Najhitreje umetno inteligenco tukaj uporabite kot bralca vzorcev v besedilu, ki ga že imate: v ocenah, tiketih podpore, pogovorih v klepetu, odgovorih na ankete in v besedilu vaših strani izdelkov. Prilepite nekaj sto resničnih sporočil kupcev, model prosite, naj jih razvrsti po ugovoru ali oviri, ki jo razkrivajo, in nazaj dobite razvrščen seznam razlogov, zaradi katerih ljudje omahujejo — dvom o velikosti, cena dostave, “ali bo to delovalo z mojo opremo”, počasni odgovori, nejasna vračila. Umetna inteligenca sama od sebe ne odkrije, zakaj kupci ne kupijo. Prebere tisto, kar so vam kupci že povedali, hitreje kot vi, in to razvrsti v teme, ob katerih lahko ukrepate. Presoja, kateri razlog je vreden, da ga odpravite prvega, ostane vaša.

Ta članek govori o diagnozi: o iskanju ponavljajočih se razlogov za nenakup. Odpravljanje določenega razloga — recimo zapuščene košarice — je ločeno delo, na katerega vas napotim na koncu.

Pravi problem: promet imate, le ne veste, kje se ustavi

Za obiskovalce plačujete. Pridejo, brskajo, nekateri dodajo v košarico, nato pa jih večina odide brez nakupa. Padec vidite v svoji analitiki — lijak se zoži pri blagajni, na strani izdelka ali takoj po tem, ko se pokaže cena dostave. Česar iz grafa ne vidite, je zakaj.

To je vrzel. Google Analytics vam pove, kje ljudje odidejo. Nikoli pa ne pove, kaj so mislili, ko so odšli. In lastnik trgovine to tišino običajno zapolni z ugibanjem: “cena je previsoka” ali “spletna stran je prepočasna”. Včasih je ugibanje pravilno. Pogosto je to najglasnejša skrb, ne prava.

Zakaj “samo popravi očitno” ni dovolj

Običajen odziv na šibko konverzijo je napad na tipične osumljence: znižajte ceno, dodajte pojavno okno, pospešite stran, pripravite razprodajo. Vsaka od teh stvari lahko pomaga. Nobena vam ne pove, ali rešujete problem, ki vas dejansko stane naročil.

Recimo, da znižate ceno, ker predpostavljate, da je ovira cena. Če je pravi razlog, da polovica vaših obiskovalcev odide, ta, da ne morejo ugotoviti, ali izdelek ustreza njihovi obstoječi opremi, ste pravkar podarili maržo ljudem, ki na ceno nikoli niso bili občutljivi, vprašanje ustreznosti pa še vedno odganja naslednjo skupino. Porabili ste denar in se ničesar naučili.

Razlogi, zakaj kupci ne kupijo, so običajno konkretni, dolgočasni in odpravljivi — in skrivajo se v čistem besedilu, ki ga ne berete sistematično. Pri eni trgovini je največja ovira pravilnik o vračilih, ki zveni tvegano. Pri drugi je to specifikacija, ki manjka na vsakem seznamu izdelkov. Tega ne morete prepoznati z bežnim pregledom desetih ocen ob kavi. Lahko pa, ko modelu podate nekaj sto sporočil in ga prosite, naj jih prešteje.

Kje denar dejansko odteka

Tukaj je preprost način, da vidite obseg. Ponazoritvene številke, torej prilagodite jih svojim:

• 10.000 mesečnih obiskovalcev
• 2 % kupi — 200 naročil
• Od 9.800, ki ne kupijo, denimo da je celo 300 omahovalo iz enega ozdravljivega razloga (vprašanje ustreznosti, presenečenje pri dostavi)
• Povprečna vrednost naročila 60 €

Povrnite tretjino teh 300 in to je 100 dodatnih naročil, 6.000 € na mesec, iz prometa, ki ste ga že plačali. Za iskanje tega denarja ne potrebujete novega oglaševalskega proračuna. Vedeti morate, kateri ugovor povzroča največ škode, in potrebujete natančne besede, ki jih kupci zanj uporabljajo — ker te besede gredo naravnost na stran izdelka, v pogosta vprašanja ali v e-poštno sporočilo.

Praktična rešitev, po vrsti

1. Zberite besedilo, ki ga že imate. Ocene izdelkov (svoje in, previdno, konkurenčne), e-pošto in prepise klepetov podpore, odgovore na ankete po nakupu, opombe o razlogih vračil in vse odgovore na vprašanje “zakaj niste kupili?”. Že 200–300 resničnih sporočil je dovolj, da opazite vzorce. Če besedila skoraj nimate, najprej nekaj tednov izvajajte anketo z enim vprašanjem ob odhodu ali e-poštno sporočilo po nenakupu — potrebujete surovino, preden ima umetna inteligenca sploh kaj brati.

2. Modela prosite, naj razvršča, ne naj razglablja. Sporočila prilepite v serijah in mu dajte nalogo, kot je: “Razvrsti ta sporočila kupcev po temeljnem razlogu za omahovanje ali pritožbo. Vsako skupino poimenuj z jezikom samega kupca, preštej, koliko sporočil sodi vanjo, in navedi dva resnična primera na skupino. Ne izmišljuj si razlogov, ki jih v besedilu ni.” Navodilo, naj navede resnične primere, je pomembno — izhod ohranja zasidran v tem, kar so kupci povedali, namesto v tem, kar model domneva, da običajno pesti trgovine.

