Какво се случи
Lowe’s ускорява използването на изкуствен интелект (AI), за да подобри начина, по който клиентите, занимаващи се със "Направи си сам" (DIY), търсят, откриват и купуват продукти онлайн. Според скорошни брифинги на компанията и медийни публикации, търговецът е разположил инструменти, основани на AI, които персонализират търсенето на сайта, усъвършенстват препоръките за продукти и оптимизират съдържанието, за да увеличат процентите на конверсия сред DIY купувачите. Тези инициативи са част от по-широка дигитална стратегия, която включва и инвестиции в мобилни изживявания, изпълнение на поръчки чрез всички канали и мениджмънт на стоките, основан на данни.
Публичните коментари от ръководството на компанията показват, че AI се прилага в множество точки от пътуването на клиента: интерпретиране на заявки на естествен език като "материали за изграждане на малка палуба", съпоставянето им със съответните SKUs, автоматично генериране или обогатяване на продуктово съдържание и динамично коригиране на това, което се показва на потребителя въз основа на поведенчески сигнали. Ранното въздействие се формулира от гледна точка на по-висока онлайн конверсия, по-силно ангажиране с DIY сегментите и по-ефективни операции със съдържание в каталога с продукти.
Защо това е важно за електронната търговия и инфраструктурата за съдържание
Новината подчертава структурна промяна в електронната търговия: AI преминава от експериментално допълнение към основна инфраструктура за управление на стоките и операции със съдържание. За асортимент, който е силно ориентиран към DIY, където продуктите са технически, контекстни и често се купуват като част от проект, традиционният модел на статични продуктови feed-ове и ръчно управление на каталога става все по-неадекватен. AI променя икономиката на това колко бързо и колко задълбочено такива асортименти могат да бъдат дигитализирани, описани и управлявани.
В същото време фокусът върху DIY купувачите подчертава ключова тенденция в търсенето. Тези клиенти очакват насочени, ориентирани към проекта изживявания, а не просто преглеждане на категории. Това очакване се превръща директно в изисквания за по-богати продуктови данни, по-интелигентни взаимоотношения между SKUs и по-гъвкави pipelines за съдържание, способни да генерират и актуализират "обяснително" съдържание в голям мащаб.
Въздействие върху продуктовите feed-ове: от статични списъци към динамични, ориентирани към намерението данни
В класическия стек за електронна търговия продуктовият feed е сравнително статичен експорт на каталожни данни: идентификатори, заглавия, описания, атрибути, цени и наличност. Управлението на стоките, управлявано от AI, както е демонстрирано в този случай, избутва продуктовите feed-ове в няколко посоки:
От SKU-центрични към ориентирани към намерението
За DIY категориите намерението на клиента често започва като проект ("ремонт на баня", "инсталиране на таванен вентилатор"), а не като конкретен продукт. AI моделите, обучени върху историческо поведение и съдържание, могат да заключат кои SKUs обикновено се появяват заедно за даден проект и да ги представят в последователен feed за реклами, резултати от търсене или блокове с препоръки. Вместо плосък списък с отделни елементи, системата може да генерира динамични "bundles" и feed-ове, базирани на проекти, които са по-съвместими с начина, по който мислят DIY клиентите.От фиксирани експорти към непрекъснато оптимизирани feed-ове
Тъй като AI моделите научават кои комбинации от заглавия, изображения, атрибути и значки водят до по-висока конверсия, тези идеи могат да бъдат върнати в това как е структуриран и приоритизиран продуктовият feed. С течение на времето feed-ът става адаптивен слой: продуктите могат да бъдат преоценени, обогатени или маркирани за човешка проверка въз основа на сигнали за ефективност в реално време. Медийното отразяване около AI инициативите на Lowe's подчертава повишаването на конверсията като ключов KPI, което предполага тясна връзка между поведенческите данни и оптимизацията на feed-а.От ръчно картографиране към автоматизирано подравняване на таксономията
Големите асортименти често трябва да съответстват на множество външни таксономии (рекламни платформи, пазари, партньорски програми). AI може да автоматизира голяма част от тази работа по картографиране чрез класифициране на продуктите в правилните категории и атрибутни схеми въз основа на неструктурирани данни (заглавия, описания, спецификации). Това намалява латентността между приемането на продукт в основния каталог и правилното му представяне във всички низходящи feed-ове.За екипите по електронна търговия този подход премества продуктовите feed-ове от еднократна задача за техническа интеграция към текуща повърхност за оптимизация, където AI и данните за ефективността непрекъснато усъвършенстват начина, по който продуктите са представени. За да разберете как работят продуктовите feed-ове, можете да научите повече за тях в нашата публикация в блога, озаглавена "Продуктов feed - NotPIM".
