รายการแนะนำของ Braze: แบบ AI หรือแบบอิงตามกฎ?

เลือกคำแนะนำสินค้าของ Braze โดยพิจารณาจาก 3 คำถาม ได้แก่ คุณมีข้อมูลการโต้ตอบมากน้อยเพียงใด คุณทราบตรรกะที่ต้องการใช้แล้วหรือไม่ และคำแนะนำแต่ละรายการจำเป็นต้องมีความสดใหม่แค่ไหน ระบบ AI Personalized เหมาะสำหรับแคตตาล็อกและกลุ่มเป้าหมายขนาดใหญ่ที่มีความชอบหลากหลาย ส่วนคำแนะนำแบบอิงกฎ (Rules-based) เหมาะสำหรับรูปแบบที่ทราบแน่ชัด เช่น รอบการเติมสินค้า และเป็นตัวเลือกที่ปลอดภัยกว่าเมื่อต้องส่งข้อความหลังจากลูกค้าซื้อสินค้าไปแล้วเพียงไม่กี่ชั่วโมง

ประเด็นสำคัญ

• เลือกคำแนะนำสินค้าในแต่ละตำแหน่งโดยพิจารณาจากปริมาณข้อมูล คุณทราบตรรกะที่ต้องการใช้แล้วหรือไม่ และสินค้าจำเป็นต้องมีความสดใหม่เพียงใด
• Braze แนะนำว่า AI Personalized จะทำงานได้ดีที่สุดกับสินค้าจำนวนหลายร้อยหรือหลายพันรายการ และโดยทั่วไปควรมีผู้ใช้ที่มีข้อมูลการโต้ตอบอย่างน้อย 30,000 ราย
• คำแนะนำแบบอิงกฎใช้ตรรกะคงที่ที่คุณกำหนดขึ้นเอง ซึ่งเหมาะสำหรับรูปแบบที่ทราบแน่ชัด เช่น การแจ้งเตือนให้เติมสินค้า
• ตัวเลือกในการยกเว้นสินค้าที่ผู้ใช้ซื้อไปแล้วจะอัปเดตเป็นรายสัปดาห์ หรือทุก 24 ชั่วโมงหากใช้ Item Recommendations Pro
• หากโมเดลคัดเลือกสินค้าได้น้อยกว่า 30 รายการ Braze จะเพิ่มสินค้าที่ได้รับความนิยมสูงสุดเข้าไปให้
• สินค้าชนิดเดียวกันอาจปรากฏในหลายส่วนของอีเมลฉบับเดียว ดังนั้นควรใช้ Liquid เพื่อลบรายการที่ซ้ำกันออก

คำแนะนำสินค้าของ Braze มีประเภทใดบ้าง?

คำแนะนำทุกรายการจะดึงข้อมูลมาจากแคตตาล็อก และจะแนะนำเฉพาะสินค้าที่อยู่ในแคตตาล็อกนั้นเท่านั้น ภายในระบบนี้ Braze มีทั้งโมเดล AI และแนวทางแบบอิงกฎที่คุณสามารถสร้างขึ้นเองได้

โมเดล AI จะเรียนรู้และปรับเปลี่ยนด้วยตนเอง ส่วนคำแนะนำแบบอิงกฎจะทำงานตามที่คุณกำหนดไว้ทุกประการจนกว่าคุณจะเปลี่ยนแปลง

เมื่อใดที่คุณควรเลือกใช้ AI Personalized?

