استرداد عربات التسوق المتروكة باستخدام الذكاء الاصطناعي التنبؤي: ما وراء رسائل التذكير الأساسية بالبريد الإلكتروني

يبلغ متوسط معدل التخلي عن عربات التسوق في التجارة الإلكترونية حوالي 70%. بالنسبة لمتجر يحقق إيرادات سنوية بقيمة 10 ملايين دولار، يعني ذلك أن منتجات بقيمة 23 مليون دولار تقريباً أُضيفت إلى العربات لكنها لم تُشترَ أبداً. تكتيكات الاسترداد القياسية، وهي سلسلة من ثلاث رسائل تذكير بالبريد الإلكتروني تُرسل بعد ساعة واحدة و24 ساعة و72 ساعة من التخلي، تسترد عادةً 3-5% من تلك العربات. هذا أفضل من لا شيء، لكنه بالكاد يخدش السطح.

كان متجر أثاث منزلي يحقق حوالي 18 مليون دولار في المبيعات عبر الإنترنت يسترد 3.8% من العربات المتروكة باستخدام تسلسل البريد الإلكتروني القياسي. بعد التحول إلى نظام استرداد مدعوم بالذكاء الاصطناعي يُخصّص التوقيت والقناة ومحتوى الرسالة والحافز لكل عميل متخلٍّ، قفز معدل الاسترداد إلى 14.2%. وبحجم مبيعاتهم، تُرجم ذلك إلى ما يقارب 1.4 مليون دولار من الإيرادات السنوية الإضافية المستردة.

لماذا يُقدّم تسلسل البريد الإلكتروني القياسي أداءً ضعيفاً

يُعامل تسلسل رسائل التخلي النموذجي كل عميل متخلٍّ بنفس الطريقة. نفس التوقيت، نفس الرسالة، نفس العرض. لكن التخلي عن عربة التسوق يحدث لأسباب مختلفة تماماً، ونهج الاسترداد الأمثل يعتمد على السبب.

بعض المتخلين لم يكونوا مشترين جادين أبداً. كانوا يتصفحون أو يقارنون الأسعار أو يستخدمون العربة كقائمة أمنيات. من غير المرجح أن يتحول هؤلاء الأشخاص بغض النظر عن جهود الاسترداد، وإرسال رسائل خصم عدوانية لهم يُدرّبهم على التخلي عن العربات كاستراتيجية للحصول على الخصومات.

بعض المتخلين واجهوا نقطة احتكاك محددة: تكاليف شحن غير متوقعة، أو عملية دفع معقدة، أو طريقة دفع مرفوضة، أو الحاجة إلى إنشاء حساب. هؤلاء الأشخاص أرادوا الشراء وأوقفهم عائق عملي. بالنسبة لهم، نهج الاسترداد الصحيح هو معالجة نقطة الاحتكاك، وليس تقديم خصم.

بعض المتخلين تشتت انتباههم. كانوا ينوون الشراء، وقُوطعوا، ونسوا. هؤلاء هم الأسهل في الاسترداد، وتذكير بسيط خلال بضع ساعات يعمل عادةً دون أي حافز على الإطلاق.

بعض المتخلين يقارنون بين المتاجر. لديهم نفس المنتج في عربات عدة متاجر وسيشترون من أيهما يقدم أفضل صفقة أو تجربة أكثر ملاءمة. بالنسبة لهؤلاء، التوقيت مهم للغاية، لأنه إذا استردهم منافس أولاً، فقد خسرتهم.

ما الذي يفعله النموذج التنبؤي بشكل مختلف

يُصنّف نموذج الذكاء الاصطناعي كل عميل متخلٍّ إلى فئة سبب محتملة بناءً على إشارات سلوكه. العميل الذي قضى 45 دقيقة في التصفح وأضاف خمسة منتجات عبر ثلاث فئات وتخلى أثناء الدفع بعد رؤية تكلفة الشحن يبدو مختلفاً تماماً عن العميل الذي وصل إلى صفحة منتج واحدة من إعلان Google Shopping وأضاف المنتج وغادر خلال 90 ثانية.

يستخدم التصنيف ميزات مثل مدة الجلسة وعمقها (عدد الصفحات المعروضة، الوقت على الموقع)، وتكوين العربة (منتج واحد مقابل منتجات متعددة، إجمالي قيمة العربة، فئات المنتجات)، ونقطة التخلي (التصفح، مراجعة العربة، حساب الشحن، إدخال الدفع)، وتاريخ العميل (جديد مقابل عائد، مشتريات سابقة، حالات تخلٍّ سابقة واستجابات)، ومصدر الزيارات (عضوي، بحث مدفوع، وسائل التواصل الاجتماعي، بريد إلكتروني، مباشر).

بناءً على التصنيف، يختار النموذج استراتيجية الاسترداد المثلى عبر أربعة أبعاد. التوقيت هو الأول. بالنسبة للمتسوقين المشتتين، يحقق التذكير خلال 1-2 ساعة أعلى معدل تحويل. بالنسبة للمتسوقين المقارنين، السرعة أكثر أهمية، ورسالة استرداد خلال 30 دقيقة يمكن أن تكون الفرق بين كسب البيع وخسارته. بالنسبة للمتصفحين غير الجادين، الانتظار 24-48 ساعة وإعادة التفاعل بتوصيات المنتجات بدلاً من تذكير بالعربة يؤدي أداءً أفضل.

