E-shop môže mať stovky alebo tisíce produktov, detailné filtre, parametre, kategórie, návody a porovnania. Napriek tomu zákazník často nevie, čo presne potrebuje.
Nehľadá totiž produkt podľa interného názvu kategórie.
Namiesto:
„Hľadám ponorné tlakové čerpadlo s výkonom 1 100 W a maximálnym výtlakom 50 metrov.“
napíše skôr:
„Potrebujem čerpadlo do studne hlbokej približne 12 metrov na polievanie záhrady. Čo by ste mi odporučili?“
A práve tu začína byť zaujímavý AI produktový poradca.
Nie ako obyčajný chatbot, ktorý zákazníkovi zopakuje text z produktovej stránky, ale ako systém, ktorý dokáže pochopiť potrebu zákazníka, položiť doplňujúce otázky, vyhľadať vhodné produkty, pracovať s ich parametrami a zároveň si overiť aktuálnu cenu alebo dostupnosť.
Ak je správne navrhnutý, môže sa stať digitálnym obchodníkom dostupným priamo v e-shope.
Produktový poradca nie je iba vyhľadávanie v e-shope
Klasické vyhľadávanie funguje najlepšie vtedy, keď zákazník vie, čo chce.
Zadá:
„Bosch XYZ 500“
a systém produkt nájde.
AI poradca rieši iný typ situácie:
„Potrebujem niečo na čerpanie vody zo suda na zavlažovanie približne 500 m² záhrady.“
Tu už používateľ nehľadá názov produktu.
Opisuje problém, potrebu alebo použitie.
Úlohou AI poradcu je túto požiadavku preložiť do vlastností produktov, ktoré má e-shop k dispozícii.
Najväčšia výhoda: zákazník nemusí rozumieť štruktúre vášho katalógu
Každý e-shop má vlastnú štruktúru.
Napríklad:
Čerpadlá
|
+-- ponorné
|
+-- povrchové
|
+-- kalové
|
+-- tlakové
Zákazník však nemusí vedieť, do ktorej kategórie jeho problém patrí.
Môže jednoducho povedať:
„Mám vodu v nádrži za domom a potrebujem ju dostať do zavlažovania.“
AI môže pomôcť identifikovať, aký typ produktu má zmysel ďalej riešiť.
Prvý krok nie je AI. Prvý krok sú kvalitné produktové dáta
Pri produktovom poradcovi platí ešte výraznejšie než pri bežnom chatbotovi:
AI môže byť iba taká dobrá, ako sú dobré údaje, ktoré jej poskytneme.
Ak má e-shop pri produktoch iba:
- názov,
- cenu,
- jednu fotografiu,
- dvojvetový popis,
AI z toho nevytvorí spoľahlivého odborného poradcu.
Potrebujeme kvalitný produktový katalóg.
Aké údaje sú pre AI poradcu užitočné
Podľa typu e-shopu môžu byť dôležité napríklad:
- názov produktu,
- kategória,
- výrobca,
- model,
- popis,
- krátky popis,
- technické parametre,
- varianty,
- rozmery,
- materiál,
- výkon,
- kapacita,
- kompatibilita,
- oblasti použitia,
- obmedzenia,
- dostupné príslušenstvo,
- návody,
- produktová dokumentácia.
Niektoré údaje sú vhodné ako znalostná vrstva.
Iné musíme načítať priamo z e-shopu alebo databázy.
Rozdeľme produktové informácie na dva typy
1. Relatívne stabilné informácie
Napríklad:
- technické vlastnosti,
- rozmery,
- materiál,
- spôsob použitia,
- návod,
- kompatibilita,
- výhody a obmedzenia produktu.
Tieto údaje môžu byť súčasťou produktovej knowledge base.
2. Dynamické informácie
Napríklad:
- aktuálna cena,
- akciová cena,
- skladová zásoba,
- dostupnosť,
- termín dodania,
- stav konkrétneho variantu.
Tieto údaje je zvyčajne lepšie získavať v momente otázky priamo zo systému.
Prečo cenu nechceme uložiť iba do vektorov
Predstavme si, že sme v pondelok spracovali produkt:
Produkt ABC
Cena: 199 €
V stredu e-shop spustí akciu:
Cena: 169 €
Ak by AI odpovedala iba zo starej knowledge base, mohla by zákazníkovi oznámiť nesprávnu cenu.
Preto môže produktový agent fungovať napríklad takto:
Knowledge base
→ na čo je produkt vhodný
→ technické vlastnosti
→ kompatibilita
E-shop / databáza / API
→ aktuálna cena
→ sklad
→ dostupnosť
AI poradca by teda nemal byť iba RAG nad produktami
RAG je veľmi užitočný, ale pri e-shope často nestačí.
Praktický systém môže kombinovať:
RAG
+
produktovú databázu
+
parametrické filtre
+
fulltext
+
aktuálne skladové údaje
+
business logiku
AI potom vytvára prirodzené rozhranie nad týmito zdrojmi.
