Setiap pemilik toko online pasti pernah melihat baris "mungkin Anda juga suka" di Tokopedia atau Shopee, dan bertanya-tanya seberapa besar sebenarnya kontribusinya terhadap penjualan. Jawabannya, berdasarkan yang selama ini dipublikasikan pemain e-commerce besar, adalah sangat besar. Amazon sudah lama menyebut rekomendasi produk sebagai penyumbang signifikan pendapatannya, dan setiap marketplace sesudahnya meniru pola ini bukan tanpa alasan.

Ini yang paling sering salah dipahami pemilik UKM: mereka mengira recommendation engine butuh machine learning, tim data science, dan budget yang tidak mereka punya. Jadi mereka melewatkannya sama sekali, dan setiap halaman produk di toko mereka berubah jadi jalan buntu. Pelanggan lihat produk, beli atau pergi, transaksi selesai.

Kenyataannya, recommendation engine itu sebuah spektrum, dan ujung yang paling murah dari spektrum itu justru menangkap sebagian besar nilainya. Mari saya bedah cara kerja logikanya, dan tunjukkan dari mana toko seukuran Anda sebaiknya mulai.

Apa yang Sebenarnya Dilakukan Recommendation Engine

Lepaskan semua istilah teknisnya, dan recommendation engine sebenarnya hanya menjawab satu pertanyaan: dari apa yang sedang dilihat atau pernah dibeli pelanggan ini, apa hal berikutnya yang paling mungkin mereka inginkan?

Hanya ada beberapa cara mendasar untuk menjawabnya:

  • Aturan hasil kurasi manual. Manusia yang memutuskan: siapa pun yang melihat rice cooker ini sebaiknya juga melihat gelas takar, panci dalam cadangan, dan keranjang kukus. Tanpa hitungan matematis, murni pengetahuan merchandising.
  • Statistik co-purchase. Lihat riwayat pesanan Anda. Produk apa yang muncul bersamaan dalam satu keranjang lebih sering dari yang wajar? Case HP dengan pelindung layar. Cat dengan kuas dan thinner. Ini yang disebut "sering dibeli bersamaan," dan intinya hanya menghitung.
  • Collaborative filtering. Langkah yang membuat Amazon terkenal: pelanggan yang membeli barang yang Anda beli juga membeli X, bahkan ketika kedua barang itu tidak punya hubungan yang jelas. Sistem ini menemukan pola di antara ribuan pelanggan yang tidak akan terlihat oleh merchandiser mana pun, seperti grinder kopi tertentu yang berkorelasi dengan merek timbangan dapur tertentu.
  • Content-based matching. Merekomendasikan produk dengan atribut serupa: kategori sama, merek sama, kisaran harga berdekatan. Baris "produk serupa" biasanya memakai pendekatan ini.

Perhatikan, hanya cara ketiga yang benar-benar bisa disebut "machine learning" dalam arti sesungguhnya. Dua cara pertama bisa dikerjakan dengan spreadsheet dan data pesanan yang sudah Anda miliki.

Mengapa Ini Berhasil: Hitungan Matematika Keranjang Belanja

Logika bisnisnya sederhana. Misalkan toko Anda memproses 1.000 pesanan sebulan dengan rata-rata nilai keranjang Rp250.000. Anda tidak butuh hasil yang dramatis dari cross-selling. Jika rekomendasi mendorong hanya 6 persen pesanan untuk menambah satu produk seharga Rp75.000, itu artinya tambahan Rp4,5 juta sebulan, kurang lebih Rp54 juta setahun, dari pelanggan yang biaya akuisisinya sudah Anda keluarkan.

Poin terakhir ini yang perlu direnungkan. Setiap rupiah tambahan dari nilai keranjang datang tanpa biaya marketing tambahan sama sekali. Anda sudah memenangkan pertarungan yang sulit, yaitu membawa pelanggan ke toko Anda dengan niat membeli. Rekomendasi hanya menghentikan Anda meninggalkan uang di atas meja, tepat di momen dompet sudah terbuka.

Ada manfaat kedua yang kurang terlihat: rekomendasi menyelamatkan jalan buntu. Halaman produk untuk barang yang habis stok atau kurang cocok biasanya membuat pengunjung pergi. Baris "produk serupa" yang baik mengubah calon bounce menjadi telusur lanjutan.

Mulai Manual: 80 Persen yang Bisa Anda Bangun Bulan Ini

Ini saran jujur saya untuk toko dengan pesanan di bawah beberapa ribu per bulan: jangan dulu sentuh machine learning. Mulai dengan aturan pairing hasil kurasi, karena Anda akan menangkap sebagian besar peningkatannya dengan biaya jauh lebih kecil, sekaligus belajar apa yang sebenarnya direspons pelanggan Anda.