اختيار القناة هو البعد الثاني. البريد الإلكتروني يعمل بشكل أفضل للعملاء الذين تفاعلوا تاريخياً مع البريد الإلكتروني. الرسائل النصية القصيرة لديها معدلات فتح أعلى لكن معدلات نقر أقل، وتعمل بشكل أفضل للمتخلين ذوي النية العالية الذين يحتاجون فقط إلى دفعة. الإشعارات الفورية (للعملاء الذين لديهم تطبيقك) فعالة للعروض الحساسة للوقت. إعلانات إعادة الاستهداف على وسائل التواصل الاجتماعي أو شبكات العرض تعمل للعملاء الذين لا يزالون في مرحلة البحث ويحتاجون إلى نقاط اتصال متعددة قبل التحويل.

محتوى الرسالة هو البعد الثالث. العميل الذي تخلى بسبب تكاليف الشحن يجب أن يرى رسالة تُبرز خيارات الشحن المجاني أو خصم على الشحن. العميل الذي تخلى عن عربة عالية القيمة قد يستجيب بشكل أفضل لخيار خطة الدفع. العميل العائد الذي يشتري دائماً علامة تجارية محددة يجب أن يرى رسائل تُعزز قيمة العلامة التجارية بدلاً من خصم عام.

مستوى الحافز هو البعد الرابع، وهو الذي يوفر فيه النموذج أكبر قدر من المال. ليس كل متخلٍّ يحتاج إلى خصم. يتنبأ النموذج باحتمالية التحويل عند كل مستوى حافز (بدون خصم، 5%، 10%، 15%، شحن مجاني) ويختار أقل حافز يحقق احتمالية تحويل مستهدفة. إذا كان لدى العميل احتمالية تحويل متوقعة بنسبة 40% بدون حافز، فإن تقديم خصم 15% له هو تدمير صافٍ للهامش. إذا كان لدى عميل آخر احتمالية تحويل متوقعة بنسبة 5% بدون حافز لكن 25% مع خصم 10%، فإن الحافز مبرر بالإيرادات الإضافية.

مشكلة القياس التزايدي

خطأ جوهري في استرداد عربات التسوق المتروكة هو احتساب جميع الإيرادات المستردة كإيرادات تزايدية. إذا كان العميل سيعود ويُكمل عملية الشراء على أي حال، فإن رسالة الاسترداد (خاصة تلك التي تحتوي على خصم) لم تُولّد إيرادات؛ بل تنازلت عن الهامش فقط. تشير الدراسات إلى أن 30-40% من العربات المستردة كانت ستتحول دون أي تدخل.

يعالج نموذج الذكاء الاصطناعي هذا من خلال الحفاظ على مجموعات ضابطة وقياس التزايدية الحقيقية. لكل شريحة عملاء، تتلقى نسبة منهم عدم تواصل استردادي. مقارنة معدل التحويل لمجموعة التواصل مقابل المجموعة الضابطة يعطي الرفع التزايدي الحقيقي. إذا تحولت مجموعة التواصل بنسبة 14% والمجموعة الضابطة بنسبة 9%، فإن معدل الاسترداد التزايدي الحقيقي هو 5%، وليس 14%.

يُفيد قياس التزايدية هذا أيضاً في تحسين الحوافز. إذا تحولت شريحة عملاء بنسبة 12% بدون حافز و15% مع خصم 10%، فإن الخصم يُولّد فقط 3 نقاط مئوية من التحويلات التزايدية. اعتماداً على هيكل الهامش، قد لا تبرر تلك النقاط الثلاث خصم 10% المطبق على جميع 15% من المحوّلين.

خطوات التنفيذ

تتضمن المرحلة الأولى تجهيز موقعك لالتقاط الإشارات السلوكية اللازمة للتصنيف. تحتاج إلى تتبع رحلة الجلسة الكاملة (الصفحات المعروضة، الوقت على كل صفحة، التفاعلات)، ونقطة التخلي الدقيقة في مسار الدفع، ومحتويات العربة عند التخلي. معظم منصات التحليلات (GA4، Segment، Mixpanel) يمكنها التقاط هذه البيانات مع إعداد تتبع الأحداث المناسب.

تبني المرحلة الثانية نموذج التصنيف باستخدام بيانات التخلي التاريخية. تحتاج إلى 6 أشهر على الأقل من أحداث التخلي مع بيانات النتائج (هل تحولوا في النهاية، كم استغرق ذلك، ما الذي أطلق التحويل). نموذج التعزيز التدريجي (XGBoost أو LightGBM) يعمل جيداً لمهمة التصنيف هذه ويمكن تدريبه على حاسوب محمول عادي.

تدمج المرحلة الثالثة النموذج مع منصة أتمتة التسويق الخاصة بك (Klaviyo، Braze، Iterable، أو ما شابه) لتفعيل تسلسلات استرداد مخصصة بناءً على مخرجات النموذج. معظم المنصات تدعم التدفقات المُفعّلة عبر API مع محتوى ديناميكي، وهو ما تحتاجه لتغيير التوقيت والقناة والرسالة والعرض لكل عميل.

بالنسبة لمتاجر التجارة الإلكترونية التي لا تزال تستخدم تسلسل التخلي القياسي المكون من ثلاث رسائل بريد إلكتروني، فإن الترقية إلى الاسترداد التنبؤي هي واحدة من أكثر تطبيقات الذكاء الاصطناعي مباشرة لأن البيانات يتم جمعها بالفعل (تحتاج فقط إلى استخدامها)، والنموذج بسيط نسبياً في البناء، والتأثير قابل للقياس مباشرة في الإيرادات المستردة. الفرق بين استرداد 4% و14% من العربات المتروكة غالباً ما يكون ستة أو سبعة أرقام سنوياً، اعتماداً على حجم مبيعاتك.