המלצות מוצרים באתר Shopify: איך עובד מנוע המלצות מבוסס AI

מה זה המלצות מוצרים באתר, ומה AI מוסיף?

המלצות מוצרים באתר הן הצעות שמערכת בוחרת לקונה מסוים, לדף מוצר או לסל, במקום רשימה קבועה שקבעתם ידנית. ב־Shopify הן מתחילות בבלוק "אולי תאהבו גם" של הפלטפורמה עצמה, וממשיכות באפליקציות שקוראות התנהגות, נתוני קטלוג או שיחה חיה עם הקונה כדי להחליט מה להציג.

המילה AI מכסה מנגנונים שונים מאוד. ווידג׳ט שמדרג מוצרים לפי "מי שקנה את זה קנה גם", ועוזר שקודם שואל "לעור שמן או יבש?" ורק אז מציע קרם, נמכרים שניהם כהמלצות AI. הם נכשלים בדרכים שונות, ולכן כדאי לדעת מה מותקן אצלכם לפני ששופטים את התוצאות.

במדריך הזה: מה Shopify נותנת לכם בלי להתקין כלום, שלוש הגישות של מנוע המלצות, ושלוש הבעיות שקובעות אם קונים בכלל ילחצו על ההמלצה: מוצרים חדשים בלי היסטוריה, מוצרים שאזלו, והמלצות שלא מסבירות את עצמן.

איך עובדות המלצות המוצרים המובנות של Shopify?

ל־Shopify יש שני סוגי המלצות. מוצרים קשורים (Related) הם חלופות דומות, ו־Shopify מייצרת אותם לבד. מוצרים משלימים (Complementary) הם תוספות שנקנות יחד עם המוצר, ואתם מגדירים אותם באפליקציה החינמית Search & Discovery. התבנית מציגה אותם בבלוקים כמו "אולי תאהבו גם" ו"משתלב עם".

לפי דף מרכז העזרה של Shopify על המלצות מוצרים, המוצרים הקשורים נבנים קודם מהיסטוריית הרכישות, אחר כך מתיאור המוצר (רק בחנויות שחזית החנות שלהן באנגלית), ואם אין אף אחד מהם, מקולקציות קשורות. לחנות בעברית זה אומר שהשלב של התיאור לא עוזר לכם, וכשאין עדיין מספיק הזמנות, הרשימה נשענת בעיקר על הקולקציות.

את הרשימה שנוצרה אוטומטית אי אפשר לערוך. אפשר להוסיף עד 10 מוצרים קשורים ועד 10 משלימים לכל מוצר, ולבחור אם להציג רק את הבחירות שלכם או את הבחירות שלכם יחד עם אלה של Shopify. באותו דף כתוב שמוצרים משלימים מוצגים רק כשהם פעילים ובמלאי.

למפתחים, ה־Ajax API להמלצות מוצרים חושף את אותה לוגיקה: הוא מקבל מזהה מוצר, מגבלה של 1 עד 10 תוצאות (ברירת המחדל 10) וסוג המלצה, קשור או משלים. מדריך התבניות של shopify.dev מאשר שרק ההמלצות הקשורות נוצרות אוטומטית, ואת המשלימות צריך להגדיר ידנית.

מה ההבדל בין מנוע המלצות מבוסס חוקים, מבוסס התנהגות ומבוסס שיחה?

מנוע מבוסס חוקים עושה מה שכתבתם לו, למשל "הצג את גודל הנסיעות עם כל מוצר בגודל מלא". מנוע מבוסס התנהגות (collaborative filtering) לומד ממה שהרבה קונים קנו או צפו יחד. מנוע מבוסס שיחה שואל קודם את הקונה מה הוא צריך, ורק אז בוחר מהקטלוג. כל אחד צריך נתונים אחרים ונשבר במצבים אחרים.

רוב החנויות ב־Shopify מגיעות בסוף לשילוב. מוצרים משלימים שבחרתם ידנית הם חוקים. הרשימה האוטומטית של מוצרים קשורים נשענת על היסטוריית רכישות, כלומר על התנהגות. שכבה של שיחה, כמו עוזר קניות AI בחלון צ׳אט, יושבת מעל ומטפלת בקונה שעוד לא יודע איזה דף מוצר לפתוח.

דוגמה להמחשה

חנות טיפוח בדיונית עם 60 מוצרים. בדף של ג׳ל ניקוי, הבלוק "אולי תאהבו גם" מציג עוד שני ג׳לים וטונר. קונה עם עור יבש ורגיש נוחתת בדף הזה ממודעה באינסטגרם. רשימה מבוססת התנהגות לא יודעת שהג׳ל לא מתאים לה. עוזר ששואל שאלה אחת על סוג העור יכול להפנות אותה לתחליב הניקוי ולהסביר למה.

למה המלצות לא עובדות על מוצרים חדשים ובחנויות קטנות?

