OTTON tekoälyavustaja: Mullistava verkkokauppa keskustelupohjaisella kaupankäynnillä ja parannetuilla tuotesyötteillä

OTTO:n tekoälyavustajan käyttöönotto

OTTO, Saksan suurin verkkokauppias, julkaisi tekoälyavustajat, jotka on integroitu suoraan sen verkkokauppaan ja sovellukseen ostosopastusta ja asiakaspalvelua varten. Heinäkuun 31. päivästä alkaen ominaisuus näkyy chat-palkkina otto.de-sivuston tuotearvostelujen yläpuolella, ja se antaa vastauksia sekunneissa tuotteiden nimikkeistä, kuvauksista ja vähintään 50 asiakasarvostelusta, jotta varmistetaan tasapainoiset vastaukset. Aluksi avustaja on saatavilla noin 180 000 tuotteelle eri kategorioissa, kuten kengät, matot, kahvinkeittimet ja sohvat. Se käyttää Google Cloudin PaLM 2 -suurta kielimallia yhdistettynä OTTO:n omiin tietoihin Vertex AI:n kautta, samalla kun kaikki tiedot pidetään OTTO:n palvelimilla.[1]

Käyttöönotto merkitsee OTTO:a ensimmäisenä saksalaisena verkkokauppana, joka testaa tällaista tekoälyä natiivisti sekä työpöytä- että mobiiliympäristöissä. Se käsittelee puhekieliset kyselyt, kirjoitusvirheet ja subjektiiviset arvostelutiedot. Asiakkaat jaetaan valvotussa A/B-testissä: puolet pääsee käyttämään avustajaa, puolet ei, jotta voidaan mitata vaikutuksia tyytyväisyyteen, opastukseen ja palautusmääriin. OTTO:n Digital & Consulting -tiimin kehittämä tämä perustuu olemassa oleviin tekoälyn käyttökohteisiin, kuten arvostelujen klusterointiin, kuvantunnistukseen ja petosten estämiseen.[1]

Vaikutukset tuotesyötteisiin ja luettelostandardeihin

Tekoälyavustajat, kuten OTTO:n, parantavat suoraan tuotesyötteitä syntetisoimalla jäsentelemätöntä dataa arvosteluista ja kuvauksista käyttökelpoisiksi tiedoiksi, mikä vähentää riippuvuutta staattisista metatiedoista. Tämä nostaa luettelostandardeja, sillä vastauksissa on otettava huomioon runsaasti arvosteluja saaneet tuotteet, mikä painostaa kauppiaita priorisoimaan arvostelujen keräämistä näkyvyyden vuoksi. Jäsennetyt syötteet hyötyvät tekoälyn kyvystä normalisoida vaihtelevia syötteitä – otsikoita, teknisiä tietoja, käyttäjien palautetta – johdonmukaisiksi, kyselyihin vastaaviksi muodoiksi, mikä virtaviivaistaa datan imeytymistä suurille valikoimille.[1] Jos haluat tietää lisää tuotesyötteistä, tutustu blogikirjoitukseemme aiheesta Product feed - NotPIM.

Käytännössä tämä asennus pakottaa minimilaatuvaatimukset: tuotteet, joilla ei ole vähintään 50 arvostelua, eivät ole kelpoisia, mikä edistää parempaa luettelon hygieniaa. Verkkokauppaympäristöille se merkitsee muutosta, jossa syötteet kehittyvät pelkistä listauksista dynaamisiksi, tekoälyn kyselyjen alaisiksi varoiksi, mikä mahdollisesti standardoi ominaisuuksia, kuten materiaalitiedot tai istuvuuden, eri kategorioissa tarkempien sukupolvien mahdollistamiseksi.[1]

Korttien laadun ja valikoiman nopeuden parantaminen

Korttien täydellisyys kasvaa, kun tekoäly yhdistää arvostelujen tunteet kuvauksiin ja tuo esiin huomiotta jääneitä yksityiskohtia, kuten kestävyyden tai koon, ilman manuaalista kuratointia. Asiakkaat, jotka kysyvät "irtoaako tämä matto nukkaa?", saavat syntetisoidut vastaukset, jotka täyttävät staattisten korttien aukot ja parantavat koettua täsmällisyyttä. Tämä no-code-kerros – hyödyntäen esikoulutettuja LLM-malleja – mahdollistaa nopeat parannukset ilman mallien uudistamista, sillä OTTO integroi sen nopeasti pilvityökalujen avulla.[1] Lisätietoja siitä, miten luoda upeita tuotekuvauksia, löydät artikkelistamme aiheesta How to Create Sales-Driving Product Descriptions Without Spending a Fortune - NotPIM.

