### ASOS інтегрує відео з можливістю покупки в механізми відповідей
ASOS запустив інтеграцію, яка дозволяє покупцям знаходити та купувати товари безпосередньо в ChatGPT за допомогою відео з можливістю покупки. За допомогою досвіду ASOS Stylist користувачі можуть описувати, що вони шукають, природною мовою – наприклад, “рожева літня сукня з квітковим принтом” – і отримувати підібраний набір товарів з каталогу ASOS. Кожен результат можна переглянути як короткий відеоролик, а потім відкрити детально на ASOS.com, щоб завершити покупку. Пілотний проєкт розгортається у Великій Британії та США, і базується на AI Stylist, вже доступному в додатку ASOS.
Досвід забезпечується технологією відео-комерції Bambuser, яка перетворює каталог продуктів ASOS та відеоактиви на структуровані дані, які можуть бути отримані в реальному часі великими мовними моделями та відображені як відео з можливістю покупки. ASOS позиціонує це як еволюцію за межами інструментів покупок з використанням тексту та статичних зображень, прагнучи зробити пошук мод "швидшим, легшим та надихаючим" у розмовних інтерфейсах, таких як ChatGPT.
### Від пошуку продуктів до “комерції відповіді”
Інтеграція ілюструє ширший зсув у e‑commerce від пошукових подорожей та подорожей на основі списків до “комерції відповіді”, де користувачі ставлять розмовні запити та очікують невеликий, дуже відповідний набір варіантів, а не навігацію по фільтрах та пагінації. У цій моделі якість та структура даних про продукт стають такими ж критичними, як ціна або асортимент: механізм відповіді не може показати те, що не може розібрати.
Крок ASOS є однією з найбільш передових спроб на ринку Великобританії поєднати великий, швидко змінний fashion-каталог із загальною мовною моделлю (LLM) таким чином, щоб зберегти логіку мерчандайзингу. Той факт, що досвід повертає не тільки плитки продуктів, але й відео, свідчить про те, що ASOS інвестував у зіставлення продуктів, атрибутів та медіа-активів у індексований, машинно-читабельний шар, який можна запитувати природною мовою, а не жорстким синтаксисом пошуку.
### Наслідки для product feed та інфраструктури контенту
Щоб зробити розмовну подорож, орієнтовану на відео, робочою в зовнішньому інтерфейсі, як-от ChatGPT, e‑commerce ритейлер повинен ставитися до свого product feed як до чогось більшого, ніж просто експорт для рекламних платформ. З цього випливає кілька наслідків.
По-перше, feed потрібні більш багаті атрибути. Запит на кшталт “рожева літня сукня з квітковим принтом для денного весілля, до 80 фунтів стерлінгів” може бути добре відповідним лише в тому випадку, якщо основні продукти містять теги родин кольорів, малюнків (квітковий), події, ціни та часто більш суб’єктивні виміри, такі як “літо” або “гість на весіллі”. Багато продавців все ще покладаються на обмежені feed, оптимізовані для двигунів порівняння цін; розмовна комерція підштовхує їх до набагато більш детальних таксономій атрибутів та контрольованих словників.
По-друге, feed потребують тіснішого зв’язку з медіа. Відео з можливістю покупки в механізмах відповіді вимагає зіставлення між SKU (Stock Keeping Unit) та відеосегментами: які продукти з’являються в якому відео, у яких часових позначках та в якому контексті (загальний вигляд, крупний план, примірка, порада щодо стилю). Зазвичай це не фіксується у стандартних product feed, які зосереджені на зображеннях та базових метаданих. ASOS та Bambuser фактично розглядають відео як об’єкт даних першого класу, пов’язаний з каталогом, а не як вільно прикріплений маркетинговий актив.
По-третє, feed мають бути оптимізовані для отримання інформації в реальному часі, а не для пакетного експорту. Щоб залишатися актуальними, рекомендації, представлені LLM, повинні відображати рівень запасів, зміни цін та оновлення асортименту. Це підштовхує продавців до API та потокових оновлень замість нічних завантажень feed, і до архітектур, де дані про продукт, інвентар та контент синхронізовані досить тісно, щоб їх можна було безпечно відкрити для зовнішніх механізмів відповіді.
