### ASOS sposta i video shoppable nei motori di risposta
ASOS ha lanciato un'integrazione che permette agli acquirenti di scoprire e acquistare i suoi prodotti direttamente da ChatGPT utilizzando video shoppable. Attraverso l'esperienza ASOS Stylist, gli utenti possono descrivere ciò che stanno cercando in linguaggio naturale - ad esempio, "un vestito estivo rosa a fiori" - e ricevere un set curato di prodotti dal catalogo ASOS. Ogni risultato può essere visualizzato come un video di breve durata, quindi aperto in dettaglio su ASOS.com per completare l'acquisto. Il pilota è in fase di lancio nel Regno Unito e negli Stati Uniti e si basa sull'AI Stylist già disponibile nell'app ASOS.
L'esperienza è alimentata dalla tecnologia di video commerce di Bambuser, che converte il catalogo prodotti e gli asset video di ASOS in dati strutturati che possono essere recuperati in tempo reale dai modelli linguistici di grandi dimensioni e renderizzati come video shoppable. ASOS posiziona questo come un'evoluzione oltre gli strumenti di shopping basati su testo e immagini statiche, con l'obiettivo di rendere la scoperta della moda "più veloce, più facile e più stimolante" nelle interfacce conversazionali come ChatGPT.
### Dalla ricerca di prodotti all'"answer commerce"
L'integrazione illustra un più ampio passaggio nell'e-commerce dai percorsi basati sulla ricerca e sull'elenco all'"answer commerce", in cui gli utenti pongono domande conversazionali e si aspettano un piccolo set altamente rilevante di opzioni piuttosto che navigare tra filtri e paginazione. In quel modello, la qualità e la struttura dei dati dei prodotti diventano critiche quanto il prezzo o l'assortimento: il motore di risposta non può mostrare ciò che non può analizzare.
La mossa di ASOS è uno dei tentativi più avanzati nel mercato del Regno Unito di collegare un catalogo moda ampio e in rapida evoluzione con un LLM generico in un modo che preserva la logica di merchandising. Il fatto che l'esperienza restituisca non solo le tessere dei prodotti ma anche il video suggerisce che ASOS ha investito nella mappatura di prodotti, attributi e risorse multimediali in un livello indicizzabile e leggibile dalle macchine che può essere interrogato tramite linguaggio naturale piuttosto che una rigida sintassi di ricerca.
### Implicazioni per i feed dei prodotti e l'infrastruttura dei contenuti
Per far funzionare un percorso conversazionale, incentrato sul video, all'interno di un'interfaccia esterna come ChatGPT, un rivenditore di e-commerce deve trattare il suo feed di prodotti come qualcosa di più di una semplice esportazione per le piattaforme pubblicitarie. Seguono diverse conseguenze.
Innanzitutto, i feed hanno bisogno di attributi più ricchi. Un prompt come "vestito estivo rosa a fiori per un matrimonio diurno, sotto le 80 sterline" può essere risposto bene solo se i prodotti sottostanti sono etichettati con famiglie di colori, fantasie (floreali), occasione, prezzo e spesso dimensioni più soggettive come "estivo" o "invitato al matrimonio". Molti commercianti si affidano ancora a feed limitati ottimizzati per i motori di confronto prezzi; il commercio conversazionale li spinge verso tassonomie di attributi molto più granulari e vocabolari controllati.
In secondo luogo, i feed necessitano di una connessione più stretta ai media. I video shoppable nei motori di risposta richiedono la mappatura tra gli SKU e i segmenti video: quali prodotti appaiono in quali video, a quali timestamp e in quale contesto (look completo, primo piano, prova, suggerimento di stile). Questo in genere non viene catturato nei feed dei prodotti standard, che si concentrano su immagini e metadati di base. ASOS e Bambuser stanno effettivamente trattando il video come un oggetto dati di prima classe collegato al catalogo, piuttosto che come un asset di marketing vagamente collegato.
In terzo luogo, i feed devono essere ottimizzati per il recupero in tempo reale anziché per l'esportazione in batch. Per rimanere pertinenti, le raccomandazioni presentate da un LLM devono riflettere i livelli di stock, le variazioni di prezzo e gli aggiornamenti dell'assortimento. Questo spinge i commercianti verso le API e gli aggiornamenti in streaming invece degli upload notturni dei feed e verso architetture in cui i dati dei prodotti, l'inventario e i contenuti sono sincronizzati abbastanza strettamente da essere esposti in modo sicuro ai motori di risposta esterni.
