ASOS przenosi zakupy wideo do wyszukiwarek odpowiedzi
ASOS uruchomiło integrację, która pozwala kupującym odkrywać i kupować produkty bezpośrednio z ChatGPT, korzystając z zakupów wideo. Dzięki doświadczeniu ASOS Stylist użytkownicy mogą opisać, czego szukają, używając naturalnego języka – na przykład „różowa, letnia sukienka w kwiaty” – i otrzymać wyselekcjonowany zestaw produktów z katalogu ASOS. Każdy wynik można wyświetlić jako krótkie wideo, a następnie otworzyć w szczegółach na ASOS.com, aby dokończyć zakup. Pilotaż jest wdrażany w Wielkiej Brytanii i USA i opiera się na AI Stylist, który jest już dostępny w aplikacji ASOS.
Rozwiązanie jest zasilane przez technologię wideo commerce firmy Bambuser, która konwertuje katalog produktów ASOS i zasoby wideo na dane ustrukturyzowane, które mogą być pobierane w czasie rzeczywistym przez duże modele językowe i renderowane jako zakupy wideo. ASOS pozycjonuje to jako ewolucję wykraczającą poza narzędzia zakupowe oparte na tekście i statycznych obrazach, mając na celu uczynienie odkrywania mody „szybszym, łatwiejszym i bardziej inspirującym” w interfejsach konwersacyjnych, takich jak ChatGPT.
Od wyszukiwania produktów do „answer commerce”
Integracja ilustruje szerszy zwrot w e-commerce z podróży opartych na wyszukiwaniu i listach do „answer commerce”, gdzie użytkownicy zadają pytania konwersacyjne i oczekują małego, wysoce trafnego zestawu opcji, zamiast nawigowania po filtrach i stronicowaniu. W tym modelu jakość i struktura danych produktowych stają się tak krytyczne jak cena lub asortyment: silnik odpowiedzi nie może pokazać tego, czego nie może zanalizować.
Posunięcie ASOS jest jedną z bardziej zaawansowanych prób na rynku brytyjskim połączenia dużego, szybko zmieniającego się katalogu mody z uniwersalnym LLM w sposób, który zachowuje logikę merchandisingu. Fakt, że rozwiązanie zwraca nie tylko kafelki produktów, ale także wideo, sugeruje, że ASOS zainwestowało w mapowanie produktów, atrybutów i zasobów multimedialnych w indeksowaną, czytelną dla maszyn warstwę, która może być przeszukiwana za pomocą języka naturalnego, a nie sztywnej składni wyszukiwania.
Implikacje dla feedów produktowych i infrastruktury treści
Aby konwersacyjna, wideo-first podróż działała w interfejsie zewnętrznym, takim jak ChatGPT, sprzedawca e-commerce musi traktować swój product feed jako coś więcej niż tylko eksport dla platform reklamowych. Wynika z tego kilka konsekwencji.
Po pierwsze, feedy potrzebują bogatszych atrybutów. Monit, taki jak „różowa, letnia sukienka w kwiaty na wesele w ciągu dnia, poniżej 80 funtów” może być dobrze obsłużony tylko wtedy, gdy podstawowe produkty są oznaczone rodzinami kolorów, wzorami (kwiatowymi), okazjami, ceną i często bardziej subiektywnymi wymiarami, takimi jak „lato” czy „gość weselny”. Wielu sprzedawców nadal polega na ograniczonych feedach zoptymalizowanych pod kątem wyszukiwarek porównywania cen; commerce konwersacyjny popycha ich w kierunku znacznie bardziej szczegółowych taksonomii atrybutów i kontrolowanych słowników.