Стандарти за каталогизиране: AI като двигател за нормализация и последователност
Случаят на Lowe’s също илюстрира как AI се превръща в de‑facto двигател за стандартизация на каталога. DIY асортиментите са доста разнородни: различни доставчици, непоследователни наименования, припокриващи се набори от атрибути и регионални спецификации. Прилагането на AI към този проблем има няколко последици:
Автоматично извличане и нормализиране на атрибути
Моделите за обработка на естествен език могат да извличат атрибути (размери, материали, покрития, напрежение, съвместимост) от документи на доставчици, PDF спецификации или неструктурирани описания и да ги картографират към унифициран атрибутен модел. Това подобрява последователността на филтрите, сравненията и аспектите на търсенето, без да е необходимо ръчно въвеждане за всеки SKU.Кръстосано свързване на свързани продукти и проекти
За DIY клиентите стойността на структурата на каталога се крие в това колко добре изразява взаимоотношенията: необходими аксесоари, съвместими части, поетапни потоци на проекта. AI може да изведе тези взаимоотношения от модели на съвместни покупки, текстови описания и поведение на клиентите, обогатявайки каталога със структурирани връзки (напр. "необходими за инсталация", "обикновено купувани заедно в проекти за палуба"). Това премества стандартите за каталога отвъд прости йерархични категории към структури, подобни на граф.По-висока толерантност към шумни данни отгоре
Когато AI е вграден в каталожния pipeline, системата може да приеме по-малко стандартизирани данни от доставчиците и все пак да създаде чист, нормализиран каталог. Това намалява триенето при приемането на доставчици и прави растежа на каталога по-малко зависим от тяхната дисциплина в форматирането, като същевременно конвергира към вътрешни стандарти, които са критични за търсене, навигация и анализи.Чрез закотвяне на подобренията в конверсията в по-добро управление на каталога, случаят показва как стандартите за каталога вече не са основно въпрос на управление; те се превръщат в оптимизационен актив, който се чете от машината.
Качество и пълнота на продуктовата страница: мащабиране на дълбочината без линейни разходи
Съобщените печалби от онлайн конверсии са силно свързани с това, което се случва на ниво продуктова страница. За DIY купувачите качеството и пълнотата на продуктовите страници са критични: те трябва да разберат не само артикула, но и неговата пригодност за конкретен случай на употреба. AI допринася за това по няколко начина:
Обогатяване на описанията и контекста на употреба
Езиковите модели могат да генерират кратки, ориентирани към проекта обяснения (напр. "подходящо за външни палуби до X квадратни фута") въз основа на структурирани атрибути и съществуващо копие. Това намалява двусмислието и помага на DIY клиентите да преценят годността, без да се налага да се свързват с поддръжката или да се отказват от покупката.Систематично попълване на липсващите полета
Големите каталози обикновено включват дълги опашки от SKUs с непълни данни. AI може да изведе липсващи атрибути от подобни продукти или съдържание на доставчици и да маркира гранични случаи за човешка проверка. В резултат на това повече страници достигат прага на "готово за конверсия" пълнота, без напълно ръчна куриране.Последователно форматиране и четливост
Генерирането и редактирането на съдържание с помощта на AI може да гарантира, че продуктовите страници следват последователни шаблони, тонове и подреждане на информацията (ключови спецификации първо, след това случаи на употреба, след това подробни спецификации). За DIY потребителите, изправени пред сложни решения, тази последователност намалява когнитивната натовареност и подобрява съпоставимостта между продуктите.Подобрено мултимедийно и напътствено съдържание
Докато фокусът на новините е върху AI инструменти и конверсия, основните възможности обикновено включват генериране или организиране на поддържащо съдържание, като ръководства, съвети за инсталиране или контролни списъци с инструменти. Дори когато такова съдържание остава създадено от човек, AI може да помогне за показване на най-подходящите активи за даден SKU и да ги интегрира директно в продуктовата страница или блоковете с препоръки.За лидерите в електронната търговия това демонстрира път към увеличаване на дълбочината и релевантността на продуктовата страница без линейно увеличение на числеността на персонала за производство на съдържание.