### Standardizzazione del catalogo e leggibilità automatica
L'iniziativa ASOS evidenzia come gli standard di catalogo stiano diventando un livello abilitante per lo shopping basato sull'IA. L'"Intelligence Layer" di Bambuser viene descritto come trasforma il catalogo e la libreria video in dati strutturati consumabili da LLM. In pratica, ciò probabilmente comporta diversi passaggi che stanno diventando standard in tutti gli stack di e-commerce avanzati:
- Normalizzazione degli attributi dei prodotti in schemi coerenti, in modo che "floreale", "stampa floreale" e "motivo a fiore" convergano in un unico concetto riconoscibile dalle macchine.
- Arricchimento delle voci del catalogo utilizzando la visione artificiale e i modelli linguistici per rilevare colore, motivo, silhouette e persino casi d'uso inferiti quando i dati dei commercianti stessi sono incompleti.
- Indicizzazione dei contenuti per la ricerca semantica, in modo che richieste come "tessuti estivi morbidi e traspiranti" possano essere associate a prodotti descritti come "popeline di cotone" o "misto lino" anche se il testo esatto non è presente.
Per il mercato più ampio, questo indica una direzione di viaggio: i cataloghi stanno passando da descrizioni leggibili dall'uomo ma fragili per le macchine a strutture leggibili dalle macchine progettate esplicitamente per il recupero tramite IA. I rivenditori che mantengono cataloghi legacy, non standardizzati, avranno maggiori difficoltà a partecipare a motori di risposta e ambienti di commercio conversazionale.
### Migliorare le pagine dei dettagli dei prodotti attraverso il video
Portare i video in ChatGPT non è solo un gioco di distribuzione; ha implicazioni su come appare una "buona" pagina dei dettagli del prodotto (PDP). I video di breve durata hanno già dimostrato la loro efficacia nell'aumentare la conversione e diminuire i resi nella moda, mostrando vestibilità, movimento e contesto di stile. Far emergere lo stesso contenuto direttamente nel livello di scoperta comprime l'imbuto tradizionale: ispirazione, valutazione e selezione del prodotto avvengono in un'unica interazione.
Per supportare questo, il contenuto del prodotto sottostante deve essere più profondo e coerente. I video devono essere disponibili su un'elevata quota di SKU, non solo i prodotti principali. I dettagli delle dimensioni, della vestibilità e del tessuto devono essere sufficientemente accurati in modo che i clienti possano agire con sicurezza su ciò che vedono nei video. PDP incompleti o incoerenti diventano punti deboli più visibili quando la prima impressione è un set curato dall'IA di video shoppable invece di una griglia di immagini fisse.
C'è anche un ciclo di feedback: le interazioni degli utenti con i video (quali prodotti vengono messi in pausa, riprodotti, cliccati) creano segnali comportamentali aggiuntivi che possono essere inseriti nei modelli di classificazione e nella definizione delle priorità dei contenuti. Nel tempo, questo può influenzare quali prodotti ricevono contenuti più ricchi e come i commercianti investono nella produzione video.
### Velocità di onboarding dell'assortimento e automazione dei contenuti
Per i grandi cataloghi di moda, uno dei principali colli di bottiglia nell'espansione dell'assortimento è la creazione di contenuti: titoli, descrizioni, attributi, immagini e, sempre più, video. La distribuzione di video shoppable nei motori di risposta rende la velocità ancora più critica: i prodotti di nuova acquisizione devono diventare scopribili rapidamente nei percorsi conversazionali, non settimane dopo la quotazione iniziale.
L'IA e l'automazione diventano fondamentali per risolvere questo problema. La visione artificiale può estrarre gli attributi dalle immagini, mentre i modelli linguistici possono generare descrizioni iniziali basate su dati strutturati. I flussi di lavoro video possono essere parzialmente automatizzati tramite modelli, grafica animata e editing assistito dall'IA, con team umani focalizzati sui contenuti fondamentali per il marchio e sul controllo qualità. I commercianti che sistematizzano questi processi possono ridurre i tempi tra le decisioni di acquisto e le voci di catalogo pronte per l'IA, dando loro un vantaggio nelle categorie dinamiche.
Anche gli strumenti no-code giocano un ruolo. I team di marketing e merchandising si affidano sempre più a interfacce che consentono loro di definire segmenti, regole e varianti di contenuti senza il coinvolgimento degli sviluppatori. Quando vengono collegati a superfici di scoperta basate sull'IA, tali strumenti consentono agli utenti non tecnici di gestire quali collezioni, tendenze o campagne devono essere prioritizzate nelle risposte conversazionali ("serata", "look da festival", "back to school"), mentre i sistemi centrali assicurano che lo schema sottostante e il tagging rimangano coerenti.