Po drugie, feedy potrzebują ściślejszego połączenia z mediami. Zakupy wideo w wyszukiwarkach odpowiedzi wymagają mapowania między SKU a segmentami wideo: które produkty pojawiają się w którym wideo, w jakich znacznikach czasu i w jakim kontekście (cały wygląd, zbliżenie, przymierzanie, wskazówka dotycząca stylizacji). Zazwyczaj nie jest to rejestrowane w standardowych feedach produktowych, które koncentrują się na obrazach i podstawowych metadanych. ASOS i Bambuser skutecznie traktują wideo jako obiekt danych pierwszej klasy połączony z katalogiem, a nie jako luźno dołączony zasób marketingowy.
Po trzecie, feedy muszą być zoptymalizowane pod kątem pobierania w czasie rzeczywistym, a nie eksportu wsadowego. Aby pozostać aktualnymi, rekomendacje wyświetlane przez LLM muszą odzwierciedlać poziomy zapasów, zmiany cen i aktualizacje asortymentu. To popycha sprzedawców w kierunku API i aktualizacji strumieniowych zamiast nocnych przesyłania feedów oraz w kierunku architektur, w których dane produktowe, zapasy i zawartość są wystarczająco ściśle zsynchronizowane, aby można je było bezpiecznie udostępniać zewnętrznym silnikom odpowiedzi.
Standaryzacja katalogu i czytelność maszynowa
Inicjatywa ASOS podkreśla, jak standardy katalogowe stają się warstwą umożliwiającą zakupy oparte na sztucznej inteligencji. „Warstwa inteligencji” Bambuser jest opisana jako przekształcająca katalog i bibliotekę wideo w dane ustrukturyzowane, które mogą być wykorzystywane przez LLM. W praktyce prawdopodobnie obejmie to kilka kroków, które stają się standardowe w zaawansowanych stosach e-commerce:
- Normalizacja atrybutów produktu w spójne schematy, tak aby „kwiatowy”, „kwiatowy nadruk” i „wzór kwiatowy” zostały połączone w jedną, rozpoznawalną przez maszyny koncepcję.
- Wzbogacanie wpisów katalogowych za pomocą wizji komputerowej i modeli językowych w celu wykrywania koloru, wzoru, sylwetki, a nawet wnioskowanych przypadków użycia, gdy dane sprzedawców są niekompletne.
- Indeksowanie treści do wyszukiwania semantycznego, tak aby monity takie jak „miękkie, oddychające letnie tkaniny” mogły być dopasowane do produktów opisanych jako „popelina bawełniana” lub „mieszanka lnu”, nawet jeśli dokładny tekst nie jest obecny.
Dla szerszego rynku wskazuje to kierunek podróży: katalogi przechodzą od czytelnych dla ludzi, ale wrażliwych na maszyny opisów do struktur czytelnych dla maszyn, zaprojektowanych specjalnie do pobierania przez sztuczną inteligencję. Detaliści, którzy utrzymują przestarzałe, niestandardowe katalogi, będą mieli trudności z uczestnictwem w wyszukiwarkach odpowiedzi i środowiskach commerce konwersacyjnego.
Podnoszenie jakości kart produktów poprzez wideo
Przeniesienie wideo do ChatGPT to nie tylko gra dystrybucyjna; ma to wpływ na to, jak wygląda „dobra” product detail page (PDP). Krótkie wideo udowodniło już swoją skuteczność w zwiększaniu konwersji i zmniejszaniu zwrotów w modzie, pokazując dopasowanie, ruch i kontekst stylizacji. Udostępnienie tej samej zawartości bezpośrednio w warstwie odkrywania kompresuje tradycyjny lejek: inspiracja, ocena i wybór produktu odbywają się w jednej interakcji.
Aby to wesprzeć, podstawowa zawartość produktu musi być głębsza i bardziej spójna. Wideo musi być dostępne dla dużej części SKU, a nie tylko głównych produktów. Szczegóły dotyczące rozmiaru, dopasowania i tkaniny muszą być na tyle dokładne, aby klienci mogli pewnie działać na podstawie tego, co widzą na wideo. Niekompletne lub niespójne PDP stają się bardziej widocznymi słabościami, gdy pierwszym wrażeniem jest zestaw zakupów wideo kuratorowanych przez sztuczną inteligencję, a nie siatka zdjęć.
