प्रेडिक्टिव AI का उपयोग करके कार्ट एबंडनमेंट रिकवरी: बेसिक ईमेल रिमाइंडर से आगे

औसत ईकॉमर्स कार्ट एबंडनमेंट दर लगभग 70% है। $10 मिलियन वार्षिक राजस्व करने वाले रिटेलर के लिए, इसका मतलब है कि लगभग $23 मिलियन मूल्य के उत्पाद कार्ट में जोड़े गए लेकिन कभी खरीदे नहीं गए। मानक रिकवरी रणनीतियाँ — एबंडनमेंट के 1 घंटे, 24 घंटे और 72 घंटे बाद भेजे जाने वाले तीन रिमाइंडर ईमेल की श्रृंखला — आमतौर पर उन कार्ट्स का 3-5% रिकवर करती हैं। यह कुछ न होने से बेहतर है, लेकिन यह मुश्किल से सतह को छूता है।

लगभग $18 मिलियन की ऑनलाइन बिक्री करने वाला एक होम फर्निशिंग रिटेलर अपने मानक ईमेल सीक्वेंस से एबंडन्ड कार्ट्स का 3.8% रिकवर कर रहा था। AI-संचालित रिकवरी सिस्टम पर स्विच करने के बाद, जो प्रत्येक एबंडनर के लिए टाइमिंग, चैनल, मैसेज कंटेंट और इंसेंटिव को पर्सनलाइज़ करता था, उनकी रिकवरी दर बढ़कर 14.2% हो गई। उनके वॉल्यूम पर, इसका मतलब लगभग $1.4 मिलियन अतिरिक्त वार्षिक रिकवर्ड राजस्व था।

मानक ईमेल सीक्वेंस क्यों कम प्रदर्शन करता है

सामान्य एबंडनमेंट ईमेल सीक्वेंस हर एबंडनर के साथ एक ही तरह से व्यवहार करता है। एक ही टाइमिंग, एक ही मैसेज, एक ही ऑफर। लेकिन कार्ट एबंडनमेंट बहुत अलग-अलग कारणों से होता है, और इष्टतम रिकवरी दृष्टिकोण कारण पर निर्भर करता है।

कुछ एबंडनर कभी गंभीर खरीदार नहीं थे। वे ब्राउज़ कर रहे थे, कीमतों की तुलना कर रहे थे, या कार्ट को विशलिस्ट के रूप में उपयोग कर रहे थे। ये लोग आपके रिकवरी प्रयासों की परवाह किए बिना कन्वर्ट होने की संभावना नहीं रखते, और उन्हें आक्रामक डिस्काउंट ईमेल भेजना उन्हें डिस्काउंट पाने की रणनीति के रूप में कार्ट एबंडन करना सिखाता है।

कुछ एबंडनर एक विशिष्ट फ्रिक्शन पॉइंट पर अटक गए: अप्रत्याशित शिपिंग लागत, जटिल चेकआउट प्रक्रिया, अस्वीकृत भुगतान विधि, या अकाउंट बनाने की आवश्यकता। ये लोग खरीदना चाहते थे और एक व्यावहारिक बाधा से रुक गए। इनके लिए, सही रिकवरी दृष्टिकोण फ्रिक्शन पॉइंट को संबोधित करना है, न कि डिस्काउंट देना।

कुछ एबंडनर विचलित हो गए थे। उनका इरादा खरीदने का था, बीच में रुकावट आई, और वे भूल गए। ये रिकवर करने में सबसे आसान हैं, और कुछ घंटों के भीतर एक साधारण रिमाइंडर आमतौर पर बिना किसी इंसेंटिव के काम करता है।

कुछ एबंडनर तुलनात्मक खरीदारी कर रहे हैं। उनके पास कई रिटेलर्स पर एक ही आइटम कार्ट में है और वे उससे खरीदेंगे जो सबसे अच्छा सौदा या सबसे सुविधाजनक अनुभव प्रदान करे। इनके लिए, टाइमिंग बेहद महत्वपूर्ण है, क्योंकि अगर कोई प्रतियोगी पहले उन्हें रिकवर कर लेता है, तो वे चले जाते हैं।

प्रेडिक्टिव मॉडल अलग क्या करता है

AI मॉडल प्रत्येक एबंडनर को उनके व्यवहार संकेतों के आधार पर एक संभावित कारण श्रेणी में वर्गीकृत करता है। एक ग्राहक जिसने 45 मिनट ब्राउज़ करने में बिताए, तीन श्रेणियों में पाँच आइटम जोड़े, और शिपिंग लागत देखने के बाद चेकआउट के दौरान एबंडन किया — वह उस ग्राहक से बहुत अलग दिखता है जो Google Shopping विज्ञापन से एक ही प्रोडक्ट पेज पर आया, आइटम जोड़ा, और 90 सेकंड के भीतर चला गया।

