ASOS внедряет видео с возможностью покупок в поисковые системы ответов
ASOS запустила интеграцию, которая позволяет покупателям находить и покупать товары непосредственно в ChatGPT с помощью видео с возможностью покупок. С помощью опыта ASOS Stylist пользователи могут описать свои поиски на естественном языке — например, «розовое летнее платье с цветочным принтом» — и получить подобранный набор товаров из каталога ASOS. Каждый результат можно просмотреть в виде короткого видео, а затем открыть его на ASOS.com, чтобы завершить покупку. Пилотный проект запускается в Великобритании и США и основан на AI Stylist, уже доступном в приложении ASOS.
Опыт основан на технологии видео-коммерции Bambuser, которая преобразует каталог продуктов и видеоактивы ASOS в структурированные данные, которые могут быть извлечены в режиме реального времени большими языковыми моделями и отображены в виде видео с возможностью покупок. ASOS позиционирует это как эволюцию за пределами инструментов покупок на основе текста и статических изображений, стремясь сделать поиск модных товаров «быстрее, проще и вдохновляюще» в интерфейсах диалога, таких как ChatGPT.
От поиска продуктов к «ответной коммерции»
Интеграция иллюстрирует более широкий переход в электронной коммерции от поисковых и листинговых запросов к «ответной коммерции», где пользователи задают вопросы в режиме диалога и ожидают небольшой, очень релевантный набор вариантов, а не навигацию по фильтрам и пагинацию. В этой модели качество и структура данных о продуктах становятся такими же критичными, как цена или ассортимент: поисковая система ответов не может показать то, что она не может проанализировать.
Действия ASOS — одна из самых передовых попыток на рынке Великобритании соединить большой, быстро меняющийся каталог модных товаров с языковой моделью общего назначения (LLM) таким образом, чтобы сохранить логику мерчендайзинга. Тот факт, что в результате генерируются не только плитки продуктов, но и видео, предполагает, что ASOS инвестировала в отображение продуктов, атрибутов и медиа-активов в индексный, машиночитаемый слой, который можно запрашивать на естественном языке, а не с помощью жесткого синтаксиса поиска.
Последствия для product feed и инфраструктуры контента
Чтобы сделать диалоговый интерфейс, ориентированный на видео, работоспособным в стороннем интерфейсе, таком как ChatGPT, розничный продавец электронной коммерции должен рассматривать свой product feed как нечто большее, чем просто экспорт для рекламных платформ. Отсюда вытекает несколько последствий.
Во-первых, фиды нуждаются в более богатых атрибутах. Запрос вроде «розовое летнее платье с цветочным принтом для дневной свадьбы, до 80 фунтов стерлингов» может быть хорошо обработан, только если основные продукты помечены различными признаками: семейства цвета, узоры (цветочные), назначение, цена и часто более субъективными параметрами, такими как «лето» или «гость на свадьбе». Многие продавцы по-прежнему полагаются на ограниченные фиды, оптимизированные для систем сравнения цен; диалоговая коммерция подталкивает их к гораздо более детальным таксономиям атрибутов и контролируемым словарям.
Во-вторых, фиды нуждаются в более тесной связи с медиа. Видео с возможностью покупок в поисковых системах ответов требует сопоставления между артикулами и видеосегментами: какие продукты появляются в каком видео, в какие моменты времени и в каком контексте (полный образ, крупный план, примерка, совет по стилю). Это, как правило, не отображается в стандартных product feed, которые фокусируются на изображениях и основных метаданных. ASOS и Bambuser фактически рассматривают видео как первоклассный объект данных, связанный с каталогом, а не как свободно прикрепленный маркетинговый актив.
В-третьих, фиды должны быть оптимизированы для извлечения в режиме реального времени, а не для пакетного экспорта. Чтобы оставаться актуальными, рекомендации, выдаваемые LLM, должны отражать уровни запасов, изменения цен и обновления ассортимента. Это подталкивает продавцов к использованию API и потоковых обновлений вместо еженощной загрузки фидов, а также к архитектуре, где данные о продуктах, инвентарь и контент синхронизируются достаточно плотно, чтобы их можно было безопасно показывать внешним поисковым системам ответов.