Istnieje również pętla sprzężenia zwrotnego: interakcje użytkowników z wideo (które produkty są wstrzymywane, odtwarzane, klikane) tworzą dodatkowe sygnały behawioralne, które mogą być przekazywane z powrotem do modeli rankingowych i priorytetyzacji treści. Z czasem może to wpłynąć na to, które produkty otrzymują bogatszą zawartość i jak sprzedawcy inwestują w produkcję wideo.
Szybkość wprowadzania asortymentu i automatyzacja treści
W przypadku dużych katalogów mody jednym z głównych wąskich gardeł w rozszerzaniu asortymentu jest tworzenie treści: tytułów, opisów, atrybutów, obrazów i coraz częściej wideo. Wdrożenie zakupów wideo w wyszukiwarkach odpowiedzi sprawia, że prędkość jest jeszcze ważniejsza: nowo wprowadzane produkty muszą szybko stać się wykrywalne w konwersacyjnych podróżach, a nie tygodnie po początkowym wprowadzeniu do oferty.
Sztuczna inteligencja i automatyzacja stają się kluczowe dla rozwiązania tego problemu. Wizja komputerowa może wyodrębniać atrybuty z obrazów, podczas gdy modele językowe mogą generować wstępne opisy na podstawie danych ustrukturyzowanych. Przepływy pracy wideo mogą być częściowo zautomatyzowane za pomocą szablonów, grafiki ruchomej i edycji wspomaganej przez sztuczną inteligencję, a zespoły ludzkie koncentrują się na treściach krytycznych dla marki i kontroli jakości. Sprzedawcy, którzy systematyzują te procesy, mogą skrócić czas między decyzjami zakupowymi a gotowymi do AI wpisami w katalogu, dając im przewagę w dynamicznych kategoriach.
Narzędzia no-code również odgrywają rolę. Zespoły marketingu i merchandisingu coraz częściej polegają na interfejsach, które pozwalają im definiować segmenty, zasady i warianty treści bez udziału programistów. Po podłączeniu do powierzchni odkrywczych opartych na sztucznej inteligencji, narzędzia te pozwalają użytkownikom nietechnicznym zarządzać tymi kolekcjami, trendami lub kampaniami, które powinny być traktowane priorytetowo w odpowiedziach konwersacyjnych („sezon imprezowy”, „wygląd festiwalowy”, „powrót do szkoły”), podczas gdy systemy centralne zapewniają, że podstawowy schemat i tagowanie pozostają spójne.
Wyszukiwarki odpowiedzi jako nowy kanał dystrybucji
Traktowanie ChatGPT i podobnych systemów jako wyszukiwarek odpowiedzi, a nie tradycyjnych kanałów medialnych, zmienia ramy dystrybucji e-commerce. Zamiast kupować wyświetlenia lub słowa kluczowe, detaliści muszą konkurować pod względem jakości danych, trafności i zdolności do bezpiecznej integracji z zewnętrznymi systemami AI. Integracja ASOS sugeruje model, w którym:
- Warstwy katalogu i treści są udostępniane za pośrednictwem bezpiecznych interfejsów API lub widżetów, które mogą wywoływać wyszukiwarki odpowiedzi, bez udzielania im bezpośredniego dostępu do systemów wewnętrznych.
- Sprzedawcy zachowują kontrolę nad cenami, kasą i danymi klientów, sprowadzając użytkowników z powrotem do własnych domen w celu dokończenia transakcji.
- Personalizacja może być udostępniana między silnikiem odpowiedzi a systemami handlowca za pośrednictwem sygnałów kontekstowych, przy jednoczesnym przestrzeganiu ograniczeń prywatności.
