Odporúčanie produktov v e-shope s AI funguje pri príslušenstve dobre, ak má systém jasné pravidlá kompatibility a ľudia môžu zlé odporúčanie odmietnuť. V našom teste pre IT distribútora vybrali dvaja AI agenti 84 až 87 % kompatibilných odporúčaní, ručne zostavené zoznamy dosiahli 77 až 83 %. Systém delí úlohu na plánovanie a výber a uprednostňuje rovnakú značku.
Nižšie nájdete, prečo je príslušenstvo ťažšie ako bežné „zákazníci kúpili aj“, ako sme systém postavili, ako čítať čísla z testu a ako si podobný test spraviť vo vlastnom e-shope.
Prečo je odporúčanie príslušenstva také ťažké?
Pri oblečení alebo kozmetike stačí, keď je odporúčanie zaujímavé. Pri príslušenstve musí byť hlavne kompatibilné. Nabíjačka s iným konektorom, toner do inej tlačiarne alebo puzdro na iný model telefónu zákazníka nahnevá a často skončí ako vrátený tovar.
Bežné odporúčacie moduly stavajú na tom, čo si zákazníci kupovali spolu. Pri technike to ľahko vedie k populárnym kúskom, ktoré k produktu nepasujú. Ručne zostavené zoznamy sú presnejšie, lenže pri tisícoch produktov ich nikto neudrží aktuálne. Nové modely pribúdajú priebežne a staré zoznamy starnú.
Ak má odporúčanie produktov v e-shope naozaj predávať príslušenstvo, potrebujete systém, ktorý rozumie, čo k čomu patrí. Zároveň musí zvládnuť celý katalóg bez ručnej práce pri každom novom produkte.
Tri typy odporúčaní, tri rôzne logiky
Pomáha rozlíšiť, o aké odporúčanie ide. Podobné produkty ukazujú alternatívy k tomu, čo si zákazník prezerá, a stačí im podobnosť parametrov a ceny. Príslušenstvo dopĺňa nákup a rozhoduje kompatibilita. Náhrada za vypredaný produkt musí byť rovnocenná, takže potrebuje prísnejšie pravidlá ako obe predchádzajúce.
Každý typ sa zobrazuje na inom mieste. Podobné produkty patria na stránku produktu, príslušenstvo aj do košíka a do e-mailu po nákupe, náhrada na stránku produktu, ktorý nie je skladom. Ak ich e-shop mieša do jedného boxu, zákazník dostane zmes, ktorej nerozumie.
Ako funguje AI výber príslušenstva?
Úlohu sme rozdelili medzi dvoch AI agentov. Každý má užšie zadanie, a preto sa jeho práca ľahšie kontroluje a ladí.
Plánovač: čo k produktu hľadať
Prvý agent produkt zaradí do kategórie a navrhne, aké príslušenstvo k nemu dáva zmysel. K notebooku napríklad taška, myš, dokovacia stanica alebo nabíjačka. K tlačiarni tonery a papier. Plánovač ešte nevyberá konkrétne kusy, len určí, čo hľadať.
Vykonávateľ: konkrétne produkty z katalógu
Druhý agent podľa plánu vyberie konkrétne príslušenstvo hybridným vyhľadávaním. To spája vyhľadávanie podľa významu s klasickým fulltextom, takže nájde aj produkty, ktoré výrobca opísal inými slovami. Prednosť má rovnaká značka a zoznam 145 prioritných značiek.
Spätná väzba a feedy
Výsledky sa do e-shopu dostanú v XML a JSON feedoch. Keď niekto odporúčanie označí ako zlé, systém pre daný produkt spustí nový výber. Ľudia tak majú posledné slovo a AI agenti robia objemovú prácu.
Prečo dvaja agenti namiesto jedného
Jeden model, ktorý naraz premýšľa o kategórii, hľadá v katalógu a vyberá značky, robí chyby, ktoré sa ťažko hľadajú. Pri dvoch agentoch vidíte, či zlyhal plán alebo výber. Chybu potom opravíte na správnom mieste, napríklad doplníte pravidlo pre kategóriu a nemeníte celé vyhľadávanie.
Rozdelenie pomáha aj pri nákladoch a rýchlosti. Plánovanie je krátka úloha nad jedným produktom, výber pracuje s hotovým plánom a s úzkou časťou katalógu. Každý krok sa dá testovať zvlášť a vylepšovať bez toho, aby ste rozbili ten druhý.
Ako sme to riešili my: výsledky testu u IT distribútora
Systém AI výberu príslušenstva pre IT distribútora je v prevádzke. Jeho odporúčania sme porovnali s ručne zostavenými zoznamami príslušenstva.