Ako môže vyzerať jedna reálna konverzácia
Zákazník:
„Potrebujem čerpadlo do studne.“
Slabý chatbot odpovie:
„Na našom e-shope ponúkame široký výber čerpadiel. Pozrite si kategóriu čerpadlá.“
To zákazníkovi veľmi nepomohlo.
Produktový AI poradca môže pokračovať:
„Pomôžem vám s výberom. Približne ako hlboko je hladina vody a na čo chcete vodu používať?“
Zákazník:
„Hladina je asi 8 metrov pod povrchom a chceme polievať záhradu.“
Agent môže položiť ďalšiu otázku, ak je pre správny výber potrebná.
Najdôležitejšia schopnosť poradcu: vedieť sa dopýtať
Pri produktovom poradenstve nie je cieľom odpovedať čo najrýchlejšie.
Cieľom je získať dostatok informácií pre rozumný výber.
Ak zákazník napíše:
„Chcem notebook.“
dobrý poradca pravdepodobne potrebuje vedieť:
- na čo ho bude používať,
- aký má rozpočet,
- či potrebuje veľký alebo prenosný model,
- či hrá hry,
- či pracuje s grafikou.
Ak niekto hľadá čerpadlo, potrebné otázky budú úplne iné.
Preto musí byť poradca prispôsobený konkrétnemu sortimentu.
Univerzálny prompt nestačí
Nestačí napísať:
Si profesionálny produktový poradca.
Odporuč zákazníkovi najlepší produkt.
Takéto riešenie môže znieť dobre, ale nemusí vedieť, ktoré parametre sú pri výbere skutočne rozhodujúce.
Pri každej produktovej skupine môžu byť kritériá iné.
Napríklad:
Čerpadlá
- výška čerpania,
- prietok,
- typ vody,
- použitie.
Notebooky
- výkon,
- RAM,
- veľkosť displeja,
- grafická karta,
- mobilita.
Pracovná obuv
- veľkosť,
- typ ochrany,
- prostredie použitia,
- norma,
- materiál.
Poradca musí vedieť, ktoré otázky sú pri konkrétnej kategórii dôležité.
AI nemusí sama vymýšľať kritériá výberu
Veľmi zaujímavý prístup je vložiť do systému odborné pravidlá.
Napríklad:
Pri výbere produktu z kategórie X
najskôr zisti:
1. parameter A
2. parameter B
3. parameter C
Ak parameter B nie je známy,
neodporúčaj konkrétny model.
Tým kombinujeme schopnosť jazykového modelu prirodzene komunikovať s klasickou business logikou.
To je dôležité najmä pri odbornom sortimente
Pri tričku môže byť nesprávne odporúčanie nepríjemné.
Pri technickom zariadení môže byť zlé odporúčanie podstatne závažnejší problém.
Preto musí agent vedieť povedať:
„Na bezpečné odporúčanie konkrétneho modelu potrebujem ešte tento údaj.“
alebo:
„Toto už odporúčam konzultovať s naším technikom.“
Ako AI vyhľadá vhodné produkty
Existuje viac možností.
A v praxi môže byť najlepšia ich kombinácia.
Možnosť 1: klasické parametrické filtrovanie
Ak zákazník potrebuje:
cena < 500 €
RAM >= 16 GB
SSD >= 512 GB
displej <= 15.6"
nie je dôvod nechávať jazykový model „hádať“, ktoré produkty tieto podmienky spĺňajú.
Databáza dokáže takýto filter vyhodnotiť presne.
Možnosť 2: fulltextové vyhľadávanie
Ak zákazník pozná názov alebo označenie:
„Hľadám náhradný diel AB-1234.“
presné textové vyhľadávanie môže byť ideálne.
Možnosť 3: semantické vyhľadávanie
Zákazník môže napísať:
„Potrebujem ľahké pracovné topánky do mokrého prostredia.“
Produktové texty môžu používať formulácie:
- vodoodolné,
- nízka hmotnosť,
- vhodné do vlhkého prostredia.
Semantické vyhľadávanie môže pomôcť nájsť významovo podobné produkty aj bez presnej zhody slov.
Možnosť 4: kombinácia
Často najpraktickejšia.
Napríklad:
Zákazník:
„Hľadám ľahkú aku kosačku
na menšiu záhradu do 400 €.“
AI identifikuje:
- typ: aku kosačka
- použitie: menšia záhrada
- cena: maximálne 400 €
Databáza:
→ odfiltruje produkty nad 400 €
Knowledge base:
→ posúdi vlastnosti a vhodnosť
AI:
→ vysvetlí rozdiely
AI by mala pracovať iba s produktami, ktoré reálne existujú
Pri generatívnej AI je veľmi dôležitá jedna vec.
Model môže poznať veľké množstvo značiek a produktov zo svojich všeobecných znalostí.
V e-shope však nechceme, aby odporúčal náhodný produkt z internetu, ktorý ani nepredávame.
Produktový poradca by mal mať jasné pravidlo:
Odporúčaj iba produkty z aktuálne dostupného katalógu.