ควรเลือกใช้เมื่อคุณมีข้อมูลเพียงพอที่จะรองรับการทำงานของระบบ Braze แนะนำว่า AI Personalized จะทำงานได้ดีที่สุดกับสินค้าจำนวนหลายร้อยหรือหลายพันรายการ และโดยทั่วไปควรมีผู้ใช้ที่มีข้อมูลการซื้อหรือการโต้ตอบอย่างน้อย 30,000 ราย ทั้งนี้ถือเป็นเพียงแนวทางคร่าวๆ เท่านั้น

คำแนะนำจะถูกสร้างขึ้นสำหรับผู้ใช้ที่ทำเหตุการณ์ที่คุณกำหนดไว้สำเร็จ ดังนั้นควรเลือกเหตุการณ์ที่แสดงถึงความสนใจในสินค้าได้ดีที่สุด ผู้ใช้ที่ไม่มีประวัติเพียงพอจะได้รับสินค้าที่ได้รับความนิยมสูงสุดแทน เพื่อให้มั่นใจว่าทุกข้อความจะมีเนื้อหาแสดงอยู่เสมอ

มีข้อจำกัดเชิงปฏิบัติสองประการที่ส่งผลต่อการตั้งค่า คือ การเลือกที่ใช้ Liquid ไม่สามารถนำไปใช้ในคำแนะนำของ AI ได้ และการฝึกฝนโมเดลอาจใช้เวลาตั้งแต่ 10 นาทีถึง 36 ชั่วโมง ดังนั้นควรเผื่อเวลาส่วนนี้ไว้ในแผนการเปิดตัวด้วย

เมื่อใดที่คำแนะนำแบบอิงกฎเป็นตัวเลือกที่ดีกว่า?

ใช้กฎเมื่อคุณทราบอยู่แล้วว่าต้องการแนะนำอะไร Braze อธิบายว่าคำแนะนำแบบอิงกฎคือตรรกะคงที่ที่คุณตั้งค่าด้วยตนเอง ซึ่งเหมาะที่สุดสำหรับคำแนะนำที่ไม่จำเป็นต้องอัปเดตบ่อยครั้ง

การแจ้งเตือนให้เติมสินค้าเป็นกรณีที่ชัดเจนที่สุด หากผลิตภัณฑ์มีรอบการใช้งานที่คาดการณ์ได้ เช่น วิตามินที่ต้องทานทุกเดือน กฎที่อิงจากวันที่ซื้อครั้งล่าสุดจะอธิบายและทดสอบได้ง่ายกว่าการใช้โมเดล

กฎยังตรวจสอบได้ง่ายกว่า เมื่อมีผู้มีส่วนได้ส่วนเสียถามว่าเหตุใดใครบางคนถึงได้รับสินค้านั้น คำตอบก็คือตรรกะที่คุณเขียนขึ้น ซึ่งเป็นสิ่งสำคัญในหมวดหมู่ที่มีการควบคุมหรือมีความละเอียดอ่อน

ตัวเลือกเครื่องมือของ Braze มีความแตกต่างกันในเรื่องความสดใหม่ของข้อมูล ในบรรดาตัวเลือกแบบอิงกฎนั้น Connected Content เป็นตัวเลือกเดียวที่ระบุว่าสามารถอัปเดตคำแนะนำได้แบบเรียลไทม์ โดยแลกกับการที่คุณต้องเป็นผู้ดูแลและแก้ไขปัญหาแหล่งข้อมูลด้วยตนเอง

คำแนะนำจาก AI มีความสดใหม่แค่ไหน?

ระบบ AI Personalized สามารถยกเว้นรายการที่ผู้ใช้ซื้อหรือมีปฏิสัมพันธ์ไปแล้วได้ แต่ตัวเลือกนี้จะทำงานได้แม่นยำก็ต่อเมื่อมีการอัปเดตข้อมูลล่าสุดเท่านั้น

หากไม่ได้อัปเกรดเป็นรุ่น Pro ข้อมูลจะอัปเดตเป็นรายสัปดาห์ แต่ถ้าใช้ Item Recommendations Pro ข้อมูลจะอัปเดตทุก 24 ชั่วโมง Braze ยกตัวอย่างว่า หากผู้ใช้ซื้อสินค้าและได้รับอีเมลภายใน 30 นาที สินค้าที่เพิ่งซื้อไปนั้นอาจยังไม่ถูกยกเว้นออกจากรายการแนะนำได้ทันเวลา