### I motori di risposta come nuovo canale di distribuzione
Trattare ChatGPT e sistemi simili come motori di risposta piuttosto che canali mediatici tradizionali riformula la distribuzione dell'e-commerce. Invece di acquistare impressioni o parole chiave, i rivenditori devono competere per la qualità dei dati, la pertinenza e la capacità di integrarsi in modo sicuro con i sistemi di IA esterni. L'integrazione di ASOS suggerisce un modello in cui:
- Il catalogo e i livelli di contenuto sono esposti tramite API sicure o widget che i motori di risposta possono chiamare, senza dare loro accesso diretto ai sistemi interni.
- I commercianti mantengono il controllo sui prezzi, sul checkout e sui dati dei clienti riportando gli utenti ai propri domini per il completamento della transazione.
- La personalizzazione può essere condivisa tra il motore di risposta e i sistemi del commerciante attraverso segnali contestuali, nel rispetto delle restrizioni sulla privacy.
Questa architettura ha implicazioni per l'analisi e l'attribuzione. Le tradizionali analisi web sono poco adatte a percorsi che iniziano all'interno di un agente conversazionale e continuano su diverse superfici. I commercianti che sperimentano tali integrazioni dovranno riconciliare i log provenienti dalle piattaforme di IA, dai livelli di video commerce e dalle proprie analisi web e di app per comprendere l'impatto sulla conversione, sul valore medio degli ordini e sui tassi di rendimento.
### Significato strategico per gli ecosistemi SaaS e e-commerce
Da una prospettiva SaaS, l'iniziativa ASOS illustra uno schema: le piattaforme specialistiche stanno emergendo per posizionarsi tra i dati grezzi dei rivenditori e le interfacce di IA generiche. Queste piattaforme gestiscono l'acquisizione, la normalizzazione, l'arricchimento e l'esposizione dei dati commerciali in formati che i LLM possono utilizzare in modo sicuro ed efficiente. Per le aziende di e-commerce, questo può ridurre la necessità di costruire un'infrastruttura di IA complessa in-house, ma alza l'asticella per la governance dei dati a monte e l'igiene del catalogo.
Per il settore dell'e-commerce nel suo complesso, le implementazioni dello shopping conversazionale, incentrato sul video, all'interno dei motori di risposta accelerano diverse tendenze:
- I feed di prodotti si evolvono in grafi di conoscenza in tempo reale e riccamente attribuiti.
- Gli standard e le tassonomie del catalogo diventano beni competitivi anziché preoccupazioni di back-office.
- La qualità dei PDP viene misurata non solo dalla conversione sul sito, ma da quanto bene i prodotti possono essere rappresentati in ambienti esterni basati sull'IA.
- La velocità di onboarding dell'assortimento dipende sempre più dalla produzione di contenuti e media assistita dall'IA.
- Gli strumenti no-code e AI diventano il livello operativo che consente ai team commerciali di guidare percorsi basati sull'IA senza un supporto ingegneristico costante.
Il progetto pilota di ASOS è in fase iniziale e il suo impatto commerciale deve ancora essere quantificato, ma segnala una direzione in cui l'e-commerce della moda è destinato a muoversi: dalle schede statiche alla scoperta conversazionale, ricca di media che si estende su più piattaforme, alimentata da contenuti strutturati e leggibili dalle macchine al centro dello stack commerciale.
L'integrazione di ASOS con ChatGPT sottolinea la crescente importanza dei dati sui prodotti strutturati e di alta qualità. Questo passaggio verso l'"answer commerce" evidenzia una necessità critica di gestione e arricchimento efficienti del catalogo. Per le aziende che desiderano raggiungere questo obiettivo, [NotPIM](/blog/product-feed/) fornisce una soluzione robusta per garantire che i feed dei prodotti siano accurati, coerenti e pronti per le applicazioni basate sull'IA. Automatizzando attività come la mappatura degli attributi, l'arricchimento dei contenuti e la trasformazione dei feed, NotPIM aiuta le aziende di e-commerce ad adattarsi a questo panorama in evoluzione, migliorando la riconoscibilità dei prodotti e facilitando la perfetta integrazione con piattaforme come ChatGPT. Questo aiuta i nostri clienti a stare al passo con i tempi ottimizzando i loro dati per queste nuove e innovative esperienze di e-commerce. Questo è particolarmente utile per migliorare i [feed dei prodotti](/blog/product-feed/), fondamentali per l'integrazione dell'IA. Con l'aiuto dell'IA, puoi creare [descrizioni dei prodotti](/blog/how-to-create-sales-driving-product-descriptions-without-spending-a-fortune/) che generano vendite rapidamente. Capire come funzionano questi sistemi ti permette di non aver paura delle [integrazioni complesse](/blog/xml-data-format-how-one-online-store-stopped-fearing-complex-integrations/). I commercianti possono anche beneficiare dell'utilizzo di un [programma di elaborazione dei listini prezzi](/blog/price-list_processing_program/).