≡ edrone Blog
You've successfully subscribed to edrone
Great! Next, complete checkout for full access to edrone
Welcome back! You've successfully signed in.
Success! Your account is fully activated, you now have access to all content.
Success! Your billing info is updated.
Billing info update failed.

Algorytmy w służbie eCommerce: Platformy Zewnętrzne

Ostatnio omówiliśmy podstawowe zalety stosowanie sztucznej inteligencji. Porównaliśmy także cechy ludzkiej inteligencji i inteligencji maszyn. Przedstawiliśmy także ich najprostsze zastosowania (najprostsze, nie znaczy nieciekawe!). Co z trudniejszymi przypadkami?

Marcin Lewek
Marcin Lewek

Niniejszy tekst jest częścią drugą omówienia zastosowań sztucznej inteligencji. Jeśli nie czytałeś pierwszej, koniecznie nadrób zaległości na Blogu partnerów technologicznych edrone: Dealavo.

Augmented, nie Artificial!

Zanim przejdziemy do przykładów, warto podkreślić różnicę między tymi określeniami. Sztuczna Inteligencja to także kognitywistyka, lingwistyka i mnóstwo innych dziedzin lub sub-dziedzin współczesnej nauki.

Używając określenia Augmented Intelligence dobrze oddajesz charakter technologii – narzędzia które rozszerza umiejętności człowieka, a nie zastępuje do w zadaniu.

Facebook Ads

Algorytm i Facebook to dwa słowa które, których rozdzielenie jest praktycznie niemożliwe. „Problem” jednak polega na tym, że kojarzony jest bardziej ze złośliwym oprogramowaniem, które ucina zasięgi i cenzuruje treści użytkowników platformy, a nie pracą nad wyświetlaniem po prostu jakościowych treści każdemu użytkownikowi. Dodatkowo to prawdopodobnie jego najnudniejsze zadanie

Facebook zbiera o nas nieprawdopodobnie dużo danych, przy czym w ogniu krytyki znajdują się głównie nasze prywatne wiadomości i „tajne informacje” (które nieprzymuszeni na niego uploadujemy, ale to inna bajka). Warto wiedzieć i mieć na uwadze, że portal zbiera o nas także mniej oczywiste informacje.

Podstawowe, niezwykle przydatne

Nie tylko kliknięcia i polubienia — które jako tako możemy „kontrolować”, ale także czas spędzony nad daną treścią, częstotliwość przeglądania takich treści. Dodatkowo mówiąc “treści” wcale nie mam na myśli, tylko tego, co znajdziemy wewnątrz portalu.

Piksel Facebooka pozwala monitorowanie aktywności także poza platformą. Gdy jesteś zalogowany do serwisu, ruch na stronie z łatwością jest przypisywany do Twojego konta.

Postawmy sprawę jasno — to bardzo dużo informacji i danych. Przeanalizowanie jednej akcji pod kątem wszystkich danych wejściowych, byłoby dla człowieka niezwykle trudne, nie mówiąc już o robieniu tego dla każdego użytkownika osobno. Wyciągnięcie wniosków na tej podstawie graniczy już z cudem lub przypadkiem.

Dla Algorytmów głębokiego uczenia jest to zadanie względnie proste, pod warunkiem, że dysponujemy ogromną mocą obliczeniową (Facebook daje radę pod tym względem) i ogromną ilością danych. Tych jak powiedzieliśmy wcześniej, tych mamy pod dostatkiem, i tak naprawdę są do naszej dyspozycji.

Lookalike

Facebook wie, jak użytkownik zachowuje się na Twojej stronie — co jest szczególnie ważne dla eCommerce! Jeśli zależy Ci na dostarczaniu nowego, wartościowego ruchu, Facebook Ads, jest jednym z najlepszych wyborów.

Mówiąc o algorytmach w służbie eCommerce, nie moglibyśmy nie wspomnieć o Lookalike, czyli Grupach podobnych odbiorców.