สิ่งนี้เป็นตัวกำหนดว่าควรใช้คำแนะนำจาก AI ในสถานการณ์ใด สำหรับการยืนยันคำสั่งซื้อหรือการติดตามผลในวันเดียวกัน ควรใช้กฎเกณฑ์หรือใช้ Liquid เพื่อยกเว้นสินค้าที่ซื้อไปแล้ว แทนที่จะพึ่งพาการยกเว้นของตัวโมเดลเพียงอย่างเดียว

คุณจะเพิ่มคำแนะนำลงในข้อความได้อย่างไร?

Braze จะสร้างโค้ด Liquid ให้คุณโดยอัตโนมัติจากตัวเลือก Add personalization ในเครื่องมือเขียนข้อความ รูปแบบที่ได้จะมีลักษณะดังนี้ โดยชื่อฟิลด์จะขึ้นอยู่กับแคตตาล็อกของคุณ

ควรวางแผนรับมือกับพฤติกรรมสองอย่างนี้: หากโมเดลมีรายการไม่ถึง 30 รายการ Braze จะนำสินค้าที่ได้รับความนิยมสูงสุดมาต่อท้ายรายการที่ปรับแต่งเฉพาะบุคคล และเนื่องจากคำแนะนำแต่ละส่วนทำงานแยกกัน สินค้าชิ้นเดียวกันจึงอาจปรากฏในหลายส่วนของอีเมลฉบับเดียวได้

วิธีแก้ไขปัญหาข้อมูลซ้ำของ Braze คือการใช้ Liquid ติดตาม ID สินค้าที่คุณแสดงไปแล้วและข้ามรายการเหล่านั้นในส่วนถัดไป ควรตั้งค่านี้ไว้ตั้งแต่ต้นหากข้อความของคุณมีบล็อกคำแนะนำมากกว่าหนึ่งบล็อก

คุณควรเลือกใช้แบบไหนสำหรับแต่ละข้อความ?

ลองพิจารณาคำถามเหล่านี้สำหรับแต่ละตำแหน่งที่ต้องการแสดงผล และหยุดที่คำตอบแรกที่ชัดเจนที่สุด

1. ข้อความนั้นส่งตามหลังการซื้อภายในหนึ่งวันหรือไม่? ถ้าใช่ ให้ใช้กฎเกณฑ์หรือใช้ Liquid เพื่อยกเว้นสินค้าที่ซื้อไปแล้ว
2. คุณทราบตรรกะที่ต้องการอยู่แล้วหรือไม่ เช่น รอบการใช้งานสินค้า? ถ้าใช่ ให้ใช้คำแนะนำแบบอิงตามกฎเกณฑ์ (rules-based)
3. กลุ่มเป้าหมายมีขนาดใหญ่และมีประวัติการใช้งานเพียงพอหรือไม่? ถ้าใช่ ให้ใช้ AI Personalized
4. เป้าหมายคือการแสดงสิ่งที่กำลังเป็นกระแสมากกว่ารสนิยมส่วนบุคคลใช่หรือไม่? ถ้าใช่ ให้ใช้ Trending
5. กลุ่มเป้าหมายเป็นผู้ใช้ใหม่หรือมีข้อมูลน้อยใช่หรือไม่? ถ้าใช่ ให้ใช้ Most popular

คุณสามารถผสมผสานประเภทคำแนะนำในข้อความเดียวได้ โดยกำหนดหน้าที่ให้แต่ละส่วนอย่างชัดเจนและอย่าลืมจัดการข้อมูลที่ซ้ำกันระหว่างส่วนต่างๆ

ข้อผิดพลาดใดบ้างที่คุณควรหลีกเลี่ยง?

