### ASOS siirtää ostettavan videon vastausmoottoreihin
ASOS on lanseerannut integraation, jonka avulla ostajat voivat löytää ja ostaa tuotteitaan suoraan ChatGPT:stä ostettavan videon avulla. ASOS Stylist -kokemuksen kautta käyttäjät voivat kuvailla, mitä he etsivät luonnollisella kielellä – esimerkiksi "vaaleanpunainen kukkainen kesämekko" – ja saada ASOS-katalogista kuratoidun valikoiman tuotteita. Jokainen tulos voidaan katsoa lyhytmuotoisena videona, minkä jälkeen sen voi avata yksityiskohtaisesti osoitteessa ASOS.com oston loppuunsaattamiseksi. Pilotti otetaan käyttöön Isossa-Britanniassa ja Yhdysvalloissa, ja se pohjautuu ASOS-sovelluksessa jo olevaan AI Stylistiin.
Kokemuksen taustalla on Bambuserin videokauppateknologia, joka muuntaa ASOS:n tuoteluettelon ja videoaineiston strukturoiduksi dataksi, jonka suuret kielimallit voivat noutaa reaaliajassa ja renderöidä ostettavaksi videoksi. ASOS sijoittaa tämän kehitykseksi tekstipohjaisten ja staattisten kuvien pohjalta toimivien tekoälypohjaisten ostotyökalujen ohi, ja sen tavoitteena on tehdä muodin löytämisestä "nopeampaa, helpompaa ja inspiroivampaa" keskustelukäyttöliittymissä, kuten ChatGPT.
### Tuotehausta "vastauskauppaan"
Integraatio havainnollistaa e-kaupan laajempaa muutosta haku- ja listapohjaisista matkoista "vastauskauppaan", jossa käyttäjät esittävät keskustelevia kyselyitä ja odottavat pientä, erittäin relevanttia valikoimaa sen sijaan, että he navigoisivat suodattimien ja sivutuksen läpi. Tässä mallissa tuotetiedon laadusta ja rakenteesta tulee yhtä kriittistä kuin hinnasta tai valikoimasta: vastausmoottori ei voi näyttää sitä, mitä se ei voi jäsentää.
ASOS:n siirto on yksi edistyneimmistä yrityksistä Ison-Britannian markkinoilla yhdistää suuri, nopeasti muuttuva muotikatalogi yleiskäyttöiseen LLM:ään tavalla, joka säilyttää kaupallisen logiikan. Se, että kokemus palauttaa tuotelaattojen lisäksi myös videoita, viittaa siihen, että ASOS on investoinut tuotteiden, ominaisuuksien ja mediavarojen kartoittamiseen indeksoitavaan, koneellisesti luettavaan kerrokseen, jota voidaan kysellä luonnollisella kielellä jäykän hakuympäristön sijaan.
### Vaikutukset tuotesyötteisiin ja sisältöinfrastruktuuriin
Jotta keskusteleva, video-ensimmäinen matka toimisi ulkoisessa käyttöliittymässä, kuten ChatGPT:ssä, verkkokauppias joutuu käsittelemään tuotesyötettään enemmän kuin pelkkänä vientinä mainosalustoille. Tästä seuraa useita seurauksia.
Ensinnäkin syötteet tarvitsevat rikkaampia ominaisuuksia. Kehotukseen, kuten "vaaleanpunainen kukkainen kesämekko päivä häihin, alle 80 puntaa", voidaan vastata hyvin vain, jos taustalla olevat tuotteet on merkitty väriperheillä, kuvioilla (kukkainen), tilaisuudella, hinnalla ja usein subjektiivisemmilla ulottuvuuksilla, kuten "kesä" tai "häävieras". Monet kauppiaat luottavat edelleen rajoitettuihin syötteisiin, jotka on optimoitu hintavertailumoottoreita varten; keskustelukauppa työntää heitä kohti paljon yksityiskohtaisempia ominaisuus taksonomioita ja kontrolloituja sanastoja.
