Powinowactwo produktów

Definicja powinowactwa produktów

Powinowactwo produktów opisuje mierzalną zależność między produktami na podstawie tego, jak klienci faktycznie je kupują — które pozycje pojawiają się w tym samym zamówieniu, który produkt klient kupuje następnym razem po pierwszym zakupie oraz które produkty są preferowane przez te same segmenty klientów. W przeciwieństwie do decyzji merchandisingowych opartych na intuicji („te produkty wyglądają, jakby pasowały do siebie"), powinowactwo produktów wywodzi się z rzeczywistych danych transakcyjnych, co często ujawnia zestawienia, których merchandiser by się nie domyślił — etui na telefon i szkło ochronne mogą być oczywistym zestawieniem, ale dane o powinowactwie mogą pokazać, że zaskakująca część kupujących etui na telefon nabywa również konkretną markę kawy trzy tygodnie później. Powinowactwo produktów stanowi podstawę większości rekomendacji cross-sell, widgetów „często kupowane razem", projektowania pakietów i sekwencji e-maili po zakupie w nowoczesnym e-commerce.

Jak oblicza się powinowactwo produktów

Powinowactwo produktów mierzy się zazwyczaj za pomocą trzech powiązanych statystyk zaczerpniętych z analizy koszyka zakupowego:

• Wsparcie (support) — jak często dwa produkty pojawiają się razem, jako procent wszystkich zamówień.
• Ufność (confidence) — jeśli klient kupił produkt A, prawdopodobieństwo, że kupił również produkt B.
• Podniesienie (lift) — o ile bardziej prawdopodobny jest wspólny zakup niż można by oczekiwać, gdyby oba produkty były kupowane niezależnie. Wynik podniesienia równy 1 oznacza brak zależności; wszystko znacząco powyżej 1 wskazuje na rzeczywiste powinowactwo.

Przykład obliczeń: sklep realizuje 10 000 zamówień w kwartale. Produkt A (mata do jogi) pojawia się w 800 z nich. Produkt B (pasek do maty) pojawia się w 300 zamówieniach ogółem, a 150 z tych zamówień zawiera również matę do jogi.

• Wsparcie dla pary A+B = 150 / 10 000 = 1,5%
• Ufność (A → B) = 150 / 800 = 18,75%
• Oczekiwany wskaźnik wspólnych zakupów przy niezależności = (800/10 000) × (300/10 000) = 0,24%
• Podniesienie = 18,75% ÷ (300/10 000 × 100) = około 6,25×

Podniesienie wynoszące 6,25 to silny sygnał: klienci, którzy kupują matę do jogi, są ponad sześć razy bardziej skłonni do zakupu również paska, co czyni go oczywistym kandydatem do cross-sellu na stronie maty oraz w e-mailach po zakupie.

Ready to Monitor Your AI Visibility?

Track how AI chatbots mention your brand across ChatGPT, Perplexity, and other platforms.

Rozpocznij Kontakt

Dlaczego powinowactwo produktów ma znaczenie dla marek e-commerce

Powinowactwo produktów zmienia cross-selling z gry w zgadywanie w strategię opartą na danych. Zamiast ręcznie decydować, które produkty wyświetlać w sekcjach „może Ci się spodobać", sprzedawca może pozwolić, by rzeczywiste wzorce zakupowe kierowały tymi rekomendacjami — co zazwyczaj przynosi wyższe wskaźniki attach rate niż merchandising oparty na intuicji, ponieważ zestawienia odzwierciedlają rzeczywiste zachowania klientów, a nie domniemaną logikę.

Dane o powinowactwie usprawniają również projektowanie pakietów. Pakiet złożony z dwóch produktów o wysokim powinowactwie (jak mata do jogi i pasek powyżej) konwertuje inaczej niż pakiet złożony z dwóch produktów, które jedynie dzielą tę samą kategorię, ale rzadko występują razem w rzeczywistych zamówieniach. A ponieważ powinowactwo można łączyć z danymi o wartości klientów, sprzedawcy mogą priorytetyzować promowanie zestawień pochodzących od ich najbardziej wartościowych segmentów klientów, zamiast traktować każdą parę o wysokim podniesieniu jednakowo.

Powinowactwo produktów a pokrewne koncepcje

Stay Updated on AI Visibility Trends

Get the latest insights on AI mentions, brand monitoring, and optimization strategies.

