Appier用AI助衣芙實現數位轉型三部曲

衣芙運用 AI 商品推薦強化「抗 UV 吸排環保抗菌系列產品」銷售

文、圖／Appier提供

　　以人工智慧（AI）與軟體即服務（SaaS）為核心的沛星互動科技（ Appier ）持續協助企業化解不同類型的商業挑戰，今日宣布與台灣時尚電商品牌衣芙（EF SHOP）導入AI個人化行銷解決方案的亮眼成果。成立超過十年，衣芙持續精進與顧客互動的方式，為進站訪客提供更具互動性的購物體驗。透過與Appier的合作，衣芙在數位轉型的三個階段中，針對不同行銷進程量身打造適合的解決方案，獲得相應的成效提升。

　　第一階段藉由AIQUA的多渠道自動化行銷，優化網站的顧客互動，使訂閱率成長4倍，活躍用戶數達到業界基準的3.6倍；第二階段採用AIQUA基本推薦引擎，在顧客旅程及各接觸點中佈局，展示個人化商品推薦，提升成交機會與速度；第三階段採用AI進階推薦引擎，運用進階混合演算法提供更精準的個人化商品推薦，相較於基本推薦引擎成效提升逾 3 倍 ── 顯示綜合文字與圖像的AI商品推薦模型有助於提高網站的交叉銷售能力，能更精準預測消費者的潛在需求，創造商機並極大化商品價值。

衣芙「抗 UV 吸排環保抗菌系列產品」是採用回收寶特瓶製成的環保衣物

　　衣芙近期主打「抗UV吸排環保抗菌系列產品」，該產品是使用回收寶特瓶製成的環保衣物，具有出色的防曬力與日本抗菌防臭功能，除了能有效阻擋90%紫外線，快速排汗減少異味，還能減少70%~85%的能源損耗與碳排放，為地球永續盡一份心力。衣芙根據新品的特點進行商品推薦，像是針對曾購買排汗衣、速乾、透氣、抗菌材質的用戶推薦該新品；同時比對近期曾購買類似款式的消費者，在購物車或結帳頁面進行加購推薦，增加交叉銷售的機會。

　　時尚電商市場競爭激烈且步調快速，為讓品牌脫穎而出，商品推薦系統已成為許多電商必不可少的工具之一。常見的推薦引擎多半是基於銷量的熱門商品推薦，或是依照商品類別進行相似商品推薦。然而，為因應消費者日新月異的個人化需求，店家必須提供更多元的商品推薦機制，才能即時把握瞬息萬變的銷售契機。

　　全球知名管理顧問公司麥肯錫在其研究報告中指出1 ，目前有35%消費者在亞馬遜網站上購買的商品與75%在Netflix上觀看的內容來自於演算法的推薦。如果能掌握推薦的要領，業者將有更大的勝算贏得消費者的青睞，並且讓平台商品更充分呈現給對的消費者，增加全品項的能見度，讓電商平台的進銷存管理更趨理想。

　　衣芙行銷總監Grace Yang表示：「Appier一直是衣芙值得信任的合作夥伴，AIQUA解決方案改變了我們與顧客互動的方式，以及衣芙提供個人化體驗的程度，從自動化到進階混合演算法推薦，讓我們可以為進站顧客提供更精準的商品推薦，並有效帶動營收的增長。衣芙期待與 Appier繼續保持合作，為顧客提供卓越的購物體驗。」

數位轉型三階段挑戰

綜上所述，衣芙在數位轉型三個階段分別遇到的挑戰為：

第一階段：缺乏有效的多渠道互動方式

如同大多數的電商，衣芙擁有多種可觸及潛在顧客的渠道，卻難以輕鬆管理所有渠道（包括網站、社群媒體及電子郵件）的互動，由於無法兼顧多個行銷渠道，品牌也難以掌握來自所有接觸點的潛在行銷契機。

第二階段：對推薦引擎的需求

隨著營業規模成長、平台銷售品項的增加，衣芙需要更精準的商品促銷方式。有效的商品推薦向來是讓買家不經意發現更多合適商品的方式。因此在這個階段，衣芙需要能夠協助買家更好地探索網站商品的推薦引擎。

第三階段：提供更精準且個人化的推薦

在導入第二階段的基本推薦功能約莫一年後，衣芙網站的營收獲得大幅的成長。為持續滿足買家與其對線上購物多樣化商品和個人化推薦與時俱進的需求，衣芙需要更進階的商品及內容推薦功能。

實現數位轉型三部曲

衣芙期待更緊密地與顧客在線上互動，提供其多元化的商品選擇。 Appier針對衣芙不同行銷進程打造合適的解決方案，循序漸進式地為衣芙實現數位轉型三部曲，以下為具體實踐的作法：

第一部曲：多渠道行銷自動化

衣芙利用AIQUA在網站、LINE及電子郵件等不同的行銷渠道自動向顧客推播訊息。在第一階段，衣芙優化了網站的顧客互動，使訂閱率成長4倍，活躍用戶數達到業界基準的 3.6 倍。衣芙每月運用AIQUA傳送100萬至200萬封電子郵件，有效與活躍度較低的顧客建立互動，吸引其再次進站購物。

第二部曲：基本推薦引擎

衣芙開始採用AIQUA其中一種推薦引擎，可向顧客推薦「瀏覽過此商品的人也瀏覽了那些商品」（viewed also viewed）。藉由此單一推薦情境（顯示查看此商品的購物者也瀏覽了哪些其他類型的商品）展示個人化商品推薦，提升成交機會與速度。此功能在商品及購物車頁面中特別重要，因為買家極有可能在這些頁面考慮還有哪些要額外購買的商品。

第三部曲：AI進階推薦引擎

衣芙進一步採用另外五種推薦情境，並且成功運用Appier進階混合演算法為顧客提供個人化的商品推薦。有別於前一階段，新的推薦引擎以兩種進階機器學習模型優化購物體驗：一是利用深度學習分析每項瀏覽過商品的文字及圖像，預測用戶可能感興趣的商品；二是利用機器學習分析並預測用戶行為，推薦其可能瀏覽或購買的商品。