Valikoiman käyttöönotto nopeutuu huomattavasti: uudet listaukset nopeuttavat näkyvyyttä, kun arvostelujen kynnysarvot saavutetaan, mikä mahdollistaa nopeamman markkinatestauksen kausi- tai trendituotteille. Perinteiset esteet, kuten hidas arvostelujen kertyminen, viivästyttävät altistusta; tekoäly lieventää tätä kvalifioimalla tuotteet nopeammin, muuttamalla nousevat luettelot kyselyvalmiiksi syötteiksi ja lyhentämällä markkinoille tuloaikaa viikoista päiviin.[1][2]

No-Code-tekoäly ja keskustelupohjaisen kaupankäynnin integrointi

No-code-käyttö on tässä valttia, sillä OTTO:n avustaja on rakennettu Vertex AI:n käyttöliittymien avulla, jolloin vältetään raskas mukautettu koodaus sisäisten tietojen LLM-hienosäätöä varten. Tämä demokratisoi tekoälyn keskitason jälleenmyyjille, joissa plug-and-play-mallit käsittelevät monimutkaisia kyselyitä skriptattujen bottien lisäksi, sopeutuen reaaliaikaisiin luettelomuutoksiin ilman uudelleenkoulutusta.[1][2] Jos etsit työkalua, voit halutessasi käyttää Feed validator - NotPIM.

Sisältöinfrastruktuurissa se mahdollistaa keskustelupohjaisen kaupankäynnin tulkitsemalla aikomuksen epämääräisistä hauista, tunneviesteistä tai hylätyistä ostoskärryistä, vetämällä live-syötteen tietoja ylöspäin -kehotuksille. Tämä silmukka – kysely syötteen synteesiksi vastaukseksi – nostaa staattisen verkkokaupan ennakoiviksi järjestelmiksi, vähentäen päätösväsymystä ja hylkäämistä samalla kun skaalataan B2C-mittakaavassa ilman suhteellista sisältötoimintaa.[2][3] Jos haluat tietää lisää tuotepitoisuudestamme, klikkaa linkkiä.

Laajempia verkkokauppamuutoksia

Ostoinfrastruktuurissa OTTO:n siirto korostaa tekoälyn roolia palautusten vähentämisessä ostamista edeltävän selkeyden avulla, sillä informoidut kyselyt korreloivat parempien osumien kanssa. Hypoteesi: laaja käyttöönotto voisi standardoida tekoälyvalmiita syötteitä, priorisoimalla rikkaita, arvostelutiheitä luetteloita vähäisempien sijaan ja muokkaamalla toimittajien kannustimia. Alustat saavat analytiikkaa kyselykuvioista, jalostaen syötteitä iteratiivisesti ilman nimenomaisia palautesilmukoita.[1]

Handelsblatt.
GeekWire.


OTTO-esimerkki korostaa merkittävää muutosta verkkokaupassa, jossa tekoäly luo ja parantaa tuotetietoja dynaamisesti, mikä tekee korkealaatuisista, datarikkaista tuoteluetteloista entistä tärkeämpiä. Tämä trendi lisää paineita jälleenmyyjille kattavien ja standardoitujen tuotetietojen ylläpitämisessä. NotPIM-kaltaisille alustoille tämä korostaa tehokkaan tiedonhallinnan ja syötteen optimointikykyjen arvoa. Käyttäjämme voivat hyödyntää NotPIM:iä virtaviivaistaakseen tiedonrikastusta varmistaen, että heidän tuotetietonsa paitsi täyttävät myös ennakoivat tekoälypohjaisten ostokokemusten muuttuvat vaatimukset.
```

Seuraava

AI-pohjaisilla suosituksilla tuotteiden löytämisen optimointi Retail Mediassa

Edellinen

Retail Tech Show: Yhtenäinen kaupankäynti ja tekoäly muokkaavat vähittäiskaupan toimintoja