ระบุข้อผิดพลาดให้ชัดเจนเพื่อให้สังเกตได้ง่าย โมเดลข้อมูลน้อย (thin-data model) คือการที่ AI Personalized ทำงานโดยมีประวัติข้อมูลไม่เพียงพอ ทำให้ผู้ใช้ส่วนใหญ่ได้รับคำแนะนำเป็นสินค้าที่นิยมเหมือนๆ กันหมด

การแนะนำสินค้าที่เพิ่งซื้อไปซ้ำ คือการที่ระบบแนะนำสินค้าที่ลูกค้าเพิ่งซื้อไปเมื่อไม่กี่นาทีก่อน เนื่องจากข้อมูลการยกเว้นยังไม่อัปเดต ส่วนปัญหาข้อมูลซ้ำคือการที่สินค้าชิ้นเดิมปรากฏในหลายส่วนของอีเมลฉบับเดียว

กฎที่ถูกลืมคือการที่ระบบยังคงแนะนำสินค้าตามตรรกะเดิมที่ไม่มีใครกลับมาตรวจสอบหลังจากแคตตาล็อกมีการเปลี่ยนแปลง ดังนั้นควรทบทวนตรรกะแบบอิงตามกฎเกณฑ์ทุกครั้งที่มีการเปลี่ยนแปลงแคตตาล็อก

ส่วนนี้เชื่อมต่อกับส่วนอื่นๆ ของโปรแกรมอย่างไร?

ระบบแนะนำสินค้าเป็นวิธีหนึ่งในการนำเสนอเนื้อหาแบบไดนามิก ซึ่งครอบคลุมอยู่ใน 7 วิธีในการส่งคอนเทนต์แบบไดนามิกโดยเป็นส่วนหนึ่งของแนวทางที่กว้างขึ้นใน การปรับแต่งเนื้อหาแบบเฉพาะบุคคลขั้นสูงใน Braze.

ข้อความหลังการซื้อซึ่งความสดใหม่ของข้อมูลมีความสำคัญที่สุดนั้นครอบคลุมอยู่ใน การทำอีเมลธุรกรรมอัตโนมัติเหตุการณ์การโต้ตอบที่โมเดลใช้ในการเรียนรู้นั้นถูกกำหนดไว้ใน การติดตามเหตุการณ์ของผู้ใช้ใน Brazeและข้อมูลผลิตภัณฑ์มักจะเข้ามาผ่าน การรวมข้อมูล CRM เข้ากับ Braze.

ในฐานะพันธมิตรด้านการติดตั้งใช้งาน Braze ทาง CustomerIK แนะนำให้เลือกตามตำแหน่งที่แสดงผล ไม่ใช่ตามโปรแกรม ให้ใช้โมเดลในกรณีที่ความชอบมีความหลากหลายและมีข้อมูลจำนวนมาก และใช้กฎเกณฑ์ในกรณีที่คุณทราบคำตอบอยู่แล้ว

คำแนะนำหลังจากเพิ่งซื้อสินค้า

สำหรับร้านกาแฟสมมติ ใบเสร็จที่ส่งหลังจากซื้อสินค้าเพียงไม่กี่นาทีไม่ควรพึ่งพาการรีเฟรชโมเดลเพื่อยกเว้นรายการนั้น ให้ใช้กฎความเข้ากันได้ที่ดูแลรักษาไว้หรือการระงับรายการที่ชัดเจนสำหรับตำแหน่งนั้นแทน อีเมลแนะนำสินค้าประจำสัปดาห์อาจเป็นตัวเลือกที่ดีกว่าสำหรับการแนะนำแบบเฉพาะบุคคล

ทดสอบตำแหน่งที่แสดงผลเทียบกับทางเลือกเดิมที่มีอยู่โดยใช้เกณฑ์การคัดเลือกและช่วงเวลาการสังเกตการณ์เดียวกัน บันทึกทั้งการซื้อและการคลิก อย่าทึกทักเอาเองว่าคำแนะนำที่ได้รับคลิกมากที่สุดจะช่วยเพิ่มรายได้เสมอไป และควรกำหนดผู้รับผิดชอบดูแลแคตตาล็อกและกฎเกณฑ์ต่างๆ ให้ชัดเจน

