AI i e-handel: sök, rekommendationer och det som faktiskt flyttar konvertering

I e-handel syns varje förändring i siffrorna, vilket gör den till den bästa platsen att testa AI på — och den mest obarmhärtiga. Antingen steg konverteringen eller så gjorde den inte det, och ingen presentation ändrar den saken.

Det gör också att prioriteringen blir viktigare här än någon annanstans. Fyra användningsområden är värda pengar. De ligger inte i den ordning de brukar föreslås.

1. Intern sökning — nästan alltid störst effekt

Sökfältet i en butik är den mest underskattade ytan i hela e-handeln. Besökare som söker vet vad de vill ha och konverterar långt bättre än de som bläddrar. Ändå bygger de flesta butiker fortfarande på exakt textmatchning: söker kunden på regnjacka och produkten heter skaljacka blir träffbilden tom, och en köpstark besökare lämnar.

Semantisk sökning löser precis det. Systemet matchar på betydelse i stället för på tecken, hanterar felstavningar, synonymer och beskrivande fraser som varm jacka för hösten.

Mät: andel sökningar utan träff, konvertering bland sökande jämfört med icke-sökande, och de vanligaste nollträffarna före och efter. Nollträffslistan brukar dessutom vara en sortimentsanalys ingen bett om.

2. Produktdata — det tråkigaste och mest lönsamma

Ofullständiga produktdata kostar på två håll samtidigt: de sänker den interna sökningen och de sänker synligheten i Google. Butiker med hundratals artiklar från flera leverantörer har nästan alltid problemet, eftersom underlaget kommer i olika format och ingen hinner städa.

Här är AI genuint bra: normalisera leverantörsdata till er egen struktur, fylla i saknade attribut ur befintliga beskrivningar, skriva utkast till produkttexter som en människa granskar, och generera alt-texter för bilder.

Mät: andel produkter med kompletta attribut, organisk trafik till kategorisidor, och andelen sökningar utan träff igen — de två första punkterna hänger ihop.

3. Rekommendationer — bra, men senare

Personaliserade rekommendationer fungerar, och de är samtidigt det som oftast föreslås först och sällan borde vara det. Skälet är enkelt: de kräver trafik och köphistorik för att bli bättre än en enkel regel av typen andra köpte också.

Har butiken låg volym slår en manuellt kurerad lista ofta en modell, och den kostar en eftermiddag.

Mät: intäkt per session med och utan rekommendationsytan, och snittordervärde. Klick på rekommendationer är inget mått — det säger bara att ytan syntes.

4. Kundservice — mät avlastning, inte antal svar

Var är min order är den vanligaste frågan i nästan varje webbshop, och den besvaras bäst av en integration mot ordersystemet, inte av en språkmodell. Modellen tillför värde på frågor som kräver tolkning: passform, kompatibilitet, materialval, returvillkor i ett specifikt fall.

Upplägget och fallgroparna är desamma som i alla branscher och beskrivs i AI i kundtjänst.

Det som ofta ska göras först

Innan något av ovanstående är det värt att kontrollera tre saker, för om någon av dem är trasig kommer AI inte att rädda siffrorna:

• Laddtid. En produktsida som laddar en sekund för långsamt kostar mätbart, varje dag.
• Kassan. Ett steg för mycket eller ett saknat betal- eller fraktalternativ är den vanligaste orsaken till avhopp.
• Orderflödet bakåt. En butik som säljer bra men kräver manuell hantering per order slutar vara lönsam precis när den börjar fungera.

De tre är billigare att åtgärda och ger oftare större effekt än något AI-projekt. Se e-handelsutveckling.

En ordning som brukar fungera

1. Mät nuläget: laddtid, avhoppspunkter i kassan, andel sökningar utan träff, andel produkter med kompletta data.
2. Åtgärda det tekniska som redan kostar pengar.
3. Städa produktdatan med AI som verktyg och en människa som granskar.
4. Byt till semantisk sökning på den nu städade datan.
5. Först därefter rekommendationer, när det finns trafik nog att lära av.

Punkt tre och fyra hänger ihop: semantisk sökning på dålig produktdata ger en dyrare version av samma dåliga träffbild. Ramverket för att avgöra om ett flöde alls hör hemma i ett AI-projekt finns i AI för företag.