Ta architektura ma wpływ na analitykę i atrybucję. Tradycyjna analityka internetowa jest słabo przystosowana do podróży, które zaczynają się w agencie konwersacyjnym i trwają na kilku powierzchniach. Sprzedawcy pilotujący takie integracje będą musieli pogodzić logi z platform AI, warstw commerce wideo oraz własnych analiz internetowych i aplikacji, aby zrozumieć wpływ na konwersję, średnią wartość zamówienia i wskaźniki zwrotów.
Znaczenie strategiczne dla ekosystemów SaaS i e-commerce
Z perspektywy SaaS inicjatywa ASOS ilustruje pewien wzór: specjalistyczne platformy pojawiają się, aby znaleźć się między surowymi danymi sprzedawców a uniwersalnymi interfejsami AI. Platformy te obsługują pozyskiwanie, normalizację, wzbogacanie i udostępnianie danych handlowych w formach, z których LLM mogą korzystać bezpiecznie i wydajnie. Dla firm e-commerce może to zmniejszyć potrzebę budowania złożonej infrastruktury AI we własnym zakresie, ale podnosi poprzeczkę dla kontroli danych w górę i higieny katalogu.
Dla sektora e-commerce jako całości wdrożenia zakupów konwersacyjnych opartych na wideo w wyszukiwarkach odpowiedzi przyspieszają kilka trendów:
- Feedy produktowe ewoluują w wykresy wiedzy w czasie rzeczywistym, bogato atrybuowane.
- Standardy katalogowe i taksonomie stają się aktywami konkurencyjnymi, a nie obawami zaplecza.
- Jakość PDP jest mierzona nie tylko konwersją na miejscu, ale także tym, jak dobrze produkty mogą być reprezentowane w zewnętrznych środowiskach opartych na sztucznej inteligencji.
- Prędkość wprowadzania asortymentu w coraz większym stopniu zależy od wspomaganej przez sztuczną inteligencję produkcji treści i mediów.
- Narzędzia no-code i AI stają się warstwą operacyjną, która pozwala zespołom handlowym kierować podróżami napędzanymi przez sztuczną inteligencję bez stałego wsparcia inżynierskiego.
Pilotaż ASOS jest na wczesnym etapie, a jego wpływ komercyjny nie został jeszcze określony ilościowo, ale sygnalizuje kierunek, w którym e-commerce w modzie prawdopodobnie się przesunie: od statycznych list do konwersacyjnych, bogatych w media odkryć, które obejmują wiele platform, zasilanych przez ustrukturyzowaną, czytelną dla maszyn zawartość u podstaw stosu commerce.
Integracja ASOS z ChatGPT podkreśla rosnące znaczenie ustrukturyzowanych, wysokiej jakości danych produktowych. To przejście w kierunku „answer commerce” podkreśla krytyczną potrzebę efektywnego zarządzania katalogiem i wzbogacania go. Dla firm, które chcą to osiągnąć, NotPIM zapewnia solidne rozwiązanie zapewniające dokładność, spójność i gotowość feedów produktowych do zastosowań opartych na sztucznej inteligencji. Automatyzując zadania, takie jak mapowanie atrybutów, wzbogacanie treści i transformacja feedów, NotPIM pomaga firmom e-commerce dostosować się do tego ewoluującego krajobrazu, poprawiając wykrywalność produktów i ułatwiając płynną integrację z platformami takimi jak ChatGPT. Pomaga to naszym klientom wyprzedzać konkurencję, optymalizując ich dane pod kątem tych nowych, innowacyjnych doświadczeń e-commerce. Jest to szczególnie przydatne przy ulepszaniu feedów produktowych, co ma kluczowe znaczenie dla integracji AI. Z pomocą AI możesz szybko tworzyć sprzedające opisy produktów. Zrozumienie, jak działają te systemy, pozwala nie bać się skomplikowanych integracji. Sprzedawcy mogą również skorzystać z programu przetwarzania cenników.