Do utworzenia dobrze działającej grupy podobnych odbiorców, potrzebujesz grupy referencyjnej. Kto to taki? Najlepiej, aby byli to Twoi najlepsi klienci (jeśli stosujesz analizę RFM, będą to na przykład Champions – 1/16 Twoich klientów, która najchętniej wraca do sklepu i zostawia tam najwięcej pieniędzy).

Facebook analizując ich zachowanie na stronie (nie tylko Twojej!), wyszukuje spośród wybranej populacji (niech będzie to na przykład Polska) 1% tych najbardziej podobnych. Możliwe do zastosowania są również inne przedziały podobieństwa, jednak 1% to grupa wystarczająca aż nadto.

Z powstałych lookalike, wystarczy tylko wykluczyć Twoich klientów (prawdopodobnie znajdą się tam nie tylko championi), by móc trafić do całkowicie nowych odbiorców.

Niestety, nawet najlepiej dobrana grupa docelowa, nie zagwarantuje rezultatów. O ile masz świadomość, ze Twój produkt jest dobrej jakości i nic nie można mu zarzucić, standardem w dzisiejszych czasach jest research, którego dokonują klienci przed zakupem. Porównują cechy produktów dostępnych na rynku, a jedną z nich, która w większości przypadków będzie decydująca, jest cena.

Algorytmy cenowe

Oparcie strategii na inteligentnych algorytmach rekomendujących ceny pozwala osiągnąć najlepsze efekty w krótkim czasie dzięki wyeliminowaniu ryzyka błędu ludzkiego oraz nieocenionej oszczędności czasu zespołu.

Proces ten nazywamy automatyzacją cen, jednak nie zawsze oznacza to, że ceny zmieniają się w sklepie w stu procentach automatycznie. Często, zamiast pełnej automatyzacji, stosuje się cykliczne rekomendacje cenowe, a finalną decyzję podejmują i wprowadzają do sklepu eCommerce managerowie. Zdarza się również, że pełna automatyzacja wprowadzana jest stopniowo, w miarę samouczenia się algorytmów cenowych.

W jaki sposób przebiega proces rekomendacji cen?

Ceny rekomendowane są na podstawie danych zewnętrznych — pochodzące z monitoringu stron www poprzez platformę Dealavo oraz wewnętrzne dane klienta. Nowe ceny są sugerowane raz dziennie lub częściej, w zależności od dynamiki branży. Kryteria, na podstawie których konfiguruje się algorytmy, są definiowane przez klienta tak, aby odpowiadały jego strategii cenowej. Mogą nimi być na przykład:

  • ceny konkurencji (w danej kategorii, branży, sklepie lub porównywarce),
  • popyt na wybrane produkty w danym okresie,
  • średnia cena produktu na rynku lub u określonych konkurentów,
  • preferencja ceny niższej lub wyższej o określoną kwotę od wybranego konkurenta,
  • ustalenie ceny najwyższej lub najniższej na rynku,
  • liczba dostępnych produktów,
  • braków produktu u konkurencji (jest to okazja do podniesienia ceny),
  • limitów ceny lub marży,
  • danych behawioralnych konsumentów.

Oczywiście nie musimy decydować się na uzależnianie cen od wszystkich wymienionych czynników — wystarczy, że wybierzemy te dla nas najważniejsze samodzielnie, lub przy pomocy konsultantów. Po przedstawieniu klientowi rekomendacji, istnieje możliwość zaakceptowania ich lub odrzucenia podając przyczynę — dzięki temu algorytmy cały czas uczą się i stają się coraz efektywniejsze.

Przykłady strategii automatyzacji cen

Aby wybrać odpowiednie strategie automatyzacji, warto zacząć od monitoringu — dzięki temu możemy przyjrzeć się poszczególnym grupom produktowym, ich marżom, zmianom cen na rynku i popularności wśród konsumentów. Na przykład, jesteśmy w stanie zdefiniować produkty, w przypadku których osiągamy niższą sprzedaż przez niekorzystne pozycjonowanie cenowe względem konkurencji lub wręcz przeciwnie — zobaczyć, które produkty sprzedajemy dużo taniej niż konkurenci, niepotrzebnie tracąc marżę.