Скорост на пазара: компресиране на цикъла на добавяне на каталог
Ключов стратегически резултат от каталозирането и операциите със съдържание, разрешени от AI, е по-бързата скорост на разширяване на асортимента. DIY категориите се развиват постоянно: нови материали, актуализирани строителни кодекси, сезонни тенденции на проекти. Всяка забава между набавянето на продукт и обявяването му онлайн директно засяга приходите и конкурентоспособността.
Примерът на Lowe’s предполага няколко лоста за ускорение:
По-бързо усвояване на данните от доставчиците
Вместо да се чака за перфектно форматирани, стандартизирани продуктови файлове, AI може да анализира хетерогенни данни, да извлече ключови атрибути и да генерира първоначално продуктово копие. След това човешките екипи могат да прегледат елементите с голямо въздействие или с висок риск, докато дългата опашка преминава през pipeline с леко докосване.Паралелизация на картографирането на таксономията и създаването на съдържание
В традиционните потоци продуктите често първо се класифицират, след което се предават на екипите по съдържание. AI позволява тези стъпки да се изпълняват паралелно: класификация, извличане на атрибути и създаване на чернови на съдържание могат да се извършат в един проход над данните, което съкращава общото време на цикъла.Незабавно A/B тестване на варианти на съдържание
След като AI генерира множество форми на заглавия, точки или описания, платформата за електронна търговия може да започне да тества варианти почти веднага след като продуктите станат активни. Това затваря цикъла на обратна връзка между включването и оптимизацията и намалява времето, необходимо за достигане на стабилно, високопроизводително представяне на продукта.За пазари, където сезонността и промоциите са значителни, това компресиране на цикъла на въвеждане не е просто печалба от ефективност, а двигател на приходите. Той прави възможно бързото реагиране на нововъзникващите DIY тенденции, промени в нормативните актове или прекъсвания на доставките. Когато става въпрос за продуктови данни, наличието на правилната структура винаги е полезно. Можете да получите по-добро разбиране как да създадете добре структурирана и много подходяща продуктова страница, като прочетете нашата публикация в блога, озаглавена "Създаване на продуктова страница: от рутинна необходимост до интелигентна автоматизация".
Без кодове и AI: демократизиране на контрола върху логиката на управление на стоките
Важен, но по-малко видим аспект от историята на Lowe’s е как AI инструментите се доставят на бизнес потребителите. Отрасловото отчитане показва по-широк преход към no‑code или low‑code интерфейси, които позволяват на мениджърите на стоки, търговците и екипите по съдържание да конфигурират AI поведение, без да се налага задълбочено инженерно участие. В този контекст са релевантни няколко модела:
Конфигурируеми правила върху AI модели
Бизнес потребителите могат да дефинират предпазни мерки и приоритети (напр. "приоритизиране на наличностите", "избягване на препоръки на професионални инструменти за новодошлите купувачи"), които оформят начина, по който AI моделите класират и избират продукти. No‑code инструментът за създаване на правила го прави реалистично да се адаптират изживяванията, управлявани от AI, към стратегии за управление на стоките на седмична или дори ежедневна база.Автоматизация на работния процес за операции със съдържание
No‑code платформи за автоматизация могат да оркестрират задачи като „когато в тази категория се добавят нови SKUs, задействайте извличане на атрибути, базирано на AI, и създайте чернови на описания за преглед“. Това намалява повтарящата се работа за екипите по съдържание и гарантира, че AI възможностите се прилагат систематично, а не само ad hoc.Експериментиране в крайните точки на каталога
С достъпни интерфейси за конфигуриране екипите, отговарящи за конкретни DIY категории, могат да провеждат локализирани експерименти върху оформленията на страници, логиката на препоръките или шаблоните за съдържание, без да чакат централни ресурси за разработка. Успешните модели могат след това да бъдат популяризирани до глобални стандарти.Тази комбинация от AI и no‑code инструменти премества ролята на централното инженерство от изграждането на еднократни функции към поддържането на стабилни, конфигурируеми платформи. За големи каталози този модел е от съществено значение, за да бъде в крак с обема и разнообразието на необходимите промени в съдържанието. За да видите пример, прочетете публикацията ни в блога, наречена "Как да създадете движещи продажбите продуктови описания, без да харчите богатство".