Kompatibilitu posudzovali dvaja nezávislí AI hodnotitelia. AI agenti dosiahli 84 až 87 % kompatibilných odporúčaní, ručne zostavené zoznamy 77 až 83 %. Uvádzame rozpätie, pretože hodnotitelia boli dvaja a každý posudzuje trochu inak.
Okrem automatického hodnotenia klient sám prešiel 584 odporúčaní pri 37 produktoch. Takáto ručná kontrola je dôležitá, lebo AI výber aj AI hodnotiteľ môžu robiť podobné chyby. Človek, ktorý pozná sortiment, zachytí veci, ktoré model prehliadne.
Čísla vyššie hovoria o kompatibilite odporúčaní. Vplyv na predaj treba merať samostatne, ideálne A/B testom priamo v e-shope. K tomu sa dostaneme v postupe nižšie.
Čo ponúknuť zákazníkovi, keď je produkt vypredaný?
Príbuzná úloha je náhrada za vypredaný produkt. Zákazník príde z vyhľadávania alebo z reklamy, produkt nie je skladom a stránka končí slepou uličkou. Dobrá náhrada udrží nákup v e-shope.
Pre IT distribútora sme v pilote postavili systém, ktorý k vypredanému produktu hľadá rovnocennú náhradu. Kandidátov vyberajú pravidlá, ktoré pre 75 podtypov produktov nastavili produktoví manažéri klienta. Predvolene musí ísť o rovnakú značku a cenu v rozmedzí ±10 %.
AI potom zjednotí parametre kandidátov, aby sa dali férovo porovnať. Výrobcovia totiž tú istú vlastnosť zapisujú rôzne, napríklad kapacitu batérie alebo typ konektora. Na záver AI ešte skontroluje, či je náhrada naozaj rovnocenná. Projekt je v pilote, preto výsledky z prevádzky zatiaľ neuvádzame.
Pravidlá od ľudí a AI sa tu dopĺňajú. Manažéri vedia, čo zákazník prijme ako náhradu. AI zvládne porovnať parametre celého sortimentu, ktoré by ručne nikto neprešiel.
Ako otestovať odporúčanie produktov v e-shope?
Skôr ako odporúčania nasadíte na celý web, overte ich na vzorke. Takto postupujeme my:
- Vyberte vzorku produktov. Stačia desiatky produktov z rôznych kategórií vrátane tých, ku ktorým existuje veľa príslušenstva.
- Pripravte porovnanie. Ku každému produktu dajte vedľa seba AI odporúčania a súčasný stav, napríklad ručné zoznamy.
- Definujte, čo je správne. Pri príslušenstve je hlavným kritériom kompatibilita. Spíšte ju tak, aby ju vedel posúdiť človek aj AI hodnotiteľ.
- Nechajte hodnotiť viacerých. Dvaja nezávislí AI hodnotitelia zvládnu veľký objem, človek z produktového tímu skontroluje vzorku.
- Zapracujte spätnú väzbu. Zlé odporúčania nech spustia nový výber a zároveň ukážu, kde treba upraviť pravidlá.
- Merajte predaj. Keď sedí kvalita, spustite A/B test na časti návštevnosti a sledujte, koľko zákazníkov si príslušenstvo pridá do košíka.
Celý postup stavia na tom, že AI agenti pracujú pod dohľadom ľudí. Ako nastaviť kontrolu nad agentmi, aby ste o ňu neprišli, opisujeme v článku AI agenti vo firme.
Koľko stojí AI odporúčanie produktov a kedy sa oplatí?
Cenu za odporúčanie produktov v e-shope ovplyvňuje najmä veľkosť katalógu a kvalita produktových dát. Ak má e-shop čisté a jednotné parametre, práce je menej. Ak sú neúplné alebo každý dodávateľ ich zapisuje inak, treba ich najprv zjednotiť, často s pomocou AI. Ďalšie faktory sú počet kategórií s vlastnými pravidlami, spôsob napojenia na e-shop a to, ako často sa katalóg mení.
Pred začatím si overte, čo o produktoch naozaj máte. Odporúčania stoja na kategórii, značke, kľúčových parametroch a stave skladu. Ak niektorý z týchto údajov chýba pri veľkej časti katalógu, prvá fáza projektu bude o dátach a až potom o AI.
Oplatí sa to, keď máte tisíce produktov, veľký podiel techniky alebo príslušenstva a ručné zoznamy už nestíhate udržiavať. Pri malom sortimente s pár doplnkami často stačí jednoduché pravidlo priamo v e-shope.
Systém staviame s AI agentmi pod dohľadom skúsených vývojárov, takže ušetríte až 80 % oproti tradičnému vývoju. Kód aj dáta zostávajú vaše. Ako sa skladá cena vývoja, rozoberáme v článku koľko stojí softvér na mieru.
Chcete vedieť, ako by si AI poradila s vaším katalógom? Napíšte nám a navrhneme test na vzorke vašich produktov.