Что произошло
Lowe’s ускоряет использование искусственного интеллекта для улучшения поиска, обнаружения и покупки товаров DIY (do-it-yourself, «сделай сам») онлайн. Согласно недавним брифингам компании и сообщениям в СМИ, ритейлер развернул инструменты на базе ИИ, которые персонализируют поиск на сайте, улучшают рекомендации продуктов и оптимизируют контент для повышения коэффициента конверсии среди покупателей DIY. Эти инициативы являются частью более широкой цифровой стратегии, которая также включает инвестиции в мобильные сервисы, омниканальное обслуживание и мерчендайзинг, основанный на данных.
Публичные комментарии руководства компании указывают на то, что ИИ применяется в нескольких точках взаимодействия с клиентами: интерпретация запросов на естественном языке, таких как «материалы для строительства небольшой террасы», сопоставление их с соответствующими артикулами, автоматическая генерация или обогащение контента о продуктах и динамическая настройка того, что показывается пользователю, на основе сигналов о поведении. Ранние результаты выражаются в увеличении онлайн-конверсии, более активном взаимодействии с сегментами DIY и более эффективной работе с контентом в рамках каталога продуктов.
Почему это важно для e-commerce и контент-инфраструктуры
Эта новость подчеркивает структурные изменения в e-commerce: ИИ переходит от экспериментального дополнения к основной инфраструктуре для мерчендайзинга и работы с контентом. Для ассортимента, ориентированного на DIY, где продукты технически сложны, контекстуальны и часто покупаются в рамках проекта, традиционная модель статических product feed и ручного управления каталогом становится все более неадекватной. ИИ меняет экономику того, как быстро и глубоко такие ассортименты могут быть оцифрованы, описаны и представлены.
В то же время, акцент на покупателях DIY подчеркивает ключевую тенденцию со стороны спроса. Эти клиенты ожидают руководства, опыта, ориентированного на проект, а не простого просмотра категорий. Это ожидание напрямую переводится в требования к более богатым данным о продуктах, более умным связям между артикулами и более гибким конвейерам контента, способным генерировать и обновлять «объясняющий» контент в масштабе.
Влияние на product feed: от статических списков к динамическим, учитывающим намерения данным
В классическом e-commerce product feed представляет собой относительно статичный экспорт данных каталога: идентификаторы, названия, описания, атрибуты, цены и наличие. Мерчендайзинг на основе ИИ, продемонстрированный в этом случае, подталкивает product feed в нескольких направлениях:
От ориентированных на артикулы к ориентированным на намерения
Для категорий DIY намерение клиента часто начинается с проекта («ремонт ванной комнаты», «установка потолочного вентилятора»), а не с конкретного продукта. Модели ИИ, обученные на историческом поведении и контенте, могут выявлять, какие артикулы обычно появляются вместе для данного проекта, и отображать их в согласованном feed для рекламы, результатов поиска или блоков рекомендаций. Вместо плоского списка отдельных товаров система может генерировать динамические «пакеты» и проектные feed, которые лучше соответствуют мышлению покупателей DIY.От фиксированных экспортов к постоянно оптимизируемым feed
По мере того, как модели ИИ узнают, какие комбинации названий, изображений, атрибутов и значков приводят к более высокой конверсии, эти данные могут поступать обратно в структуру и приоритезацию product feed. Со временем feed становится адаптивным слоем: продукты могут быть переранжированы, обогащены или помечены для проверки человеком на основе сигналов производительности в реальном времени. Обзоры СМИ об инициативах Lowe's в области ИИ подчеркивают повышение конверсии в качестве ключевого KPI, что подразумевает тесную связь между данными о поведении и оптимизацией feed.От ручного сопоставления к автоматизированному выравниванию таксономии
Большим ассортиментам часто необходимо соответствовать нескольким внешним таксономиям (рекламные платформы, маркетплейсы, партнерские программы). ИИ может автоматизировать большую часть этой работы по сопоставлению путем классификации продуктов в правильные категории и схемы атрибутов на основе неструктурированных входных данных (названий, описаний, характеристик). Это уменьшает задержку между добавлением продукта в основной каталог и его правильным представлением во всех downstream feed.Для e-commerce команд этот подход превращает product feed из одноразовой технической задачи интеграции в непрерывную поверхность оптимизации, где ИИ и данные о производительности постоянно уточняют представление продуктов. Чтобы понять, как работают product feed, вы можете узнать больше о них в нашей статье в блоге под названием "Product feed - NotPIM".