Toiseksi syötteiden on oltava tiiviimmin yhteydessä mediaan. Ostettava video vastausmoottoreissa vaatii kartoitusta SKU:iden ja videosegmenttien välillä: mitkä tuotteet näkyvät missäkin videossa, millä aikaleimoilla ja missä kontekstissa (koko asu, lähikuva, kokeilu, tyylivinkki). Tätä ei yleensä tallenneta tavallisiin tuotesyötteisiin, jotka keskittyvät kuviin ja perustietoihin. ASOS ja Bambuser käsittelevät videota tehokkaasti ensiluokkaisena dataobjektina, joka on linkitetty luetteloon, sen sijaan, että se olisi löyhästi kiinnitetty markkinointi varallisuuserä.
Kolmanneksi syötteet on optimoitava reaaliaikaista noutoa varten batch-viennin sijaan. Jotta LLM:n esittämät suositukset olisivat relevantteja, niiden on heijastettava varastotasoja, hintamuutoksia ja valikoiman päivityksiä. Tämä työntää kauppiaita kohti API:ja ja suoratoistopäivityksiä yöllisten syötteiden latausten sijaan ja kohti arkkitehtuureja, joissa tuotetiedot, varasto ja sisältö synkronoidaan riittävän tiiviisti, jotta ne voidaan altistaa turvallisesti ulkoisille vastausmoottoreille.
### Luetteloiden standardointi ja koneellinen luettavuus
ASOS-aloite korostaa sitä, miten luettelostandardeista tulee mahdollistava kerros tekoälypohjaiselle ostamiselle. Bambuserin "Intelligence Layer" kuvataan muuntavan luettelon ja videokirjaston strukturoiduksi dataksi, jonka LLM:t voivat kuluttaa. Käytännössä tämä sisältää todennäköisesti useita vaiheita, joista on tulossa standardeja edistyneissä e-commerce-pinnoissa:
- Tuoteominaisuuksien normalisointi yhdenmukaisiksi skeemoiksi, jotta "kukkainen", "kukkaispainatus" ja "kukka-aiheinen kuvio" käännetään yhdeksi koneellisesti tunnistettavaksi käsitteeksi.
- Luettelomerkintöjen rikastaminen tietokonenäön ja kielimallien avulla värin, kuvion, siluetin ja jopa pääteltyjen käyttötapausten havaitsemiseksi, kun kauppiaiden omat tiedot ovat puutteelliset.
- Sisällön indeksointi semanttista hakua varten, jotta kehotukset, kuten "pehmeät, hengittävät kesäkankaat", voidaan yhdistää tuotteisiin, joita kuvaillaan "puuvillapopliiniksi" tai "pellavasekoitukseksi", vaikka tarkkaa tekstiä ei olisikaan läsnä.
Laajemmille markkinoille tämä osoittaa suunnan: luettelot siirtyvät ihmisluettavista, mutta koneella haavoittuvista kuvauksista koneella luettaviin rakenteisiin, jotka on suunniteltu nimenomaan tekoälyhautoa varten. Järjestelmät, jotka ylläpitävät vanhoja, standardoimattomia luetteloita, kokevat vaikeuksia osallistua vastausmoottoreihin ja keskustelukauppaympäristöihin.
### Tuotetietosivujen parantaminen videon avulla
Videon tuominen ChatGPT:hen ei ole vain jakelupeli; sillä on vaikutuksia siihen, miltä "hyvä" tuotetietosivu (PDP) näyttää. Lyhytmuotoinen video on jo osoittautunut tehokkaaksi konversion lisäämisessä ja palautusten vähentämisessä muodissa näyttämällä istuvuutta, liikettä ja tyyli kontekstia. Saman sisällön esille tuominen suoraan löytökerroksessa tiivistää perinteisen suppilon: inspiraatio, arviointi ja tuotevalinta tapahtuvat yhdessä vuorovaikutuksessa.
Tämän tukemiseksi taustalla olevan tuotesisällön on oltava syvempää ja johdonmukaisempaa. Videon on oltava saatavilla suurella osuudella SKU:ista, ei vain päällimmäisistä tuotteista. Koko-, istuvuus- ja kangastietojen on oltava riittävän tarkkoja, jotta asiakkaat voivat toimia luottavaisin mielin sen mukaan, mitä he näkevät videossa. Epätäydelliset tai epäjohdonmukaiset PDP:t muuttuvat näkyvämmiksi heikkouksiksi, kun ensimmäinen vaikutelma on tekoälyn kuratoima joukko ostettavia videoita staattisten kuvien sijaan.