Szczególnie warto się przyjrzeć produktom topowym, osiągającym wysoką sprzedaż dzięki popularności wśród konsumentów. W ich przypadku raczej nie stosuje się znaczących obniżek cen, ale ze względu dużą konkurencję i dostępność, cena potrafi być decydującym czynnikiem zakupu. W takiej sytuacji dobrze jest skorzystać z automatycznej rekomendacji „cena niższa o x zł” od najtańszego lub drugiego najtańszego konkurenta przy ustalonym limicie ceny lub marży minimalnej. Dzięki temu możemy przyciągnąć konsumenta niską ceną przy minimalnej redukcji marży.

Podobnym, ale mniej radykalnym rozwiązaniem pozwalającym na uniknięcie wojny cenowej jest zastosowanie analogicznej reguły, ale w odniesieniu do średniej ceny„cena niższa o x zł” od średniej rynkowej lub średniej cen wybranych konkurentów.

Kolejną możliwością uniknięcia wojny cenowej jest ustalanie ceny równej najniższej na rynku, z zachowaniem ustalonych wcześniej limitów, aby na pewno nie sprzedawać poniżej kosztów.

A co z marżą?

W następnej kolejności warto zwrócić uwagę na produkty wysokomarżowe, ponieważ to one w największym stopniu generują zysk. Często są to produkty dodatkowe, oferowane w pakiecie, jak np. akcesoria elektroniczne i inne produkty komplementarne, ale nie zawsze. Wyższą marże możemy również stosować w przypadku produktów bardziej niszowych, które sprzedaje mniejsza liczba naszych konkurentów lub stosunkowo popularnych produktów, które akurat wyprzedały się w konkurencyjnych sklepach. Dzięki automatyzacji cen możemy zastosować regułę maksymalizacji marży przy zachowaniu określonego miejsca w rankingu względem konkurencji.

Rekomendacje cenowe możemy również dopasowywać do wybranych kategorii produktowych, na przykład w zależności od ich nietypowych cen. Odpowiednio skonfigurowane algorytmy mogą proponować inne rekomendacje w zależności np. od rozmiaru czy koloru produktu.

Mniej popularne kolory ubrań czy sprzętu elektronicznego zazwyczaj są tańsze i przyciągają konsumentów do sklepu poprzez promowanie na platformie Google Shopping, czy Ceneo.

Po wejściu na stronę klient może zobaczyć inne warianty kolorystyczne produktu, ale już w odpowiednio wyższych cenach. Czasem może mieć również miejsce sytuacja odwrotna. Jeśli popyt na produkt w danym wariancie nagle rośnie, nowe sugestie mogą być podawane z uwzględnieniem tego czynnika. Dlatego przy definiowaniu zakresu automatyzacji dobrze jest korzystać nie tylko z danych o konkurencji, ale też z danych wewnętrznych.

Podsumowanie

Jak widzisz, algorytm algorytmowi nierówny, a dodatkowo każdy w pewnym stopniu i tak będzie wykorzystywał pierwiastek ludzki. Mówi się, że Sztuczna Inteligencja zabierze kiedyś wszystkie miejsca pracy ludziom. Nie jest to prawda, bo utworzy jednocześnie setki nowych. Faktem jest, że im wcześniej się z nią zaprzyjaźnimy, tym szybciej będziemy w stanie tworzyć razem zgrany zespół, a stanie się to kluczowe znacznie szybciej, niż myślisz!

Artificial intelligenceMachine learningDeep learningCustomer ExperienceMarketing automationSocial media marketing

Marcin Lewek

Designer, digital marketer, and UX/copywriter specialized in combo marketing, artificial intelligence, and digital marketing itself. Science, and holistic approach enthusiast, after-hours musician.