זו בעיית ההתחלה הקרה (cold start). מערכות שלומדות ממה שנקנה יחד צריכות היסטוריה, ולמוצר חדש או לחנות צעירה אין כמעט. עד שמצטברות מספיק הזמנות, ההמלצות נשענות על סימנים כלליים כמו קולקציה או פופולריות, ובעיני הקונה הן נראות לפעמים אקראיות. זה בולט במיוחד בקולקציה חדשה שעולה רגע לפני החגים.

מחקר על מערכות המלצה תיאר את ההתחלה הקרה כאתגר שפוגע כמעט בכולן, כי משתמשים ומוצרים חדשים מגיעים עם מעט מדי מידע. ראו מחקר שעבר ביקורת עמיתים על קידום מוצרים חדשים במערכות המלצה (באנגלית). סדר הגיבוי של Shopify (רכישות, תיאור, קולקציות) הוא פתרון מעשי לאותה בעיה.

גישות שקוראות את המוצר עצמו, או שואלות את הקונה, סובלות פחות. מוצר שעלה הבוקר כבר יש לו שם, תיאור, וריאנטים ותגיות. אם השדות האלה מלאים, מערכת שקוראת אותם יכולה להמליץ עליו בהיגיון כבר מהיום שהוא עולה לאתר.

• מלאו את השדות שמנוע המלצות יכול לקרוא: סוג מוצר, תגיות, אפשרויות וריאנט (מידה, גוון, חומר) ותיאור שאומר למי המוצר מתאים.
• הגדירו מוצרים משלימים ידנית להשקות חדשות, כדי שיופיעו לפני שיש היסטוריית מכירות.
• שימו טבלאות מידות ורשימות רכיבים או חומרים בדף המוצר כטקסט, לא רק בתמונה.
• בדקו קודם את ההמלצות על המוצרים החדשים ביותר שלכם. שם הרשימות האוטומטיות הכי חלשות.

מה צריך לקרות כשמוצר מומלץ אזל מהמלאי?

המלצה אף פעם לא צריכה לשלוח קונה למשהו שאי אפשר לקנות. מוצרים ווריאנטים שאזלו צריכים לרדת מההמלצה לפני שהיא מוצגת, או להיות מסומנים בבירור עם חלופה באותה הודעה. הבדיקה צריכה לרוץ ברגע התשובה, מול המלאי של החנות, ולא מעותק של הקטלוג שנשמר לפני שבוע.

לפי מרכז העזרה של Shopify, מוצרים לא פעילים או שאזלו מסוננים מבלוק המוצרים המשלימים. ה־Ajax API מחזיר לכל מוצר ולכל וריאנט סימון זמינות, והתבנית או האפליקציה מחליטות מה לעשות איתו. המקרה הקשה הוא הווריאנט: המוצר במלאי, אבל לא במידה או בגוון של הקונה.

כלי AI מוסיפים סיכון שני. מודל שמתאר מוצר מהזיכרון, או מעותק של הקטלוג מלפני שבוע, יכול לכתוב מחיר או מצב מלאי שכבר לא נכונים. זו "הזיה" במובן המסחרי, ולכן המחיר והמלאי צריכים להיקרא מהחנות בכל תשובה. הבדיקות המלאות נמצאות במדריך על הזיות של צ׳אט AI במחירים ובמלאי.

1. קראו מלאי ברמת הווריאנט, לא רק ברמת המוצר.
2. הורידו וריאנטים שאזלו מההמלצה, או הציעו את החלופה הקרובה שבמלאי עם סיבה קצרה.
3. קראו מחיר ומחיר השוואה מהחנות ברגע שהכרטיס מוצג, אף פעם לא מהטקסט של המודל.
4. תעדו בקשות למוצרים שאזלו. בקשות שחוזרות הן סימן שצריך להזמין מלאי.

למה כל המלצה צריכה להסביר למה היא מתאימה?

המלצה עם סיבה נותנת לקונה דרך לשפוט אותה. "גימור מט, מתאים לעור שמן, כמו שכתבת" זה משהו שאפשר להסכים איתו או לא. תמונה בלי הסבר בקרוסלה מבקשת מהקונה לעשות את ההתאמה בעצמו, והרבה פעמים הוא פשוט ממשיך לגלול. הסיבה צריכה לבוא מנתוני המוצר האמיתיים, לא מהדמיון.

מחקר של Baymard Institute על בלוקים של מכירה משלימה מצא ש־68% מאתרי הדסקטופ במדד דפי המוצר שלו לא נותנים מספיק מידע בהמלצות (פורסם במרץ 2021), כמו שם מלא, מחיר או וריאציות. כשהעובדות הבסיסיות חסרות, לקונה אין על מה להחליט. סיבה שקשורה למה שהוא אמר מוסיפה את מה שרשת של תמונות לא נותנת.

סיבה טובה קצרה, ספציפית ואפשר לבדוק אותה. היא מצביעה על תכונה שהחנות פרסמה (גימור, משקל בד, רוחב, מתכת) ומחברת אותה למשהו שהקונה אמר. היא לא ממציאה יתרונות, תווי תקן או רכיבים שלא מופיעים בדף המוצר.