Стандарты каталогизации: ИИ как двигатель нормализации и согласованности
Случай с Lowe's также иллюстрирует, как ИИ становится де-факто двигателем стандартизации каталогов. Ассортименты DIY, как известно, гетерогенны: разные поставщики, непоследовательные правила именования, перекрывающиеся наборы атрибутов и специфичные для региона спецификации. Применение ИИ к этой проблеме имеет несколько последствий:
Автоматизированное извлечение и нормализация атрибутов
Модели обработки естественного языка могут извлекать атрибуты (размеры, материалы, отделка, напряжение, совместимость) из документов поставщиков, спецификаций в формате PDF или неструктурированных описаний и сопоставлять их с унифицированной моделью атрибутов. Это улучшает согласованность фильтров, сравнений и поисковых граней, не требуя ручного ввода для каждого артикула.Перекрестные ссылки на связанные продукты и проекты
Для покупателей DIY ценность структуры каталога заключается в том, насколько хорошо она выражает взаимосвязи: необходимые аксессуары, совместимые детали, пошаговые потоки проектов. ИИ может выводить эти взаимосвязи из моделей совместных покупок, текстовых описаний и поведения клиентов, обогащая каталог структурированными связями (например, «необходимо для установки», «обычно покупают вместе в проектах террас»). Это перемещает стандарты каталогов за пределы простых иерархических категорий к структурам, похожим на граф.Более высокая толерантность к зашумленным upstream данным
Когда ИИ внедрен в конвейер каталога, система может принимать менее стандартизированные данные от поставщиков и при этом выдавать чистый, нормализованный каталог. Это снижает трение при подключении поставщиков и делает рост каталога менее зависимым от их дисциплины форматирования, при этом все же сходясь к внутренним стандартам, которые критически важны для поиска, навигации и аналитики.Закрепляя улучшения конверсии в улучшенном интеллекте каталога, этот пример показывает, как стандарты каталога больше не являются в первую очередь вопросом управления; они становятся машинно-читаемым активом оптимизации.
Качество и полнота product page: масштабирование глубины без линейных затрат
Сообщаемый рост онлайн-конверсий тесно связан с тем, что происходит на уровне product detail page. Для покупателей DIY качество и полнота product page имеют решающее значение: им необходимо понимать не только товар, но и его пригодность для конкретного варианта использования. ИИ вносит в это свой вклад несколькими способами:
Обогащение описаний и контекста использования
Языковые модели могут генерировать краткие, ориентированные на проект объяснения (например, «подходит для наружных террас площадью до X квадратных футов») на основе структурированных атрибутов и существующего текста. Это уменьшает неоднозначность и помогает покупателям DIY оценить соответствие, не обращаясь в службу поддержки и не отказываясь от покупки.Систематическое заполнение недостающих полей
Большие каталоги обычно включают длинные хвосты артикулов с неполными данными. ИИ может выводить недостающие атрибуты из аналогичных продуктов или контента поставщика и помечать крайние случаи для проверки человеком. В результате больше страниц достигают порога «готовой к конверсии» полноты без полностью ручной курации.Последовательное форматирование и читаемость
Создание и редактирование контента с помощью ИИ может гарантировать, что product page следуют согласованным шаблонам, тону и порядку информации (ключевые характеристики в первую очередь, затем варианты использования, затем подробные характеристики). Для пользователей DIY, принимающих сложные решения, эта последовательность снижает когнитивную нагрузку и улучшает сопоставимость между продуктами.Расширенный мультимедийный и справочный контент
В то время как основное внимание новостей уделяется инструментам ИИ и конверсии, основные возможности обычно включают генерацию или организацию вспомогательного контента, такого как руководства по использованию, советы по установке или контрольные списки инструментов. Даже если такой контент остается созданным человеком, ИИ может помочь отобразить наиболее релевантные активы для данного артикула и интегрировать их непосредственно в product page или блоки рекомендаций.Для лидеров e-commerce это демонстрирует путь к увеличению глубины и релевантности product page без линейного роста штата по производству контента.