वर्गीकरण सेशन अवधि और गहराई (देखे गए पेजों की संख्या, साइट पर समय), कार्ट संरचना (एकल आइटम बनाम कई आइटम, कुल कार्ट मूल्य, उत्पाद श्रेणियाँ), एबंडनमेंट का बिंदु (ब्राउज़िंग, कार्ट रिव्यू, शिपिंग कैलकुलेशन, पेमेंट एंट्री), ग्राहक इतिहास (नया बनाम लौटने वाला, पिछली खरीदारी, पिछले एबंडनमेंट और प्रतिक्रियाएँ), और ट्रैफ़िक स्रोत (ऑर्गेनिक, पेड सर्च, सोशल मीडिया, ईमेल, डायरेक्ट) जैसी विशेषताओं का उपयोग करता है।

वर्गीकरण के आधार पर, मॉडल चार आयामों में इष्टतम रिकवरी रणनीति का चयन करता है। टाइमिंग पहला है। विचलित खरीदारों के लिए, 1-2 घंटे के भीतर रिमाइंडर की सबसे अधिक कन्वर्शन दर होती है। तुलनात्मक खरीदारों के लिए, गति और भी अधिक महत्वपूर्ण है, और 30 मिनट के भीतर रिकवरी मैसेज बिक्री जीतने और खोने के बीच का अंतर हो सकता है। ब्राउज़र जो गंभीर नहीं थे, उनके लिए 24-48 घंटे प्रतीक्षा करना और कार्ट रिमाइंडर के बजाय प्रोडक्ट रिकमेंडेशन के साथ री-एंगेज करना बेहतर प्रदर्शन करता है।

चैनल चयन दूसरा आयाम है। ईमेल उन ग्राहकों के लिए सबसे अच्छा काम करता है जिन्होंने ऐतिहासिक रूप से ईमेल के साथ एंगेज किया है। SMS की ओपन रेट अधिक होती है लेकिन क्लिक-थ्रू रेट कम होती है, और यह उच्च-इंटेंट एबंडनर्स के लिए सबसे अच्छा काम करता है जिन्हें बस एक नज की जरूरत है। पुश नोटिफिकेशन (आपका ऐप रखने वाले ग्राहकों के लिए) समय-संवेदनशील ऑफर के लिए प्रभावी हैं। सोशल मीडिया या डिस्प्ले नेटवर्क पर रीटार्गेटिंग विज्ञापन उन ग्राहकों के लिए काम करते हैं जो अभी भी रिसर्च मोड में हैं और कन्वर्ट होने से पहले कई टचपॉइंट्स की जरूरत है।

मैसेज कंटेंट तीसरा आयाम है। एक ग्राहक जिसने शिपिंग लागत के कारण एबंडन किया, उसे फ्री शिपिंग विकल्प या शिपिंग डिस्काउंट हाइलाइट करने वाला मैसेज दिखना चाहिए। एक ग्राहक जिसने उच्च-मूल्य कार्ट एबंडन किया, वह पेमेंट प्लान विकल्प पर बेहतर प्रतिक्रिया दे सकता है। एक लौटने वाला ग्राहक जो हमेशा एक विशिष्ट ब्रांड खरीदता है, उसे जेनेरिक डिस्काउंट के बजाय ब्रांड वैल्यू को मजबूत करने वाली मैसेजिंग दिखनी चाहिए।

इंसेंटिव स्तर चौथा आयाम है, और वह जहाँ मॉडल सबसे अधिक पैसा बचाता है। हर एबंडनर को डिस्काउंट की जरूरत नहीं है। मॉडल प्रत्येक इंसेंटिव स्तर (कोई डिस्काउंट नहीं, 5%, 10%, 15%, फ्री शिपिंग) पर कन्वर्शन की संभावना की भविष्यवाणी करता है और लक्ष्य कन्वर्शन संभावना प्राप्त करने वाला सबसे कम इंसेंटिव चुनता है। यदि किसी ग्राहक की बिना इंसेंटिव के 40% अनुमानित कन्वर्शन संभावना है, तो उन्हें 15% की छूट देना शुद्ध मार्जिन विनाश है। यदि किसी अन्य ग्राहक की बिना इंसेंटिव के 5% अनुमानित कन्वर्शन संभावना है लेकिन 10% डिस्काउंट के साथ 25% है, तो इंसेंटिव इंक्रीमेंटल राजस्व द्वारा उचित है।