Email address

Subscribe

Powinowactwo produktów a handel oparty na AI

Ponieważ asystenci zakupowi AI, tacy jak ChatGPT Shopping i Perplexity Shopping, coraz częściej odpowiadają na pytania typu „co pasuje do X" lub generują wieloproduktowe listy zakupów w imieniu klienta, posiadanie czystych, dobrze uporządkowanych danych o powinowactwie staje się coraz cenniejsze — jest to w zasadzie ten sam sygnał, który te asystenty próbują wywnioskować z opisów produktów i recenzji, z tą różnicą, że sprzedawca ma go już z własnej historii zamówień pierwszej ręki. Dostarczanie dokładnych danych „często kupowane razem" i informacji o pakietach do feedów produktowych daje narzędziom AI silniejszą podstawę do rekomendowania produktów uzupełniających z własnego katalogu, zamiast sugerowania produktów konkurencji.

Narzędzie eshop_get_product_affinity od AmICited jest zbudowane specjalnie wokół tej koncepcji — dla dowolnego produktu pokazuje wartość życiową klientów, którzy go kupują, oraz konkretne produkty, które zwykle kupują wraz z nim lub po nim, dając sprzedawcom bezpośrednią, opartą na danych odpowiedź na pytanie „co powinniśmy tutaj cross-sellować" bez konieczności budowania własnej analizy koszyka.

Najlepsze praktyki wykorzystania powinowactwa produktów

• Używaj podniesienia (lift), a nie tylko liczby współwystąpień, do oceny siły powinowactwa — zestawienie występujące często tylko dlatego, że oba produkty są bestsellerami, niekoniecznie oznacza rzeczywiste powinowactwo.
• Regularnie odświeżaj obliczenia powinowactwa, ponieważ nowe premiery produktów, zmiany sezonowe i wycofane produkty zmieniają podstawowe wzorce zakupowe.
• Łącz powinowactwo z danymi o wartości klientów, aby działania cross-sell priorytetyzowały zestawienia pochodzące z segmentów o wyższej wartości.
• Testuj rekomendacje oparte na powinowactwie wobec dotychczasowej logiki „często kupowane razem" przed całkowitym jej zastąpieniem — czasami heurystyka kategoryczna wciąż działa lepiej niż cienka próbka danych dla nowych produktów.
• Stosuj wnioski z powinowactwa poza stroną produktu: sekwencje e-maili po zakupie i projektowanie pakietów korzystają z nich równie mocno jak widgety rekomendacyjne na stronie.

Typowe błędy w powinowactwie produktów

My lenie podobieństwa kategorycznego z rzeczywistym powinowactwem. Dwa produkty w tej samej kategorii niekoniecznie sprzedają się razem — wręcz przeciwnie, konkurujące ze sobą produkty w ramach jednej kategorii często wykazują ujemne powinowactwo, ponieważ klient kupuje jeden lub drugi, a nie oba. Powinowactwo należy mierzyć na podstawie rzeczywistych danych o wspólnych zakupach, a nie zakładać na podstawie struktury katalogu.

Poleganie na zbyt małej historii zamówień. Nowo wprowadzony produkt z zaledwie kilkoma zamówieniami może wykazywać myląco silne lub słabe powinowactwo wyłącznie z powodu szumu małej próbki. Powinowactwo na poziomie kategorii jest bardziej wiarygodną alternatywą, dopóki nie zgromadzi się wystarczająco danych na poziomie SKU.

Ignorowanie podniesienia na rzecz surowych liczb współwystąpień. Dwa bestsellery będą pojawiać się razem często po prostu dlatego, że oba są często kupowane, a nie dlatego, że istnieje między nimi znacząca zależność. Podniesienie koryguje to, porównując z oczekiwanym współwystąpieniem, gdyby produkty były kupowane niezależnie.

Nigdy nieaktualizowanie modeli powinowactwa po zmianach w katalogu. Wycofane produkty, nowe warianty i sezonowe pozycje zmieniają krajobraz powinowactwa, a nieaktualny model będzie nadal rekomendował zestawienia, które nie mają już sensu, lub pomijał nowe, które się pojawiły.

Stosowanie powinowactwa jednolicie we wszystkich segmentach klientów. Zestawienie silne wśród kupujących po raz pierwszy może nie utrzymywać się w przypadku stałych klientów o wysokiej wartości, którzy często mają inne wzorce zakupowe. Powinowactwo uwzględniające segmenty klientów daje bardziej trafne rekomendacje niż pojedynczy scalony model.