Стандартизация каталога и машиночитаемость
Инициатива ASOS подчеркивает, как стандарты каталогов становятся обеспечивающим слоем для покупок, управляемых ИИ. «Слой интеллекта» Bambuser описывается как преобразование каталога и видеотеки в структурированные данные, пригодные для использования LLM. На практике это, вероятно, включает в себя несколько шагов, которые становятся стандартными в передовых стеках электронной коммерции:
- Нормализация атрибутов продуктов в согласованные схемы, чтобы «цветочный», «цветочный принт» и «узор из цветов» сводились к единой распознаваемой машиной концепции.
- Обогащение записей каталога с использованием компьютерного зрения и языковых моделей для обнаружения цвета, узора, силуэта и даже предполагаемых вариантов использования, когда собственные данные продавцов неполны.
- Индексация контента для семантического поиска, чтобы запросы вроде «мягкие, дышащие летние ткани» могли сопоставляться с продуктами, описанными как «хлопковый поплин» или «льняная смесь», даже если точный текст отсутствует.
Для более широкого рынка это указывает направление: каталоги переходят от понятных для человека, но хрупких для машинного восприятия описаний к машиночитаемым структурам, разработанным явно для извлечения ИИ. Продавцам, которые поддерживают устаревшие, нестандартизированные каталоги, будет сложнее участвовать в поисковых системах ответов и средах диалоговой коммерции.
Повышение качества страниц с подробной информацией о продуктах с помощью видео
Внедрение видео в ChatGPT — это не просто игра с дистрибуцией; это влечет за собой последствия для того, как выглядит «хорошая» страница с подробной информацией о продукте (PDP). Короткие видео уже доказали свою эффективность в увеличении конверсии и уменьшении возвратов в моде, показывая посадку, движение и контекст стиля. Отображение того же контента непосредственно в слое обнаружения сжимает традиционную воронку: вдохновение, оценка и выбор продукта происходят в одном взаимодействии.
Чтобы это поддержать, основной контент продукта должен быть более глубоким и последовательным. Видео должны быть доступны для большой доли артикулов, а не только для основных продуктов. Детали размера, посадки и ткани должны быть достаточно точными, чтобы покупатели могли уверенно действовать, основываясь на том, что они видят в видео. Неполные или непоследовательные PDP становятся более заметными слабостями, когда первое впечатление — это курируемый ИИ набор видео с возможностью покупок, а не сетка неподвижных изображений.
Существует также обратная связь: взаимодействия пользователей с видео (какие продукты приостанавливаются, воспроизводятся повторно, на какие нажимают) создают дополнительные поведенческие сигналы, которые можно вводить обратно в модели ранжирования и приоритизацию контента. Со временем это может повлиять на то, какие продукты получают более насыщенный контент и как продавцы инвестируют в видеопроизводство.
Скорость ввода ассортимента и автоматизация контента
Для больших каталогов модных товаров одним из основных узких мест при расширении ассортимента является создание контента: названия, описания, атрибуты, изображения и, все чаще, видео. Развертывание видео с возможностью покупок в поисковых системах ответов делает скорость еще более критичной: новые продукты должны быстро становиться доступными в диалоговом интерфейсе, а не через несколько недель после первоначального размещения.
ИИ и автоматизация становятся центральными для решения этой задачи. Компьютерное зрение может извлекать атрибуты из изображений, в то время как языковые модели могут генерировать первоначальные описания на основе структурированных данных. Видеорабочие процессы могут быть частично автоматизированы с помощью шаблонов, графики движения и редактирования с помощью ИИ, а команды людей сосредоточатся на критичном для бренда контенте и контроле качества. Продавцы, которые систематизируют эти процессы, могут сократить время между решениями о покупке и готовыми к ИИ записями в каталоге, что даст им преимущество в динамичных категориях.
Инструменты no-code также играют свою роль. Команды маркетинга и мерчендайзинга все чаще полагаются на интерфейсы, которые позволяют им определять сегменты, правила и варианты контента без участия разработчиков. При подключении к системам обнаружения на основе ИИ такие инструменты позволяют нетехническим пользователям управлять тем, какие коллекции, тренды или кампании следует приоритизировать в диалоговых ответах («сезон вечеринок», «образы для фестивалей», «возвращение в школу»), в то время как центральные системы обеспечивают, чтобы базовая схема и тегирование оставались последовательными.