### Стандартизація каталогу та машиночитабельність
Ініціатива ASOS підкреслює, як стандарти каталогів стають шаром, що забезпечує покупку на основі штучного інтелекту. “Інтелектуальний шар” Bambuser описується як перетворення каталогу та відео-бібліотеки на структуровані дані, які можуть споживатися LLM. На практиці це, ймовірно, передбачає кілька кроків, які стають стандартними в передових e‑commerce стеках:
- Нормалізація атрибутів продуктів у послідовних схемах, щоб “квітковий”, “квітковий принт” та “візерунок з квітками” згорталися в єдину машинорозпізнавальну концепцію.
- Збагачення записів каталогу за допомогою комп’ютерного зору та мовних моделей для виявлення кольору, візерунка, силуету та навіть передбачуваних випадків використання, коли власних даних продавців недостатньо.
- Індексація контенту для семантичного пошуку, щоб такі запити, як “м’які, дихаючі літні тканини”, можна було зіставити з продуктами, описаними як “бавовняна попліна” або “лляна суміш”, навіть якщо точний текст відсутній.
Для ширшого ринку це свідчить про напрямок руху: каталоги переходять від людиночитабельних, але машинно-вразливих описів до машиночитабельних структур, розроблених явно для отримання інформації за допомогою штучного інтелекту. Роздрібні торговці, які підтримують застарілі, нестандартизовані каталоги, відчуватимуть труднощі з участю в механізмах відповідей та розмовному середовищі комерції.
### Підвищення якості product card за допомогою відео
Включення відео в ChatGPT – це не просто гра з дистрибуцією; це має наслідки для того, як виглядає “хороша” product card (PDP). Короткі відео вже довели свою ефективність у збільшенні конверсії та зменшенні повернень у fashion-індустрії, показуючи відповідність, рух та контекст стилю. Виведення того ж контенту безпосередньо в шар відкриття стискає традиційну воронку: натхнення, оцінка та вибір продукту відбуваються в одній взаємодії.
Щоб підтримати це, основний контент продукту повинен бути глибшим і більш послідовним. Відео має бути доступним для високої частки SKU, а не лише для основних продуктів. Деталі розміру, відповідності та тканини повинні бути достатньо точними, щоб клієнти могли впевнено діяти на основі того, що вони бачать у відео. Неповні або непослідовні PDP стають більш помітними слабкими місцями, коли перше враження – це набір відео з можливістю покупки, курований штучним інтелектом, а не сітка фотографій.
Існує також зворотний зв’язок: взаємодії користувачів з відео (які продукти поставлені на паузу, повторно програються, натискаються) створюють додаткові поведінкові сигнали, які можуть бути передані назад у моделі рейтингу та пріоритезацію контенту. З часом це може вплинути на те, які продукти отримають більш насичений контент і як продавці інвестують у виробництво відео.
### Швидкість введення в асортимент та автоматизація контенту
Для великих каталогів fashion-індустрії одним із основних вузьких місць у розширенні асортименту є створення контенту: назви, описи, атрибути, зображення та, дедалі, відео. Розгортання відео з можливістю покупки в механізмах відповіді робить швидкість ще більш критичною: нові продукти, що вводяться, повинні швидко ставати доступними у розмовних подорожах, а не через тижні після первинного розміщення.
Штучний інтелект та автоматизація стають центральними для вирішення цього питання. Комп’ютерний зір може витягувати атрибути з зображень, тоді як мовні моделі можуть генерувати початкові описи на основі структурованих даних. Відео-workflow можна частково автоматизувати за допомогою шаблонів, анімаційної графіки та редагування за допомогою штучного інтелекту, причому людські команди зосереджуються на критичному для бренду контенті та контролі якості. Продавці, які систематизують ці процеси, можуть скоротити час між рішеннями про покупку та записами каталогу, готовими до штучного інтелекту, що дає їм перевагу в динамічних категоріях.
Інструменти no-code також відіграють певну роль. Команди маркетингу та мерчандайзингу все частіше покладаються на інтерфейси, які дозволяють їм визначати сегменти, правила та варіанти контенту без участі розробників. При підключенні до поверхонь відкриття на основі штучного інтелекту такі інструменти дозволяють технічно некваліфікованим користувачам керувати тим, які колекції, тренди чи кампанії слід пріоритезувати в розмовних відповідях (“сезон вечірок”, “образи для фестивалів”, “повернення до школи”), тоді як центральні системи забезпечують узгодженість основної схеми та тегування.