Скорость выхода на рынок: сжатие цикла добавления в каталог
Ключевым стратегическим результатом работы каталога и контента с использованием ИИ является увеличение скорости расширения ассортимента. Категории DIY постоянно развиваются: новые материалы, обновленные строительные нормы, сезонные тенденции проектов. Любая задержка между закупкой продукта и отображением его в онлайн-доступе напрямую влияет на доход и конкурентоспособность.
Пример Lowe's предполагает несколько рычагов ускорения:
Более быстрое получение данных поставщика
Вместо ожидания идеально отформатированных, стандартизированных файлов продуктов ИИ может анализировать гетерогенные входные данные, извлекать ключевые атрибуты и генерировать исходный текст продукта. Затем команды людей могут просматривать товары с высоким уровнем воздействия или высоким риском, в то время как длинный хвост проходит через более облегченный конвейер.Параллелизация сопоставления таксономии и создания контента
В традиционных потоках продукты часто сначала классифицируются, а затем передаются командам по контенту. ИИ позволяет этим шагам выполняться параллельно: классификация, извлечение атрибутов и составление черновика контента могут происходить за один проход по данным, сокращая общее время цикла.Немедленное A/B-тестирование вариантов контента
Как только ИИ генерирует несколько форм названий, маркированных списков или описаний, платформа e-commerce может начать тестирование вариантов почти сразу после того, как продукты будут запущены в продажу. Это замыкает цикл обратной связи между добавлением в каталог и оптимизацией и сокращает время, необходимое для достижения стабильного, высокопроизводительного представления продукта.Для рынков, где сезонность и рекламные акции имеют большое значение, это сжатие цикла добавления в каталог является не просто победой в области эффективности, но и драйвером дохода. Это делает возможным быстро реагировать на новые тенденции DIY, изменения в регулировании или сбои поставок. Когда дело доходит до данных о продуктах, наличие правильной структуры всегда полезно. Вы можете получить более полное представление о том, как создать хорошо структурированную и очень релевантную product page, прочитав наш блог "Creating a Product Page: From Routine Necessity to Smart Automation".
No-code и ИИ: демократизация контроля над логикой мерчендайзинга
Важное, но менее заметное измерение истории Lowe's — это то, как инструменты ИИ доставляются бизнес-пользователям. Отраслевые отчеты указывают на более широкое движение к no-code или low-code интерфейсам, которые позволяют мерчендайзерам, маркетологам и командам по контенту настраивать поведение ИИ без глубокого участия инженеров. В этом контексте актуальны несколько шаблонов:
Настраиваемые правила поверх моделей ИИ
Бизнес-пользователи могут определять предохранители и приоритеты (например, «приоритет товаров в наличии», «избегать рекомендации инструментов профессионального уровня для начинающих покупателей»), которые формируют то, как модели ИИ ранжируют и выбирают продукты. Конструкторы правил no-code делают реалистичной адаптацию опыта, управляемого ИИ, к стратегиям мерчендайзинга еженедельно или даже ежедневно.Автоматизация рабочих процессов для операций с контентом
No-code платформы автоматизации могут координировать такие задачи, как «при добавлении новых артикулов в эту категорию инициировать извлечение атрибутов на основе ИИ и создать черновики описаний для рассмотрения». Это сокращает повторяющуюся работу для команд по контенту и гарантирует, что возможности ИИ будут применяться систематически, а не только ad hoc.Эксперименты на границе каталога
Благодаря доступным интерфейсам настройки команды, ответственные за конкретные категории DIY, могут проводить локализованные эксперименты с макетами страниц, логикой рекомендаций или шаблонами контента, не дожидаясь центральных ресурсов разработки. Успешные модели могут быть затем перенесены на глобальные стандарты.Эта комбинация ИИ и инструментов no-code меняет роль центральной инженерии с создания одноразовых функций на поддержку надежных, настраиваемых платформ. Для больших каталогов такая модель необходима для поддержания темпа изменений в объеме и разнообразии контента. Чтобы увидеть пример, прочитайте нашу статью в блоге под названием "How to create sales-driving product descriptions without spending a fortune".