Стратегически последици за електронната търговия и инфраструктурата за съдържание
Освен непосредствените метрики за конверсия, случаят на Lowe’s илюстрира няколко по-широки стратегически насоки за дигиталния търговски пазар:
Каталог и съдържание като система за обучение
Когато AI е дълбоко интегриран, каталогът вече не е статично отражение на инвентара; той се превръща в система за обучение, където продуктовите данни, поведението на потребителите и генерирането на съдържание се подсилват взаимно. Колкото повече клиенти взаимодействат със DIY съдържание, толкова по-добре системата предсказва намерението и коригира представянето на продукта.Тясна връзка между оперативните данни и потребителското изживяване
Печалбите от конверсия, свързани с AI, предполагат непрекъснато използване на оперативни данни: нива на запасите, опции за доставка, регионални различия в нормативните актове или климата. За DIY тези фактори са важни за пригодността на продукта. Вграждането им в управлявано от AI съдържание и препоръки трансформира това, което преди беше back-office данни, в видима част от пазаруването.Предефиниране на функциите на "екипа по съдържание"
Тъй като AI се справя с повече от механичната работа по изготвяне на описания, попълване на атрибути и основно редактиране на копия, специалистите по човешко съдържание все повече се фокусират върху задачи от по-висок ред: проектиране на шаблони, дефиниране на насоки, куриране на гранични случаи и привеждане на съдържанието в съответствие с по-широки стратегии за марка и категория. Примерът на Lowe’s сигнализира, че операциите със съдържание в електронната търговия се движат към модел, при който хората оркестрират и валидират, а не ръчно произвеждат всеки артефакт.Натиск за еталон върху останалата част от пазара
Когато големите търговци на дребно демонстрират измерими подобрения в конверсията чрез AI-разширено съдържание и workflow-ове за каталога, очакванията се променят за целия сектор. Клиентите, които имат проектно-ориентирани, много подходящи DIY пътувания на едно място, ще започнат да разглеждат по-малко интелигентните каталози като триене. Това повишава летвата за качеството на продуктовите данни, скоростта на актуализациите на каталога и интелигентността при управлението на стоките в електронната търговия.Взети заедно, разработките около AI инструментите за DIY купувачи илюстрират колко дълбоко е сега инфраструктурата за съдържание, преплетена с търговската ефективност. Продуктовите feed-ове, стандартите за каталога, качеството на страницата, скоростта на включване и no-code контрол вече не са отделни проблеми; те са взаимозависими компоненти на единна AI-разрешена система за управление на стоките. Случаят на Lowe’s е конкретен пример за това как тази система може да бъде изградена и използвана за стимулиране на онлайн конверсията в сложна, управлявана от проекти категория.
Тъй като NotPIM наблюдава тенденцията на AI-управляваните постижения в електронната търговия, ние признаваме критичната необходимост от стабилно управление на информацията за продуктите. Бизнесите трябва да адаптират своето управление на каталозите и стратегиите за съдържание, за да поддържат AI. Това означава да се гарантира, че продуктовите данни са не само пълни, но и добре структурирани и лесно достъпни. За клиентите използването на решение като NotPIM помага за решаване на проблема с неефективното разпространение на данни. И накрая, NotPIM позволява на бизнеса да използва потенциала на AI за подобрено управление на стоките ефективно, без да бъде ограничен от предизвикателствата, свързани с качеството и достъпността на данните.