### Механізми відповідей як новий канал дистрибуції
Розгляд ChatGPT та подібних систем як механізмів відповідей, а не традиційних медіаканалів, переосмислює e‑commerce дистрибуцію. Замість купівлі показів або ключових слів роздрібні торговці повинні конкурувати за якість даних, релевантність та здатність безпечно інтегруватися із зовнішніми системами штучного інтелекту. Інтеграція ASOS передбачає модель, в якій:
- Шари каталогу та контенту відкриті через захищені API або віджети, які можуть викликати механізми відповіді, не надаючи їм прямого доступу до внутрішніх систем.
- Продавці зберігають контроль над ціноутворенням, оформленням замовлення та даними клієнтів, повертаючи користувачів на власні домени для завершення транзакції.
- Персоналізація може бути спільною між механізмом відповідей та системами продавця через контекстні сигнали, дотримуючись при цьому обмежень конфіденційності.
Ця архітектура має наслідки для аналітики та атрибуції. Традиційна веб-аналітика погано підходить для подорожей, які починаються всередині розмовного агента та продовжуються на кількох поверхнях. Продавці, які пілотують такі інтеграції, повинні будуть узгодити журнали з платформ штучного інтелекту, шарів відео-комерції та власних веб- та додаткових аналітичних даних, щоб зрозуміти вплив на конверсію, середню вартість замовлення та показники повернення.
### Стратегічне значення для SaaS та e‑commerce екосистем
З точки зору SaaS (Software as a Service) ініціатива ASOS ілюструє модель: з’являються спеціалізовані платформи, які розміщуються між необробленими даними роздрібних торговців та загальними інтерфейсами штучного інтелекту. Ці платформи займаються прийомом, нормалізацією, збагаченням та представленням комерційних даних у формах, які LLM можуть використовувати безпечно та ефективно. Для e‑commerce бізнесу це може зменшити потребу у створенні складної інфраструктури штучного інтелекту на власному підприємстві, але підвищує планку для управління даними вище за потоком та гігієни каталогу.
Для e‑commerce сектору в цілому розгортання розмовної комерції з відео в механізмах відповідей прискорює кілька тенденцій:
- Product feed перетворюються на графіки знань збагачені даними в реальному часі.
- Стандарти та таксономії каталогу стають конкурентними активами, а не питаннями бек-офісу.
- Якість PDP вимірюється не тільки конверсією на сайті, але й тим, наскільки добре продукти можуть бути представлені у зовнішніх середовищах на основі штучного інтелекту.
- Швидкість введення в асортимент дедалі залежить від контенту та медіа-продакшну за допомогою штучного інтелекту.
- Інструменти no-code та штучний інтелект стають операційним шаром, який дозволяє комерційним командам керувати подорожами на основі штучного інтелекту без постійної технічної підтримки.
Пілотний проєкт ASOS є на ранній стадії, і його комерційний вплив ще належить оцінити, але він вказує напрямок, у якому fashion-індустрія e‑commerce, ймовірно, переміститься: від статичних списків до розмовного відкриття, насиченого медіа, яке охоплює декілька платформ, що працює на структурованому, машинно-читабельному контенті в основі комерційного стека.
Інтеграція ASOS з ChatGPT підкреслює зростаюче значення структурованих, високоякісних даних про продукти. Цей зсув у бік “комерції відповіді” підкреслює критичну потребу в ефективному управлінні каталогом та збагаченні. Для підприємств, які прагнуть досягти цього, [NotPIM](/blog/product-feed/) надає надійне рішення для забезпечення точності, послідовності та готовності product feed для додатків на основі штучного інтелекту. Автоматизуючи такі завдання, як зіставлення атрибутів, збагачення контенту та перетворення feed, NotPIM допомагає e‑commerce підприємствам адаптуватися до цього еволюційного ландшафту, покращуючи видимість продуктів та полегшуючи безперебійну інтеграцію з платформами, як-от ChatGPT. Це допомагає нашим клієнтам випереджати тенденції, оптимізуючи свої дані для цих нових, інноваційних e‑commerce досвідів. Це особливо корисно для покращення [product feed](/blog/product_feed/), що має вирішальне значення для інтеграції штучного інтелекту. За допомогою штучного інтелекту ви можете швидко створювати [описи продуктів, що спонукають до продажу](/blog/how-to-create-sales-driving-product-descriptions-without-spending-a-fortune/). Розуміння того, як працюють ці системи, дозволяє вам не боятися [складних інтеграцій](/blog/xml-data-format-how-one-online-store-stopped-fearing-complex-integrations/). Продавці також можуть скористатися програмою [обробки прайс-листів](/blog/price-list_processing_program/).