इंक्रीमेंटैलिटी की समस्या

कार्ट एबंडनमेंट रिकवरी में एक गंभीर गलती सभी रिकवर्ड राजस्व को इंक्रीमेंटल मानना है। यदि कोई ग्राहक वैसे भी वापस आकर अपनी खरीदारी पूरी करने वाला था, तो रिकवरी ईमेल (विशेष रूप से डिस्काउंट वाला) ने राजस्व उत्पन्न नहीं किया; इसने बस मार्जिन दे दिया। अध्ययन बताते हैं कि 30-40% रिकवर्ड कार्ट बिना किसी हस्तक्षेप के कन्वर्ट हो जाते।

AI मॉडल होल्डआउट ग्रुप बनाए रखकर और वास्तविक इंक्रीमेंटैलिटी मापकर इसे संबोधित करता है। प्रत्येक ग्राहक सेगमेंट के लिए, एक प्रतिशत को कोई रिकवरी आउटरीच नहीं मिलता। आउटरीच ग्रुप बनाम होल्डआउट ग्रुप की कन्वर्शन दर की तुलना करने से वास्तविक इंक्रीमेंटल लिफ्ट मिलती है। यदि आउटरीच ग्रुप 14% पर कन्वर्ट होता है और होल्डआउट 9% पर कन्वर्ट होता है, तो वास्तविक इंक्रीमेंटल रिकवरी दर 5% है, 14% नहीं।

यह इंक्रीमेंटैलिटी मापन इंसेंटिव ऑप्टिमाइज़ेशन को भी सूचित करता है। यदि कोई ग्राहक सेगमेंट बिना इंसेंटिव के 12% और 10% डिस्काउंट के साथ 15% पर कन्वर्ट होता है, तो डिस्काउंट केवल 3 प्रतिशत अंक इंक्रीमेंटल कन्वर्शन उत्पन्न कर रहा है। मार्जिन संरचना के आधार पर, वे 3 अंक सभी 15% कन्वर्टर्स पर लागू 10% डिस्काउंट को उचित नहीं ठहरा सकते।

कार्यान्वयन चरण

पहले चरण में वर्गीकरण के लिए आवश्यक व्यवहार संकेतों को कैप्चर करने के लिए अपनी साइट को इंस्ट्रूमेंट करना शामिल है। आपको पूरी सेशन यात्रा (देखे गए पेज, प्रत्येक पर समय, इंटरैक्शन), चेकआउट फ्लो में एबंडनमेंट का सटीक बिंदु, और एबंडनमेंट के समय कार्ट कंटेंट को ट्रैक करना होगा। अधिकांश एनालिटिक्स प्लेटफ़ॉर्म (GA4, Segment, Mixpanel) उचित इवेंट ट्रैकिंग सेटअप के साथ इस डेटा को कैप्चर कर सकते हैं।

दूसरा चरण ऐतिहासिक एबंडनमेंट डेटा का उपयोग करके वर्गीकरण मॉडल बनाता है। आपको आउटकम डेटा के साथ कम से कम 6 महीने के एबंडनमेंट इवेंट्स की आवश्यकता है (क्या उन्होंने अंततः कन्वर्ट किया, कितना समय लगा, किसने कन्वर्शन ट्रिगर किया)। एक ग्रेडिएंट बूस्टिंग मॉडल (XGBoost या LightGBM) इस वर्गीकरण कार्य के लिए अच्छा काम करता है और इसे एक मानक लैपटॉप पर प्रशिक्षित किया जा सकता है।

तीसरा चरण मॉडल को आपके मार्केटिंग ऑटोमेशन प्लेटफ़ॉर्म (Klaviyo, Braze, Iterable, या समान) के साथ इंटीग्रेट करता है ताकि मॉडल आउटपुट के आधार पर पर्सनलाइज़्ड रिकवरी सीक्वेंस ट्रिगर हो सकें। अधिकांश प्लेटफ़ॉर्म डायनामिक कंटेंट के साथ API-ट्रिगर्ड फ्लो का समर्थन करते हैं, जो कि प्रति ग्राहक टाइमिंग, चैनल, मैसेज और ऑफर को बदलने के लिए आपको चाहिए।

अभी भी मानक तीन-ईमेल एबंडनमेंट सीक्वेंस चलाने वाले ईकॉमर्स रिटेलर्स के लिए, प्रेडिक्टिव रिकवरी में अपग्रेड सबसे सीधे AI कार्यान्वयनों में से एक है क्योंकि डेटा पहले से ही एकत्र किया जा रहा है (आपको बस इसका उपयोग करना है), मॉडल बनाना अपेक्षाकृत सरल है, और प्रभाव सीधे रिकवर्ड राजस्व में मापने योग्य है। एबंडन्ड कार्ट्स का 4% और 14% रिकवर करने के बीच का अंतर अक्सर आपके बिक्री वॉल्यूम के आधार पर सालाना छह या सात अंकों का होता है।