Siellä on myös palautussilmukka: käyttäjien vuorovaikutus videon kanssa (mitä tuotteita on tauotettu, toistettu, klikattu läpi) luo lisää käyttäytymismerkkejä, joita voidaan syöttää ranking-malleihin ja sisällön priorisointiin. Ajan myötä tämä voi vaikuttaa siihen, mitkä tuotteet saavat rikkaampaa sisältöä ja miten kauppiaat investoivat videotuotantoon.
### Valikoiman käyttöönoton nopeus ja sisällön automatisointi
Suurissa muotikataloogeissa yksi suurimmista pullonkauloista valikoiman laajentamisessa on sisällön luominen: otsikot, kuvaukset, ominaisuudet, kuvamateriaali ja yhä useammin video. Ostettavan videon käyttöönotto vastausmoottoreissa tekee nopeudesta entistä kriittisempää: uudet tuotteet on saatava löydettäviksi keskustelevissa matkoissa nopeasti, ei viikkoja ensimmäisen listauksen jälkeen.
Tekoäly ja automaatio ovat keskeisiä tämän ratkaisemisessa. Tietokonenäkö voi poimia ominaisuuksia kuvista, kun taas kielimallit voivat luoda alkuperäisiä kuvauksia strukturoidun datan perusteella. Videotyönkulkuja voidaan osittain automatisoida mallien, liikegrafiikan ja tekoälyavusteisen editoinnin avulla, ja ihmistiimit keskittyvät brändikriittiseen sisältöön ja laadunvalvontaan. Kauppiaat, jotka systematisoivat nämä prosessit, voivat lyhentää aikaa ostopäätösten ja tekoälyvalmiiden luettelomerkintöjen välillä, mikä antaa heille etua dynaamisissa kategorioissa.
No-code-työkalut ovat myös merkittävässä roolissa. Markkinointi- ja myyntitiimit luottavat yhä enemmän käyttöliittymiin, joiden avulla he voivat määrittää segmenttejä, sääntöjä ja sisältöversioita ilman kehittäjien osallistumista. Kun nämä työkalut kytketään tekoälypohjaisiin löytöpintoihin, tällaiset työkalut antavat ei-teknisille käyttäjille mahdollisuuden hallita, mitkä kokoelmat, trendit tai kampanjat tulisi priorisoida keskustelevissa vastauksissa ("bilekausi", "festarilookit", "takaisin kouluun"), kun taas keskusjärjestelmät varmistavat, että taustalla olevat skeemat ja taggaus pysyvät yhdenmukaisina.
### Vastausmoottorit uutena jakelukanavana
ChatGPT:n ja vastaavien järjestelmien käsittely vastausmoottoreina perinteisten mediakanavien sijaan muokkaa e-kaupan jakelua. Pelkkien vaikutelmien tai avainsanojen ostamisen sijaan jälleenmyyjien on kilpailtava datan laadulla, relevanssilla ja kyvyllä integroitua turvallisesti ulkoisiin tekoälyjärjestelmiin. ASOS-integraatio ehdottaa mallia, jossa:
- Luettelo- ja sisältökerrokset altistuvat suojattujen API:iden tai widgetien kautta, joita vastausmoottorit voivat kutsua antamatta niille suoraa pääsyä sisäisiin järjestelmiin.
- Kauppiaat säilyttävät hallinnan hinnoittelusta, kassasta ja asiakastiedoista tuomalla käyttäjiä takaisin omille verkkotunnuksilleen transaktioiden suorittamiseksi.
- Personointi voidaan jakaa vastausmoottorin ja kauppiaan järjestelmien välillä kontekstuaalisten signaalien avulla yksityisyyttä koskevien rajoitusten mukaisesti.
Tällä arkkitehtuurilla on vaikutusta analytiikkaan ja attribuutioon. Perinteiset web-analytiikat soveltuvat huonosti matkoille, jotka alkavat keskusteluagentissa ja jatkuvat useilla pinnoilla. Tällaisia integraatioita pilotoivat kauppiaat joutuvat sovittamaan lokit tekoälyalustoilta, videokauppakerroksista ja omista verkko- ja sovellusanalytiikoistaan ymmärtääkseen vaikutuksen konversioon, keskimääräiseen tilausarvoon ja palautusmääriin.
