Стартиране на AI асистент в мобилното приложение
Magnit представи своя собствен AI асистент, наречен Mёdik (Magic), директно в мобилното приложение "Magnit: Промоции и доставки". Разработен вътрешно от технологичния екип на компанията, използвайки технологии с отворен код и търговски голям езиков модел (LLM) от трета страна, асистентът позволява на потребителите да избират продукти въз основа на конкретни критерии, като например видове ястия. Той също така поддържа запитвания за статуса на поръчките и решаване на проблеми, без да се налага да се свързват с обслужване на клиенти.
Бъдещите подобрения ще разширят възможностите за идентифициране на максимални отстъпки за артикули, предоставяне на съвети за навигация в магазина, съдействие при самообслужване на касите и препоръчване на козметика и продукти за грижа за кожата, съобразени с индивидуалните характеристики на кожата. Magnit позиционира това като първия AI асистент, стартиран в мобилните приложения на сектора за търговия на дребно с хранителни стоки.
Техническа основа и първоначално изпълнение
AI използва хибриден подход: рамки с отворен код за основната функционалност, комбинирани с търговски LLM за усъвършенствана обработка на естествен език. Тази настройка позволява съвпадение на продукти в реално време от огромни каталози, като се използват структурирани данни като атрибути, цени и наличност. Текущите функции се фокусират върху препоръки, базирани на запитвания, преобразувайки неясни потребителски въвеждания – като например "съставки за вечеря" – в точни асортименти, като по този начин се рационализира процесът на откриване на продукти.
Интеграцията се извършва директно в приложението, което вече се занимава с промоции, доставки и програми за лоялност, както се вижда от основната му роля в многоформатните операции на Magnit. Това вгражда AI във всекидневните взаимодействия с потребителите, без да изискват отделни инструменти.
Влияние върху продуктовите фийдове в електронната търговия
AI асистенти като Mёdik влияят директно върху продуктовите фийдове, като позволяват динамично филтриране и персонализиране по време на запитване. Традиционните фийдове разчитат на статични правила или ръчна курация, но процесите за съпоставяне, задвижвани от LLM, съпоставят намерението на потребителя с атрибутите на фийда – цена, категория, диетични нужди – ускорявайки релевантността, без изчерпателно предварително тагиране. Това намалява латентността при актуализациите на фийда, тъй като промените в каталога в реално време се разпространяват незабавно към препоръките.
За електронната търговия с хранителни стоки, където асортиментите надвишават хиляди SKUs с бързо развалящи се или промоционални промени, такива системи минимизират излагането на остарели данни. Базираният на критерии избор на асистента подсказва векторни вграждания или семантично търсене в фийдовете, подобрявайки откриваемостта на артикули с дълга опашка, които стриктните фийдове пренебрегват. Ако търсите помощ за вашия собствен product feed, вижте този блог: /blog/product_feed/.
Повишаване на стандартизацията на каталога
Каталогизирането в търговията на дребно често страда от непоследователни стандарти между доставчиците, което води до фрагментирани данни. Разгръщането на Mёdik налага имплицитна стандартизация: чрез запитване за видове ястия или характеристики на кожата, тя изисква еднакви атрибути в задните каталози – хранителни профили, списъци със съставки, дерматологични тагове. С течение на времето това води до подобрения нагоре по веригата, тъй като непълните данни водят до лоши препоръки, притискайки екипите да се съобразяват с нововъзникващите схеми.
В електронната търговия, където 70-80% от каталозите произтичат от различни доставчици, AI действа като врата за качество. Нестандартните записи влошават точността на LLM, насърчавайки приемането на протоколи като GS1 или персонализирани онтологии. Вътрешното проектиране на Magnit предполага собствени подобрения за обработка на регионални продуктови нюанси, като определя еталон за мащабируема хигиена на каталога.
Подобряване на качеството и пълнотата на product card
Product card в приложенията за хранителни стоки често нямат дълбочина – липсват алергени, комбинации или заместители – което ограничава конверсиите. Mёdik решава този проблем, като прави извод за завършеност от взаимодействията: непълните карти пропускат сложни запитвания, разкривайки пропуски за итеративно обогатяване. Бъдещите препоръки за грижа за кожата, например, ще изискват атрибути като нива на pH или хипоалергенни флагове, които налагат по-пълни, осъзнати карти.