Поисковые системы ответов как новый канал дистрибуции
Рассматривая ChatGPT и аналогичные системы как поисковые системы ответов, а не традиционные медиаканалы, мы переосмысливаем дистрибуцию электронной коммерции. Вместо покупки показов или ключевых слов розничные продавцы должны конкурировать за качество данных, релевантность и способность безопасно интегрироваться с внешними системами ИИ. Интеграция ASOS предполагает следующую модель:
- Слои каталога и контента раскрываются через безопасные API или виджеты, которые поисковые системы ответов могут вызывать, не предоставляя им прямого доступа к внутренним системам.
- Продавцы сохраняют контроль над ценами, оформлением заказа и данными клиентов, возвращая пользователей на свои собственные домены для завершения транзакции.
- Персонализация может быть разделена между поисковой системой ответов и системами продавца с помощью контекстных сигналов, соблюдая при этом ограничения конфиденциальности.
Эта архитектура имеет последствия для аналитики и атрибуции. Традиционная веб-аналитика плохо подходит для запросов, которые начинаются внутри агента диалога и продолжаются на нескольких платформах. Продавцам, пилотирующим такие интеграции, потребуется согласовать журналы с платформ ИИ, слоев видео-коммерции и своей собственной веб- и аналитики приложений, чтобы понять влияние на конверсию, среднюю стоимость заказа и показатели возврата.
Стратегическая значимость для SaaS и экосистем электронной коммерции
С точки зрения SaaS, инициатива ASOS иллюстрирует схему: специализированные платформы появляются для размещения между необработанными данными розничных продавцов и интерфейсами ИИ общего назначения. Эти платформы обрабатывают загрузку, нормализацию, обогащение и отображение коммерческих данных в формах, которые LLM могут использовать безопасно и эффективно. Для предприятий электронной коммерции это может уменьшить потребность в создании сложной инфраструктуры ИИ собственными силами, но это повышает планку для управления данными и гигиены каталога.
Для сектора электронной коммерции в целом развертывание диалоговых покупок, ориентированных на видео, внутри поисковых систем ответов ускоряет несколько тенденций:
- Product feed превращаются в графы знаний в реальном времени с богатыми атрибутами.
- Стандарты и таксономии каталога становятся конкурентными активами, а не заботами бэк-офиса.
- Качество PDP измеряется не только конверсией на сайте, но и тем, насколько хорошо продукты могут быть представлены во внешних средах, управляемых ИИ.
- Скорость ввода ассортимента все больше зависит от контента и производства медиа с помощью ИИ.
- Инструменты no-code и ИИ становятся операционным слоем, который позволяет коммерческим командам управлять траекториями, управляемыми ИИ, без постоянной инженерной поддержки.
Пилотный проект ASOS находится на ранней стадии, и его коммерческое влияние еще предстоит оценить, но он указывает направление, в котором, вероятно, будет двигаться модная электронная коммерция: от статических листингов к диалоговому, насыщенному медиа-контенту, охватывающему несколько платформ, на основе структурированного, машиночитаемого контента в основе стека коммерции.
Интеграция ASOS с ChatGPT подчеркивает растущую важность структурированных, высококачественных данных о продуктах. Этот переход к «ответной коммерции» подчеркивает критическую потребность в эффективном управлении и обогащении каталогов. Для компаний, стремящихся добиться этого, NotPIM предоставляет надежное решение для обеспечения точности, согласованности и готовности product feed к приложениям, управляемым ИИ. Автоматизируя такие задачи, как сопоставление атрибутов, обогащение контента и преобразование feed, NotPIM помогает компаниям электронной коммерции адаптироваться к этой развивающейся среде, улучшая возможности обнаружения продуктов и облегчая бесшовную интеграцию с такими платформами, как ChatGPT. Это помогает нашим клиентам оставаться в авангарде, оптимизируя свои данные для этих новых, инновационных возможностей электронной коммерции. Это особенно полезно для улучшения product feed, что имеет решающее значение для интеграции ИИ. С помощью ИИ вы можете быстро создавать привлекательные описания продуктов. Понимание того, как работают эти системы, позволяет не бояться сложных интеграций. Продавцы также могут извлечь выгоду из использования программы обработки прайс-листов.