидуална картина на всеки клиент, включително къде се колебае, какво го успокоява и кой канал го връща обратно. Това оформя ангажираността им, преди да се появят проблеми. Например, клиент, който преди това е отпаднал, когато се появят разходи за доставка, не е необходимо да достига отново до тази точка, преди системата да отговори с нещо, което да подобри преживяването му.
Брандовете за търговия на дребно и електронна търговия, използващи вземане на решения с изкуствен интелект, се отдалечават от транзакционното мислене и започват да разглеждат възстановяването на количката като част от по-голям разговор, който се фокусира върху задълбочаването на взаимоотношенията с клиентите във времето. Не само възстановяване на загубена продажба, но и вземане на решения, които превръщат еднократния купувач в постоянен клиент, разпознават и възнаграждават нарастващата лоялност и поддържат клиента ангажиран, преди да се отдалечи:
Изоставянето на количките не е просто симптом на оперативни проблеми; това е знак, че вашето електронно търговско изживяване може да се нуждае от по-дълбоко ниво на отзивчивост и персонализация. Интелигентните замествания, задвижвани от изкуствен интелект, се вписват в по-широк набор от инструменти, който включва:
Всички тези функции работят заедно, за да създадат безпроблемно и динамично пазаруване. Мислете за това като за първокласен служител в магазина във всяка пътека, готов да се включи с точни предложения за продукти в момента, в който имате нужда от тях.
Изборът на платформа за вземане на решения е различен вид решение от избора на инструмент за маркетингова автоматизация. Въпросите не са за функции и покритие на каналите, а за това как системата взема решения, за какво може да се оптимизира и колко текуща работа изисква от вашия екип.
Система, базирана на правила, дори такава, подобрена с прогнозно оценяване, задвижвано от машинно обучение, прилага предварително определени съобщения към предварително определени сегменти. Системата за обучение с подсилване експериментира с различни опции, наблюдава резултатите и актуализира политиката си за вземане на решения автономно. Едната изисква човешка преценка, за да се подобри, другата се учи без нея. Когато говорите с доставчици, попитайте:
За търговията на дребно и електронната търговия моделите на покупки, ценовата чувствителност и предпочитанията за канали варират значително дори в рамките на тесни сегменти. Прилагането на едно и също преживяване към всички в групата ви струва по-малко реализации и по-малко маржове. Двама клиенти с почти идентични профили може да се нуждаят от напълно различни съобщения. Въпроси, които трябва да се зададат:
Най-ценните сигнали за вземане на решения в търговията на дребно са скорошността и честотата на покупките, афинитетът към категорията, поведението при сърфиране, статусът на лоялност и историята на отговорите на стимулите. Платформите, които изискват данните да преминават през множество системи, преди да достигнат до слоя за вземане на решения, въвеждат латентност, която намалява релевантността на всяко решение. Неща, които трябва да се потвърдят с платформите:
Пълната оркестрация на жизнения цикъл на електронната търговия изисква проследяване на различен набор от показатели за успех. Проследяването на изоставена количка може да се оптимизира за процент на конверсия, приходи на клиент или средна стойност на поръчката. Ангажираността след покупка може да се насочи към процент на повторни покупки. Програмите за лоялност могат да се фокусират върху стойността на жизнения цикъл на клиента. Една способна система за вземане на решения трябва да може да оптимизира спрямо всеки от тези фактори, не само спрямо показатели за ангажираност, като отваряния и кликвания. Проверете с доставчиците:
Поведението на клиентите в търговията на дребно се променя постоянно, водено от сезонността, пускането на нови продукти, историята на промоциите и по-широките пазарни условия. Система, която изисква специалисти по данни да преобучат модели всеки път, когато моделите на поведение се променят, създава забавяне между това, което правят клиентите, и това, което системата за вземане на решения знае. Ще трябва да изясните:
Тези въпроси дават надеждна картина дали платформата наистина взема решения с изкуствен интелект или прилага по-сложна версия на подхода „сегментирай и използвай правила“, който е предназначен да замени.
Изоставянето на количките представлява загуба на приходи, но по-важното е, че представлява загуба на взаимоотношения с клиентите. Всяка изоставена количка е сигнал, че вашата система за откриване на продукти не е успяла да свърже клиента с идеалното му решение. Изкуственият интелект за изоставяне на количките решава това предизвикателство, като създава по-интелигентни, адаптивни и полезни преживявания при пазаруване.
Ползите от откриването на продукти далеч надхвърлят просто намаляването на процента на изоставяне. Като помага на клиентите да намерят точно това, от което се нуждаят, когато имат нужда от него, откриването, задвижвано от изкуствен интелект, създава основата за дългосрочни взаимоотношения с клиентите, изградени върху доверие и удовлетвореност.
Организациите, които подобряват търсенето в електронната търговия чрез изкуствен интелект, не само виждат по-добри проценти на конверсия. Те създават конкурентни предимства, които се натрупват с течение на времето. Тъй като клиентите започват да очакват интелигентни, персонализирани преживявания при пазаруване, способността за предоставяне на подходящо откриване на продукти става от съществено значение за оцеляването на конкурентните пазари.
Въпросът не е дали да се внедри изкуствен интелект за изоставяне на количките, а колко бързо можете да внедрите тези възможности, за да започнете да възстановявате загубените приходи и да изграждате по-силни взаимоотношения с клиентите. Технологията съществува, ползите са доказани и конкурентният натиск нараства. Времето за интегриране на изкуствен интелект е сега.