ตัวอย่างการทำงานและกรณีทดสอบเหล่านี้เป็นเพียงคำแนะนำเชิงบรรณาธิการเพื่อประกอบความเข้าใจเท่านั้น ไม่ใช่ผลลัพธ์ที่วัดได้จริงจากลูกค้าหรือเป็นการยืนยันว่ามีการทดสอบการเชื่อมต่อระบบจริงแล้ว

คำถามที่พบบ่อย

1. AI Personalized ต้องการข้อมูลมากแค่ไหน?

Braze แนะนำว่าระบบจะทำงานได้ดีที่สุดกับรายการสินค้าจำนวนหลายร้อยหรือหลายพันรายการ และโดยทั่วไปควรมีผู้ใช้อย่างน้อย 30,000 รายที่มีข้อมูลการซื้อหรือการโต้ตอบ เพื่อเป็นแนวทางคร่าวๆ

2. ทำไมสินค้าที่เป็นที่นิยมถึงปรากฏในคำแนะนำ AI ของฉัน?

หากโมเดลเติมรายการสินค้าได้น้อยกว่า 30 รายการ Braze จะเพิ่มสินค้าที่เป็นที่นิยมที่สุดต่อท้ายรายการที่ปรับแต่งเฉพาะบุคคลให้ นอกจากนี้ ผู้ใช้ที่ไม่มีประวัติการใช้งานเพียงพอก็จะได้รับคำแนะนำเป็นสินค้าที่เป็นที่นิยมที่สุดเช่นกัน

3. คำแนะนำจาก AI สามารถยกเว้นสินค้าที่ผู้ใช้เพิ่งซื้อไปได้หรือไม่?

สามารถทำได้ แต่เฉพาะตามการอัปเดตล่าสุดเท่านั้น คือรายสัปดาห์หากไม่มี Item Recommendations Pro หรือทุกๆ 24 ชั่วโมงหากมีฟีเจอร์ดังกล่าว

4. คำแนะนำจาก AI ใช้เวลาฝึกฝนนานเท่าใด?

ระหว่าง 10 นาทีถึง 36 ชั่วโมง Braze จะส่งอีเมลแจ้งให้คุณทราบเมื่อการฝึกฝนเสร็จสิ้นหรือล้มเหลว

5. ฉันควรใช้คำแนะนำแบบอิงตามกฎเกณฑ์เมื่อใด?

เมื่อตรรกะมีความชัดเจนและคงที่ เช่น การแจ้งเตือนให้ซื้อซ้ำตามรอบการใช้งาน หรือเมื่อข้อความถูกส่งตามหลังการซื้อในระยะเวลาอันสั้น

แหล่งข้อมูล

• Braze,รายการแนะนำ. เข้าถึงเมื่อ 18 ต.ค. 2026
• Braze,สร้างรายการแนะนำด้วย AI. เข้าถึงเมื่อ 18 ต.ค. 2026
• Braze,สร้างรายการแนะนำตามกฎที่กำหนด. เข้าถึงเมื่อ 18 ต.ค. 2026
• Braze,ใช้รายการแนะนำในข้อความของคุณ. เข้าถึงเมื่อ 18 ต.ค. 2026

CustomerIK คือพันธมิตรด้านการติดตั้งใช้งาน Braze ที่เชี่ยวชาญทั้งในด้านการเริ่มต้นใช้งาน การเชื่อมต่อทางเทคนิค การดำเนินงานด้านการตลาด และการจัดการข้อมูลลูกค้า

หากคุณกำลังตัดสินใจว่าจะวางรายการแนะนำไว้ตรงไหนในข้อความของคุณ มาคุยกันเถอะ