• חלש: "לקוחות התאהבו בזה!"
• טוב יותר: "אותה גזרה כמו הג׳ינס שבסל, בבד קל יותר לקיץ."
• חלש: "מושלם בשבילכם."
• טוב יותר: "מגיע ברוחב רחב, כמו ששאלתם, ובמידה שלכם הוא במלאי."

איך בוחרים מנוע המלצות לחנות Shopify?

בוחרים מנוע המלצות לפי הנתונים שיש לכם והשאלות של הקונים. מתחילים בהמלצות החינמיות של Shopify, קשורים ומשלימים. מוסיפים אפליקציה מבוססת התנהגות כשיש היסטוריית הזמנות יציבה, ועוזר מבוסס שיחה כשהקונים צריכים עזרה בבחירה, כמו מידה, גוון או התאמה לחדר, לפני שהם יכולים לקנות.

רוב החנויות משתמשות ביותר משכבה אחת: בלוקים בדפי מוצר, תוספת בסל, ודרך לשאול למי שעוד לא החליט. השאלה היא לא איזה מנוע אחד מנצח, אלא איזה פער כל שכבה סוגרת. הטבלה מסכמת מה לבדוק לפני שמתקינים.

• קטלוג קטן, מעט הזמנות: הבלוקים של Shopify ומוצרים משלימים שבחרתם ידנית מספיקים לרוב כדי להתחיל.
• קטלוג גדול, תנועה קבועה: למנוע מבוסס התנהגות יש את הנתונים שהוא צריך.
• קניות שדורשות החלטה (טיפוח, אופנה, ריהוט): הקונים צריכים קודם תשובה לשאלה. ראו את הדפים על חנויות טיפוח וקוסמטיקה ועל חנויות אופנה.

איך Tycoon ניגש להמלצות מוצרים?

Tycoon הוא סוכן מכירות AI לחנויות Shopify, כרגע בגישה מוקדמת. כשלא ברור מה הקונה צריך, הוא בנוי לשאול שאלה קצרה אחת שנבנית מהקטלוג של החנות, כמו מידה, סוג עור או אירוע, ואז להציע מוצר אחד עד שלושה, כל אחד עם סיבה. אם הקונה כבר אמר מה הוא צריך, הוא מדלג על השאלה.

כל המלצה מגיעה ככרטיס מוצר עם תמונות אמיתיות, המחיר החי והווריאנט הנכון כבר מסומן. בחנות ישראלית המחיר מוצג כמו בחנות עצמה, בשקלים. המחיר, מחיר ההשוואה והמלאי נקראים מהחנות בכל תשובה, וכל טיוטה נבדקת במלואה לפני שהיא נשלחת. מספר שלא תואם את הנתונים החיים או את העובדות שאישרתם נחסם, והתשובה נכתבת מחדש.

ממסלול Pro ומעלה, למידה לילית בודקת מה עבד בחנות שלכם, למשל אילו המלצות הובילו לקנייה ואילו שאלות עזרו לקונים להחליט, ומכווננת איזה מוצר להמליץ קודם. Tycoon לומד רק מהחנות שלכם, ומה שהוא לומד לא עובר לחנויות אחרות. פרטים נוספים בדף המלצות מוצרים ב־Tycoon ובדף איך זה עובד.

איך יודעים אם המלצות המוצרים עובדות?

משווים את ההכנסות מקונים שראו את ההמלצות לקבוצה דומה שלא ראתה אותן. קליקים ודוחות של "הכנסות מושפעות" יכולים לזקוף לכלי מכירות שהיו קורות בכל מקרה. מבחן עם קבוצת ביקורת, שבו חלק קטן ואקראי מהמבקרים לא רואה את הפיצ׳ר בכלל, מבודד את ההבדל שהפיצ׳ר באמת עושה.

לפי מדריך התבניות של shopify.dev, בלוקי ההמלצות של Shopify מדווחים לעמוד ה־Analytics בניהול החנות. זה מראה כמה פעמים לחצו עליהם, וזה שימושי, אבל זה לא אותו דבר כמו התוספת שההמלצות באמת יצרו. את השיטה המלאה תמצאו במדריך איך למדוד צ׳אט בוט ואחוז המרה עם קבוצת ביקורת.

• עקבו אחרי שיעור ההוספה לסל מתוך המלצות, לא רק אחרי קליקים.
• הסתכלו על סל ממוצע ועל אחוז המרה יחד. אחד יכול לעלות בזמן שהשני יורד.
• בדקו את סיבות ההחזרה של מוצרים שהומלצו. "לא התאים" או "לא כמו שציפיתי" מעידים על סיבות חלשות או על נתוני מוצר חסרים.

שאלות נפוצות

מקורות

1. Shopify Help Center: Product recommendations (Search & Discovery) · נבדק 20.10.2026
2. Shopify.dev: Ajax API, Product Recommendations reference · נבדק 20.10.2026
3. Shopify.dev: Show product recommendations (themes) · נבדק 20.10.2026
4. Baymard Institute: 6 list item attributes to include for cross-sell recommendations (2021) · נבדק 20.10.2026
5. Promoting Cold-Start Items in Recommender Systems (PLOS ONE, 2014, via PubMed Central) · נבדק 20.10.2026