Langkah-langkahnya:

  1. Tarik data pesanan 6 hingga 12 bulan terakhir dan temukan 20 produk teratas berdasarkan revenue. Halaman-halaman ini yang mendapat traffic, jadi mereka dapat rekomendasi lebih dulu.
  2. Untuk setiap produk, buat dua daftar. Komplemen: barang yang biasa dipakai bersamaan (untuk cross-sell). Alternatif: barang yang dibeli sebagai pengganti, dengan harga serupa atau sedikit lebih tinggi (untuk upsell sekaligus penyelamat jalan buntu).
  3. Gali data keranjang Anda sendiri untuk menemukan kejutan. Bahkan pivot table sederhana atas data pesanan akan menunjukkan pasangan produk yang muncul bersamaan lebih sering dari kebetulan. Beberapa akan mengejutkan Anda, dan justru itu rekomendasi terbaik karena pelanggan harus berusaha sendiri menemukan barang keduanya.
  4. Tempatkan di titik keputusan diambil. Halaman produk untuk komplemen dan alternatif, halaman keranjang untuk add-on kecil di bawah sekitar 20 persen dari nilai keranjang. Halaman keranjang adalah lokasi premium: keputusan membeli sudah dibuat, jadi add-on seharga Rp30.000 nyaris tidak menghadapi resistensi.
  5. Ukur satu angka: rata-rata item per pesanan, sebelum dan sesudah. Jika tidak bergerak dalam dua bulan, yang salah adalah pasangan produknya, bukan konsepnya.

Sebagian besar platform toko sudah mendukung ini. Shopify punya opsi related-product manual dan aplikasi murah untuknya, WooCommerce punya fitur linked products bawaan, dan jika Anda menjalankan storefront custom, ini fitur kecil bagi developer Anda, hitungan hari, bukan bulan.

Sebuah cerita nyata: sebuah toko peralatan rumah tangga yang saya bantu menambahkan komplemen hasil kurasi tangan hanya pada 15 halaman produk teratasnya. Item per pesanan naik dari 1,3 menjadi 1,5 dalam sekitar sepuluh minggu. Tanpa algoritma, hanya pengetahuan merchandiser yang akhirnya ditampilkan ke pelanggan di momen yang tepat.

Kapan Naik Kelas ke Versi Otomatis

Aturan manual punya batas. Ia hanya mencakup produk teratas Anda, jadi usang seiring katalog berubah, dan hanya mengkodekan apa yang sudah Anda ketahui. Anda siap untuk rekomendasi otomatis ketika:

  • Katalog Anda terlalu besar untuk dikurasi, kira-kira 500 SKU aktif ke atas.
  • Anda punya volume data yang memadai, ribuan pesanan, karena collaborative filtering adalah statistik dan tidak berjalan baik dengan sampel kecil.
  • Versi manual sudah membuktikan peningkatannya, jadi Anda tahu kasus ROI untuk melangkah lebih jauh.

Pada titik ini Anda jarang perlu membangun dari nol. Rekomendasi adalah masalah yang sudah matang: ekosistem aplikasi platform Anda, atau layanan custom sederhana yang dibangun di atas data pesanan Anda, sudah cukup. Perlakukan ini seperti investasi lain dengan perhitungan payback, bukan seperti proyek riset. Disiplin yang sama berlaku untuk tooling berbasis data lainnya; sistem forecasting mengikuti jalur crawl-walk-run yang identik, yang sudah saya bahas di Sebuah Jaringan Ritel Memakai Forecasting untuk Menjinakkan Stockout.

Satu peringatan dari pengalaman: recommendation engine otomatis yang dilatih dengan data tipis menghasilkan saran yang memalukan, dan rekomendasi yang tidak relevan lebih buruk daripada tidak ada rekomendasi sama sekali karena mengikis kepercayaan terhadap seluruh toko Anda. Ini sebabnya urutan tahapannya penting.

Kesimpulan

Recommendation engine bukan satu teknologi tunggal, ia sebuah tangga. Anak tangga paling bawah adalah komplemen hasil kurasi dan aturan "sering dibeli bersamaan" yang dibangun dari data pesanan Anda sendiri, dan itu memberikan sebagian besar peningkatan revenue dengan biaya nyaris nol. Anak tangga paling atas, collaborative filtering dan personalisasi sesungguhnya, baru masuk akal ketika katalog dan volume pesanan Anda sudah melampaui kapasitas kurasi manusia.

Jadi action item-nya sederhana dan tidak muluk-muluk: minggu ini, buka riwayat pesanan Anda, temukan 20 produk teratas, dan tuliskan apa yang seharusnya direkomendasikan untuk masing-masing. Lalu tampilkan baris-baris itu di halaman produk dan keranjang Anda. Ukur item per pesanan. Semua hal yang lebih canggih bisa menunggu sampai cara ini berhenti berhasil.

Toko yang menang bukan yang punya algoritma paling canggih. Mereka yang berhenti membiarkan setiap halaman produk menjadi jalan buntu.