Rekomendacje są wszędzie. W każdym sklepie online, w aplikacjach, na mediach społecznościowych, w telewizorze. Brzmi świetnie – system, który wie, co Ci się spodoba.
Ale tu jest haczyk: nie wszystkie rekomendacje to to samo. Niektóre systemy to czysty geniusz. Inne? To jak asystentka w sklepie, która całkowicie nie słucha ani Ciebie i nie obserwuje, co robisz.
Rekomendacje rekomendacjom nierówne. Różnica między dobrym systemem a złym może oznaczać, że klient kupuje… lub odchodzi do konkurencji. W tym poście wyjaśnimy to obrazowo, na prostym przykładzie, żeby zobaczyć, jak różne podejścia do rekomendacji dają zupełnie inne wyniki. Nie potrzebujesz być ekspertem w technologii. Wystarczy wyobrażenie sobie sceny w zwykłym sklepie odzieżowym.
Mamy sklep odzieżowy, taki zwykły, przy ulicy Zwyczajnej. Najlepiej sprzedają się koszulki po 10 zł. Białe, żółte, zielone. Do sklepu wchodzi nowa klientka. Przegląda czerwoną sukienkę za 300 zł.
To, co się teraz dzieje, zależy od tego, jakie rekomendacje pracują w tle.
Najczęstszy przypadek
Tak więc do sklepu wchodzi nowa klientka. Przegląda czerwoną sukienkę za 300 zł.
Podchodzi asystentka i mówi: „Pani lepiej kupi sobie tę koszulkę. Tylko 10 zł”.
Fail! Coś tu nie gra, prawda?
Właśnie tak działają najprostsze „ramki rekomendacyjne” w platformach e-commerce. System rekomenduje to, co sprzedaje się najlepiej, niezależnie od tego, co robi klient.
Czy bierze pod uwagę preferencje klienta? Nie. Dostosowuje się w rzeczywistym czasie? Nie.
Jak to najczęściej jest upgrade’owane? Przypadek poniżej.
Przypadek data-driven z CDP/MA
Zaczynamy jeszcze raz – do sklepu wchodzi klientka. Okazuje się, że nie jest nowa. Asystentka ją rozpoznaje. To Barbara. Sama, Marian chyba poszedł po nowy telewizor 😉
Asystentka krzyczy w drzwiach: „Dzień dobry Pani Basiu!”.
[Hurra! System rozpoznał klientkę]
Pani Basia odpowiada i spokojnie podchodzi do sukienek i ogląda czerwoną za 300 zł. Asystentka, cwana bestia, pamięta, że pani Basia kupiła spodnie miesiąc temu, więc proponuje: „Pani Basiu, mamy super spodnie na promocji”.
Fail! I znów jest problem… Asystentka bazuje na danych historycznych. System reaguje na to, co klient kupił wcześniej, nie na to, co robi teraz. Dopiero jutro system (pani asystentka) zorientuje się, że pani Basia przyszła po coś zupełnie innego.
Jutro to już za późno. Klientka już odeszła bez zakupu.
To właśnie jak działa marketing automation i CDP, pamiętają klientów, którzy już wcześniej kupili, bazują na segmentach (kupiła spodnie), i na historii, która dzisiaj nie ma żadnego znaczenia.
A co robi dla nowych, anonimowych, w incognito, z adblockami? A to przecież 95% Twoich klientów. Ci rozpoznani to tylko 5%!.
Dla 95% Twoich potencjalnych klientów asystentka zachowuje się, jak w przypadku pierwszym. „Pani lepiej kupi sobie tę koszulkę. Tylko 10 zł”.
Pani Basia bierze drugą sukienkę. Asystentka : „A może ta zielona koszulka. Też tylko 10 zł”.
Silnik rekomendacji produktowych
Teraz ta sama scena, ale z nowoczesnym systemem rekomendacji. Klientka przychodzi i ogląda czerwoną sukienkę za 300 zł. Systemu rekomendacji nie interesuje imię klientki, więc jej nie przywita po imieniu. Jeśli to rozpoznana klientka, to będzie wiedział, że kupiła spodnie 30 dni temu, ale nie jako pani Basia, tylko jako X Æ A-12 😉
Asystentka podchodzi i zaproponuje podobny model sukienki, który jest na stanie. Klientka bierze jednak inną sukienkę, ale odwiesza ją, asystentka (system) to widzi.
Asystentka, nauczona już na dziesiątkach tysięcy wcześniejszych przypadków niejedno widziała i proponuje trzecią sukienkę, tę idealną. Klientka kupuje.
Asystentka dostosowała się w czasie rzeczywistym do sygnałów klientki. Wykorzystała wiedzę z tysięcy podobnych przypadków. Zaproponowała produkt na bazie bieżącego zachowania, nie historii. Zadziałało — klientka kupiła
Porównanie: trzy wersje obok siebie
| Zwykłe rekomendacje | Rekomendacje w CDP/MA | Silnik rekomendacji AI | |
|---|---|---|---|
| Rozumie obecne zachowanie? | ❌ Nie | ❌ Nie | ✅ Tak, w real-time |
| Działa dla nowych klientów? | ❌ Nie | ❌ Nie | ✅ Tak |
| Działa dla stałych klientów? | ❌ Nie | ⚠️ Tak, ale z opóźnieniami i w segmentach | ✅ Tak, natychmiast |
| Uczy się na bieżąco? | ❌ Nie | ❌ Nie | ✅ Tak |
| Procent zmarnowanych szans | 100% | Na pewno 95% | Minimum |
Większość e-commerce polega na systemach, które w najlepszym wypadku aktualizują się wtedy, kiedy ostatni raz zalogował się klient. To jak nasza asystentka, która podsuwa spodnie, a nie obserwuje tego, co dzieje się teraz.
Silniki rekomendacji produktowych AI pracują inaczej: dostosowują się natychmiast, uczą się z każdej interakcji i działają dla każdego, czy to klient nowy, czy stały.
To różnica między:
- Systemem, który krzyczy: „Kup to, co wszyscy kupują!”
- Systemem, który słucha: „Widzę, że Ci się ta sukienka podoba, a ja znam podobną, która Ci się jeszcze bardziej spodoba.”
Prawda, że widać różnicę! To nie tylko temat: czy będzie lepiej, bo będzie. To też temat – jak przestać szkodzić od zaraz. Ponieważ przypadek pierwszy i drugi to niszczenie experience klientów.
Umów się na demo, żeby dowiedzieć się więcej.
Dla dociekliwych już mniej obrazowo na ten temat na naszej stronie: silnik rekomendacji produktowych