3. Ugovore ločite od ovir. Ugovor je prepričanje (“predrago za to, kar je”, “nisem prepričan, da bo ustrezalo”). Ovira je mehanika (“cena dostave se je pokazala prepozno”, “nisem našel tabele velikosti”). Odpravljata se različno — ugovori z besedilom in dokazi, ovire s spremembami strani in blagajne — zato ju zgodaj ločite.

4. Razvrstite po pogostosti in odpravljivosti. Razlog, ki se pojavi 60-krat, a zahteva prenovo dobavne verige, se lahko uvrsti nižje od razloga, ki se pojavi 40-krat in zahteva prepis enega odstavka. Najprej opravite poceni popravke z visoko pogostostjo.

5. Preverite, preden verjamete. Skupine umetne inteligence obravnavajte kot hipotezo, ne kot razsodbo. Če pravi, da je “čas dostave” vaša glavna ovira, pojdite prebrat deset dejanskih citatov, ki jih je razvrstil tja. Modeli bodo občasno združili dve nepovezani pritožbi ali dali prevelik pomen eni slikoviti. Preberite vir. To je korak, ki ga ljudje preskočijo, in prav ta vas obvaruje, da ne preoblikujete blagajne za rešitev problema, ki so ga omenili trije ljudje.

Kaj okoli tega avtomatizirati

Analiza je občasna, zbiranje pa naj teče samo od sebe. Nastavite:

• Sprožilec: naročilo, označeno kot dostavljeno, ali seja brskanja, ki se za znanega kontakta konča brez nakupa.
• Segment: nedavni kupci za signal zadovoljstva; nedavni nekupci (znan e-naslov, brez naročila v X dneh) za signal ugovorov.
• Časovni okvir: 3–5 dni po dostavi za kupce; nekaj dni po zapuščeni seji za nekupce.
• Kanal in vsebina: kratko e-poštno sporočilo z enim vprašanjem — “Kaj vas je skoraj ustavilo pri naročilu?” — in preprost nabiralnik za odgovore ali anketa z enim klikom.
• Cilj: stalen priliv svežega, strukturiranega besedila, ki ga vsak mesec ali četrtletje znova poženete skozi umetno inteligenco.

Tako diagnoza nikoli ne zastara in novo oviro (menjava kurirja, boljša garancija konkurenta) ujamete, ko je še majhna.

Primer iz trgovine

Vzemimo trgovino, ki prodaja nadomestne dele za espresso kavne aparate. Lastnik domneva, da gre pri zapuščanju košarice za ceno. Modelu podajte šest mesecev klepetov podpore in opomb o vračilih in največja skupina ni cena — je združljivost: “ali bo to ustrezalo aparatu [model]?” Na desetine skoraj enakih vprašanj. Rešitev ni popust. Je izbirnik združljivosti na seznamu izdelka in vrstica v pogostih vprašanjih izdelka z natančnim izrazom kupcev. Nič od tega ne zahteva več prometa. Zahteva le branje tega, kar so kupci vztrajno spraševali. (Ponazoritveni primer — vaša največja skupina bo vaša lastna.)

Kako izmeriti, ali je delovalo

Preden karkoli spremenite, izberite dve ali tri številke, da imate izhodišče:

• Stopnja dodajanja v košarico in zaključka blagajne na straneh, ki ste jih uredili.
• Pogostost ciljnega ugovora v vašem dohodnem besedilu — se ta skupina sčasoma krči?
• Stopnja konverzije za segment, ki je prej omahoval.
• Obseg podpore glede vprašanja, ki ste ga obravnavali — če ste nanj odgovorili na strani, bi moralo tiketov biti manj.

Če se ugovor po popravku pojavlja z enako pogostostjo, ste popravili napačno stvar ali pa ste jo popravili slabo. Nazaj k citatom.

Kje se vključi Omnisend

Diagnoza se lahko zgodi v katerem koli klepetalnem orodju z umetno inteligenco in v preglednici. Kjer si platforma prisluži svoje mesto, je zanka zbiranja in spremljanja — izvajanje ankete po dostavi, označevanje nekupcev in samodejno pošiljanje sporočila “kaj vas je ustavilo?”, namesto da bi se vi spomnili poslati ga. Omnisend v svojih trgovinah uporabljam prav za to vrsto e-pošte, ki jo sproži vedenje, potem ko sem ga preizkusil proti Klaviyu in imel raje njegovo nastavitev in cene. Ne bo vam povedal, zakaj kupci ne kupijo. Bo pa vam samodejno dovajal surove odgovore, tako da bo vaša analiza z umetno inteligenco vedno imela kaj svežega za branje. Omnisend je pridruženi partner Shopimationa, brezplačni paket pa pokrije preizkušanje manjše trgovine.

Vaš naslednji korak

Ta teden izvozite zadnjih 200 ocen in sporočil podpore ter poženite en prehod razvrščanja. Ko poznate svoja dva glavna razloga, se popravek razveji po vrsti: če je ovira zapuščena blagajna, se prebijte skozi kako z umetno inteligenco izboljšati e-pošto za zapuščene košarice; če gre za ugovor iz ocen, ki ga lahko spremenite v dokaz, si oglejte uporabo umetne inteligence za povzemanje ocen kupcev za trženje. Da se odločite, koga posamezen razlog najbolj prizadene, nekupce razvrstite z kako z umetno inteligenco analizirati segmente kupcev v spletni trgovini, da pa vidite, kje na poti posamezen razlog grize, ga preslikajte z uporabo umetne inteligence za gradnjo zemljevidov poti kupca. Če želite najprej širšo diagnostiko, revizija konverzije v spletni trgovini, ki bi jo morala izvesti vsaka trgovina postavi kontekst.