Стратегические последствия для e-commerce и контент-инфраструктуры
Помимо непосредственных метрик конверсии, пример Lowe's иллюстрирует несколько более широких стратегических направлений для цифровой розничной торговли:
Каталог и контент как система обучения
Когда ИИ глубоко интегрирован, каталог больше не является статическим отражением инвентаря; он становится системой обучения, где данные о продуктах, поведение пользователей и создание контента усиливают друг друга. Чем больше клиенты взаимодействуют с контентом DIY, тем лучше система предсказывает намерения и корректирует представление продуктов.Тесная связь между оперативными данными и пользовательским опытом
Повышение конверсии, связанное с ИИ, подразумевает постоянное использование оперативных данных: уровни запасов, варианты доставки, региональные различия в правилах или климате. Для DIY эти факторы важны для пригодности продукта. Встраивание их в контент и рекомендации, управляемые ИИ, преобразует то, что раньше было внутренними данными, в видимую часть опыта покупок.Переопределение функций «команды по контенту»
Поскольку ИИ выполняет большую часть механической работы по составлению черновиков описаний, заполнению атрибутов и базовому редактированию копий, специалисты по контенту из числа людей все чаще сосредотачиваются на задачах более высокого порядка: разработке шаблонов, определении руководящих принципов, кураторстве пограничных случаев и приведении контента в соответствие с более широкими стратегиями бренда и категорий. Пример Lowe's сигнализирует о том, что операции с контентом в e-commerce движутся к модели, когда люди координируют и проверяют, а не создают вручную каждый артефакт.Давление на эталон для остального рынка
Когда крупные ритейлеры демонстрируют измеримые улучшения конверсии с помощью контента и рабочих процессов каталога, дополненных ИИ, ожидания смещаются для всего сектора. Клиенты, получающие проектно-ориентированные, очень релевантные поездки DIY в одном месте, начнут рассматривать менее интеллектуальные каталоги как фрикционные. Это повышает планку качества данных о продуктах, скорости обновления каталогов и интеллекта в мерчендайзинге в e-commerce.В совокупности разработки вокруг инструментов ИИ для покупателей DIY иллюстрируют, насколько глубоко контент-инфраструктура теперь переплетена с коммерческой деятельностью. Product feed, стандарты каталогов, качество страниц, скорость добавления в каталог и no-code контроль больше не являются отдельными проблемами; они являются взаимозависимыми компонентами единой системы мерчендайзинга с поддержкой ИИ. Пример Lowe's — конкретный пример того, как эту систему можно построить и использовать для увеличения онлайн-конверсии в сложной, управляемой проектами категории.
Поскольку NotPIM наблюдает за тенденцией прогресса, обусловленного ИИ, в e-commerce, мы признаем острую потребность в надежном управлении информацией о продуктах. Компании должны адаптировать управление каталогом и стратегии контента для поддержки ИИ. Это означает обеспечение того, чтобы данные о продуктах были не только полными, но и хорошо структурированными и легко доступными. Для клиентов использование такого решения, как NotPIM, помогает решить проблему неэффективного распространения данных. Наконец, NotPIM позволяет компаниям эффективно использовать потенциал ИИ для расширенного мерчендайзинга, не ограничиваясь проблемами качества и доступности данных.