Това прехвърля електронната търговия от описателни към предсказуеми карти, където AI попълва липсващите полета чрез извод (напр. екстраполиране на пригодността за ястие от съставките). Резултат: по-голямо доверие от потребителите и намалени върнати продукти, тъй като препоръките съответстват на реалните нужди. За инфраструктурата на съдържанието, това автоматизира работните потоци за обогатяване, като приоритизира артикулите с голям трафик. Осигуряването на това вашите product descriptions да са безупречни може да промени всичко. Прочетете повече: /blog/how_to-create-sales-driving-product-descriptions-without-spending-a-fortune/.
Ускоряване на скоростта на внедряване на асортимента
Скоростта при представянето на нови асортименти определя конкурентната електронна търговия, особено в хранителни стоки, богати на промоции. Ръчното включване – тестване на фийдове, карти, промоции – обхваща дни; AI го свива до минути. Функцията за търсене на отстъпки на Mёdik, планирана за внедряване, сканира фийдовете на живо за оптимални съвпадения, като позволява незабавно извеждане на флаш разпродажби или сезонни представяния, без повторно обхождане.
Елементите без код усилват това: основите с отворен код позволяват настройка на подкани с плъзгане и пускане и наслагване на правила, заобикаляйки опашките на разработчиците. Търговците на дребно могат да тестват AI поведения на подмножества от асортимент, разгръщайки победителите в цялото приложение бързо. В случая на Magnit, свързването на AI със самообслужване на касите и насоки в магазина предвещава синхронизация от всички канали, където обученията на приложенията оптимизират физическите оформления в реално време.
No-Code AI и Content Automation Synergies
Платформите без код, съчетани с LLM, намаляват бариерите пред внедряването на AI, както се вижда в основата с отворен код на Mёdik. Технологичните екипи на търговците на дребно конфигурират поведения чрез визуални интерфейси – верижни подкани за запитвания, интегриращи куки за API за поръчки – без дълбоко кодиране. Това демократизира процесите на съдържание: търговците определят логиката за препоръки, операциите се грижат за потоците за поддръжка, ускорявайки итерациите.
За инфраструктурата на електронната търговия, тя отключва генериране на съдържание в мащаб: автоматично генериране на описания на карти, промоционален текст или персонализирани пакети от данни от фийда. Решението за поддръжка на Magnit чрез AI илюстрира това, предотвратявайки билети чрез синтезиране на история на поръчките и политики. Хипотеза: с узряването на моделите, no-code ще стандартизира AI в цялата верига, свивайки циклите на разработка от месеци на седмици, като същевременно поддържа персонализирани предимства. Управлението на вашите данни за тези инструменти е улеснено с инструмент като програма за обработка на ценови листи - вижте тази статия: /blog/price-list-processing_program/.
Retailer's.ru съобщи за стартирането, подчертавайки неговия пионерски статут в хранителните стоки. VentureBeat отразява свързаните иновации на AI в работната сила, подчертавайки по-широкия потенциал на платформата. Управлението на вашите операции в електронната търговия често разчита на правилния формат на вашите данни. Вижте нашите подробни ръководства за CSV и JSON формати: /blog/csv-format-how-to-structure-product-data-for-smooth-integration/ или /blog/json-format-how-one-store-turned-chaos-into-fast-synchronization/
Стартирането на AI асистента на Magnit подчертава значителна тенденция към използване на AI за откриване на продукти и подобряване на потребителското изживяване, особено във връзка с електронната търговия в сектора на хранителните стоки. Този ход сигнализира за натиск за стандартизация на каталога и по-богати продуктови данни за захранване на AI модели. За платформи като NotPIM, това подчертава нарастващата важност на управлението на продуктовата информация при поддръжката на сложни AI-базирани функционалности. Виждаме това развитие като положителна стъпка към по-умни и по-ефективни операции в електронната търговия.