零售電商如何在雙十一節慶檔期中脫穎而出？

3 min read

節慶特賣總是熱鬧卻又一團混亂。在電子商務盛行的時代下，賣場人擠人爭搶商品的現象已成為過去式，取而代之的是在線上用最快速度瀏覽特賣商品、加入購物車並完成結帳。

現在，雙11購物節已進入倒數計時，螢幕後的好買家和賣家都已蓄勢待發，把握節慶前的選購和行銷機會。擁有電商通路的品牌正在完成最後的促銷細節，並發送特賣預告；消費者則將喜愛的商店與商品加入追蹤清單，並將今年必買的商品放入購物車。在雙11節慶開始時，要如何確保買賣雙方都能獲得滿意的結果？換句話說，如何在雙11檔期間與之後11、12月延續的換季特惠檔期中，達到最高的銷售額和顧客滿意度？這篇文章將介紹幾個對品牌來說非常實用的推薦技巧！

我們的答案是「個人化」，利用Appier顧客互動行銷平台AIQUA進行個人化行銷。運用AI驅動的演算法，AIQUA採用的是進階深度學習模型，它能將靜態與動態變因納入綜合考量，藉此打造更加個人化的內容。上述變因包含使用者的興趣、行為序列、規則和統計、圖片、文字及項目屬性，讓每個使用者在進入網站的第一時間就能看見為自己量身打造的網站或應用程式。

今年是雙 11 檔期的第 13 個年頭，儼然已經成為各大品牌發布獨家、創新商品的最佳舞台，而它同時也被稱為是世界上「最令人期待」的購物節。讓消費者期待著享受最新產品、優惠和搶購的體驗，快試試以個人化推薦的形式呈現給他們，把購物過程變得輕鬆！

「個人化」在 2020 年代已成為數位行銷領域的基本配備，讓我們以年輕專業人士 Alice 的購物情境為例，說明 Appier 的方法為何與眾不同，又如何能讓品牌在節慶特賣檔期中脫穎而出。在這次雙 11 檔期中，Alice 希望為自己添購一些「衣服」和「家具」。

採用進階深度學習模型的個人化推薦
2021 年，Alice 平時習慣在線上購物，她在購物時常會收到電商平台的基於以下三種條件的商品推薦：「熱門程度」、「其他用戶的購買清單」或「曾經查看過的商品」。這是最基本且傳統的個人化推薦模式，這項模型是依照用戶的歷史行為和預設規則進行分眾推薦，因此不會將用戶在平台上點選的內容列入考慮。正因為這種個人化推薦無法隨著用戶的行為產生即時的推薦，因此顧客的體驗未能獲得明顯的改善。

然而，在 AIQUA 的協助之下，Alice 最愛的網路商店 Wonderland 可以利用進階深度學習模型，考慮多種變因，包含文字、圖像、社交行為，依照 Alice 近期有積極互動過的內容進行個人化推薦。在這些模型中，AIQUA 透過「自然語言處理」與「圖像辨識」兩項技術，讓個人化推薦更加精準。

例如，Alice 曾經長時間停留在某個「紅色天鵝絨沙發」的頁面，此時「混合深度學習模型」將會選用「柔軟」及「舒適」等作為 Alice 可能偏好的特徵詞彙，針對沙發的材質「紅色」及「天鵝絨」進行偵測，進而為她推薦「類似的沙發」。
對賣家和買家都管用的強打商品 X 個人化推薦
雖然個人化推薦已經成為日常，行銷人員可能仍想在雙 11 或節慶特賣期間針對「特定商品」進行強打促銷。針對這種情境，AIQUA 可以協助業者「凸顯特定商品」，並且只針對有需要這些商品的購物者進行推薦。假設， Wonderland 今年想主打特定型號的紅色天鵝絨沙發、復古茶具組以及暢銷的抱枕，行銷人員便可以將這些品項設為「強打推薦」。而由於平台已得知 Alice 想購買沙發，因此「紅色天鵝絨沙發」將完美地出現在 Alice 的推薦清單中。

另一方面，行銷人員也可以依照Alice在搜尋列輸入的「特定關鍵字」調整推薦商品。如同前面所述，Alice想添購「衣服」和「家具」，所以當她在尋找家具的空檔搜尋了「連身褲」時，個人化推薦系統便會以此為線索，將推薦商品的權重修改為「連身褲」與「其他服飾」。
著眼於跨售互補商品的個人化推薦 雙 11 或節慶特賣常見的現象之一是，消費者在瀏覽了大量的商品後遲遲無法決定到底要買什麼。這種情況在節慶特賣格外明顯，因為商品的數目龐大，如果用戶已買到原先計畫添購的商品，品牌還能為她／他做什麼？此時，Appier 演算法便可著眼於跨售互補商品的個人化推薦。當 Alice 剛在購物車中加入了一件粉紅色連身褲， Wonderland 即可適時推薦可搭配的手提包，增加 Alice 選購的機會。「互補商品推薦」不僅呈現出相關的商品，還將 Alice 曾表現出興趣的「色彩」及「風格」納入考量，綜合排序出最能吸引其目光的商品。

當 Alice 使用的通路越多，平台就越能夠依照她的行為所提供的訊息線索調整呈現的內容。最後，Alice 所瀏覽的 Wonderland 將會是專屬於她的個人化頁面，不僅能賦予她豐富的顧客體驗，也能夠讓她輕鬆找到並添購所需的一切。