### Strateginen merkitys SaaS- ja e-commerce-ekosysteemeille
SaaS-näkökulmasta ASOS-aloite havainnollistaa kaavaa: erikoisalustoja syntyy asettumaan jälleenmyyjien raakadatan ja yleiskäyttöisten tekoälykäyttöliittymien väliin. Nämä alustat käsittelevät kauppadatan sisäänvientiä, normalisointia, rikastamista ja altistamista muodoissa, joita LLM:t voivat käyttää turvallisesti ja tehokkaasti. E-commerce-yrityksille tämä voi vähentää tarvetta rakentaa monimutkaisia tekoälyinfrastruktuureja itse, mutta se korottaa rimaa ylävirran datanhallintaan ja luettelohygieniaan.
Koko e-commerce-alan osalta keskustelu- ja video-ensimmäisen ostamisen käyttöönotot vastausmoottoreissa nopeuttavat useita trendejä:
- Tuotesyötteet kehittyvät reaaliaikaisiksi, rikkaasti luetteloituihin tietoihin pohjautuviksi graafeiksi.
- Luettelostandardeista ja taksonomioista tulee kilpailuetuja, ei vain taustatoimiston huolia.
- PDP-laatu mitataan paitsi sivuston sisäisellä konversiolla, myös sillä, kuinka hyvin tuotteet voidaan esittää ulkoisissa tekoälyohjatuissa ympäristöissä.
- Valikoiman käyttöönoton nopeus riippuu yhä enemmän tekoälyavusteisesta sisällöstä ja media-tuotannosta.
- No-code- ja tekoälytyökalut muuttuvat operatiiviseksi kerrokseksi, jonka avulla kaupalliset tiimit voivat ohjata tekoälyohjattuja matkoja ilman jatkuvaa teknistä tukea.
ASOS-pilotti on varhaisessa vaiheessa, ja sen kaupallisia vaikutuksia ei ole vielä kvantifioitu, mutta se osoittaa suuntaa, johon muodin e-kauppa todennäköisesti liikkuu: staattisista listoista keskusteleviin, medialle rikkaisiin löytöihin, jotka kattavat useita alustoja ja joita tukee strukturoidun, koneellisesti luettavan sisällön keskellä kauppatiedon pinossa.
ASOS-integraatio ChatGPT:hen korostaa strukturoidun, korkealaatuisen tuotetiedon kasvavaa merkitystä. Tämä siirtyminen "vastauskauppaan" korostaa kriittistä tarvetta tehokkaalle luettelonhallinnalle ja rikastamiselle. Tätä haluaville yrityksille [NotPIM](/blog/product-feed/) tarjoaa vankan ratkaisun varmistaakseen, että tuotesyötteet ovat tarkkoja, johdonmukaisia ja valmiita tekoälyohjattuihin sovelluksiin. Automatisoimalla tehtäviä, kuten ominaisuuskartoitus, sisällön rikastaminen ja syötteen muuntaminen, NotPIM auttaa e-commerce-yrityksiä sopeutumaan tähän kehittyvään maisemaan, parantaen tuotteiden löydettävyyttä ja helpottaen saumatonta integraatiota alustoihin, kuten ChatGPT. Tämä auttaa asiakkaitamme pysymään kehityksessä kärjessä optimoimalla tietonsa näitä uusia, innovatiivisia e-commerce-kokemuksia varten. Tämä on erityisen hyödyllistä [tuotesyötteiden](/blog/product-feed/) parantamisessa, mikä on ratkaisevan tärkeää tekoälyintegraatiolle. Tekoälyn avulla voit luoda [myyntiä vauhdittavia tuotekuvauksia](/blog/how-to-create-sales-driving-product-descriptions-without-spending-a-fortune/) nopeasti. Näiden järjestelmien toiminnan ymmärtäminen antaa sinulle mahdollisuuden olla pelkäämättä [monimutkaisia integraatioita](/blog/xml-data-format-how-one-online-store-stopped-fearing-complex-integrations/). Kauppiaat voivat myös hyötyä [hintalistan käsittelyohjelman](/blog/price-list_processing_program/) käytöstä.