Sistem rekomendasi produk membantu pembeli atau staf sales menemukan barang yang relevan dari katalog besar. Untuk distributor B2B, rekomendasi yang berguna harus mempertimbangkan kecocokan teknis, hak beli akun, jumlah minimum, dan ketersediaan. Barang yang sering dibeli pelanggan lain belum tentu boleh ditawarkan kepada pelanggan yang sedang dilayani.
Mulailah dari satu keputusan: apakah sistem akan menyarankan produk pelengkap, barang pengganti, atau pembelian ulang? Ketiganya membutuhkan definisi keberhasilan berbeda. Rekomendasi pelengkap dinilai dari kecocokan dengan barang utama; barang pengganti memerlukan persetujuan teknis; pembelian ulang memerlukan pemahaman siklus kebutuhan pelanggan.
Pilih Metode Sesuai Data yang Dimiliki
IBM menjelaskan mesin rekomendasi sebagai sistem yang menggunakan pola data untuk menyarankan item relevan. Dua pendekatan yang perlu dibedakan adalah rekomendasi berbasis ciri produk dan rekomendasi berbasis interaksi pengguna. Perusahaan dapat menggabungkannya, tetapi sebaiknya membuktikan kegunaan pendekatan sederhana terlebih dahulu.
Gunakan Ciri Produk Saat Riwayat Pembelian Masih Sedikit
Jika transaksi digital masih sedikit, gunakan ciri produk yang dapat diperiksa: tipe mesin, ukuran sambungan, bahan, rentang tegangan, atau sertifikasi yang dibutuhkan. Susun aturan kelayakan terlebih dahulu, lalu urutkan kandidat. Pendekatan berbasis aturan tidak selalu memerlukan AI dan dapat menjadi pembanding yang kuat.
Pola Pembelian untuk Akun yang Sudah Aktif
Riwayat pembelian membantu menemukan barang yang sering dipesan bersama atau pola pengisian ulang. Namun, pembelian bersama bisa berasal dari promosi, penggabungan pesanan cabang, atau stok alternatif saat barang utama kosong. Tim perlu membedakan pola kebetulan dari hubungan produk yang masuk akal.
Metode berbasis kemiripan pelanggan juga menghadapi masalah pelanggan baru dan produk baru. Siapkan jalur cadangan berupa ciri produk, pilihan yang disusun tim produk, atau produk yang paling relevan untuk kategori. Jangan memaksakan personalisasi ketika bukti interaksinya belum cukup.
Pisahkan Kelayakan dari Peringkat
Dalam skenario ilustratif, pelanggan meminta komponen untuk satu tipe pompa. Mesin rekomendasi menemukan lima kandidat. Sebelum kandidat diurutkan, sistem harus menghapus barang yang tidak cocok secara teknis, tidak tersedia untuk cabang tujuan, atau tidak boleh dibeli akun tersebut. Peringkat tinggi tidak boleh mengalahkan batas teknis.
Gunakan data katalog untuk ciri produk, sistem ERP untuk stok yang boleh dijanjikan, dan sistem pengelolaan pelanggan (CRM) untuk konteks akun yang memang berizin. Catat waktu pengambilan data. Bila stok berubah setelah rekomendasi dibuat, konfirmasi ulang sebelum penawaran disahkan. Rekomendasi bukan reservasi barang dan bukan persetujuan harga.
- PIC produk: menetapkan ciri produk wajib, hubungan pelengkap, dan barang pengganti yang perlu pemeriksaan teknis.
- PIC sales: menilai apakah saran membantu percakapan dengan pelanggan dan mencatat alasan penolakan.
- Tim data dan TI: mengelola pencocokan kode produk (SKU), hak akses, pembaruan data, dan pencatatan versi model.
Uji Manfaat Tanpa Terjebak Jumlah Klik
Uji secara historis dengan pemisahan periode data: latih memakai transaksi sebelum tanggal tertentu, lalu nilai pada periode sesudahnya. Hindari memasukkan pembelian masa depan ke fitur pelatihan. Ukur apakah barang relevan muncul dalam beberapa kandidat teratas, tetapi periksa juga proporsi barang tidak layak yang lolos.
Sesudah uji historis, jalankan rekomendasi sebagai saran internal bagi sejumlah staf. Bandingkan dengan daftar berbasis aturan pada kelompok yang sebanding. Catat saran yang dipakai staf, waktu menyiapkan penawaran, margin keuntungan setelah memperhitungkan retur, dan keluhan karena barang tidak cocok. Klik tinggi dapat berasal dari barang yang menarik tetapi tidak cocok dibeli.
Tentukan kriteria penghentian sebelum uji coba. Misalnya, setiap rekomendasi barang pengganti tanpa bukti kecocokan ditahan untuk pemeriksaan teknis. Ambang statistik untuk memperluas uji coba harus disepakati menurut volume transaksi dan risiko produk, bukan diambil dari angka pemasaran vendor.
Tempatkan AI Generatif pada Peran yang Tepat
Model bahasa AI (LLM) bisa membantu menjelaskan alasan rekomendasi dari ciri produk yang sudah diverifikasi. AI tidak boleh mengarang kecocokan atau diskon. Sistem rekomendasi juga tidak otomatis menjadi AI agent: pengurutan saran produk dapat berjalan sebagai layanan prediksi biasa. AI agent baru diperlukan jika model memilih alat atau langkah lanjutan, dengan batas tindakan yang jelas.
Jika kebutuhan awalnya menemukan barang dari foto, baca pencarian visual pada katalog produk. Untuk rekomendasi, siapkan contoh katalog, transaksi yang penggunaannya sudah diizinkan, dan daftar aturan kelayakan. Bahan itu dapat dipakai untuk membahas uji coba rekomendasi B2B dengan Layana.ID melalui layanan AI dan machine learning, dimulai dari satu keputusan penjualan yang bisa diuji.