Produkt by mal mať jednoznačný identifikátor
Nespoliehajme sa iba na názov.
Produkty môžu mať:
- podobné názvy,
- varianty,
- novšie generácie,
- rôzne balenia.
Systém by mal interne pracovať s jednoznačným identifikátorom produktu.
Napríklad:
product_id: 8247
product_name: Čerpadlo XYZ
variant_id: 8247-02
AI môže zákazníkovi zobrazovať pekný názov, ale aplikačná vrstva pracuje s presným ID.
Varianty sú samostatný problém
Predstavme si jeden produkt:
- veľkosť S,
- veľkosť M,
- veľkosť L,
- veľkosť XL.
Produkt ako taký môže byť dostupný.
Ale zákazník potrebuje veľkosť L, ktorá je vypredaná.
Ak agent overí iba produkt a nie konkrétny variant, odpovie nesprávne.
Preto je dôležité, aby integrácia rešpektovala dátový model konkrétneho e-shopu.
To isté platí pre cenu variantu
Varianty môžu mať rozdielne:
- ceny,
- dostupnosť,
- parametre,
- dodacie lehoty.
AI poradca preto nemôže byť oddelený od reálnej produktovej logiky e-shopu.
Čo má používateľovi zobraziť?
Nemusí vrátiť zoznam dvadsiatich produktov.
To by bol iba iný spôsob zobrazenia kategórie.
Oveľa užitočnejšie môže byť ponúknuť napríklad tri kandidáty:
Najvhodnejší pre vaše zadanie
Produkt A
Prečo: zodpovedá požadovanému výkonu a spôsobu použitia.Cenovo výhodnejšia možnosť
Produkt B
Prečo: nižšia cena, ale menší výkon.Výkonnejšia alternatíva
Produkt C
Prečo: vyššia rezerva výkonu, ale vyššia cena.
Ale iba vtedy, ak tieto tvrdenia vychádzajú zo skutočných parametrov.
AI musí vysvetliť, prečo produkt odporúča
Samotné:
„Odporúčam produkt X.“
je slabé.
Lepšie je:
„Z toho, čo ste uviedli, je tento model vhodný najmä preto, že spĺňa požadovaný prietok a výtlak. Oproti lacnejšiemu modelu má vyššiu výkonovú rezervu.“
Zákazník tak dokáže rozhodnutie pochopiť.
AI môže vysvetľovať rozdiely medzi produktami
To je jedna z veľmi praktických funkcií.
Zákazník:
„Aký je rozdiel medzi modelom A a B?“
Systém môže načítať parametre oboch produktov a vytvoriť zrozumiteľné porovnanie.
Napríklad:
| Parameter | Model A | Model B |
|---|---|---|
| Výkon | 750 W | 1 100 W |
| Prietok | 80 l/min | 120 l/min |
| Výtlak | 35 m | 50 m |
A potom vysvetlí:
Čo tieto rozdiely znamenajú pre konkrétne použitie zákazníka.
Práve vysvetlenie môže byť väčšia hodnota než samotný filter
E-shop možno už dnes umožňuje zaškrtnúť:
- výkon 1 000 – 1 500 W,
- prietok nad 100 l/min,
- cena 200 – 400 €.
Problém je, že zákazník nemusí vedieť, prečo tieto hodnoty potrebuje.
AI poradca môže fungovať opačne:
„Čo chcete dosiahnuť?“
A technické filtre vytvorí systém v pozadí.
AI poradca môže zároveň vzdelávať
Predstavme si otázku:
„Čo znamená maximálny výtlak 45 metrov?“
Poradca môže pojem vysvetliť jednoduchým jazykom a následne ho spojiť s konkrétnym produktom.
To môže znížiť bariéru pri nákupe technickejšieho sortimentu.
Poradca však nemá meniť technické parametre na marketingové tvrdenia
Ak zdroj uvádza:
maximálny prietok: 120 l/min
AI nemá automaticky tvrdiť:
„Je ideálny pre každú veľkú záhradu.“
ak takýto záver nemáme podložený.
Musíme rozlišovať medzi:
- faktom z produktových dát,
- odbornou interpretáciou,
- marketingovým tvrdením.
Ako pracovať s kompatibilitou
Veľmi zaujímavý use case je výber príslušenstva.
Zákazník:
„Aký filter pasuje k zariadeniu XYZ?“
Ak e-shop obsahuje štruktúrovanú kompatibilitu, výsledok môže byť veľmi presný.
Napríklad:
product_id: 100
compatible_with:
- 245
- 246
- 380
To je bezpečnejšie, než nechať AI odhadovať kompatibilitu z podobnosti názvov.
Produktové vzťahy sú veľmi cenné
E-shop môže mať medzi produktmi väzby:
- príslušenstvo,
- náhradné diely,
- kompatibilné produkty,
- alternatívy,
- súvisiace produkty.
Ak sú tieto vzťahy kvalitne uložené, AI poradca ich môže používať.
Cross-sell a up-sell nemusí byť agresívny
AI nemusí zákazníkovi za každú cenu pridávať ďalšie produkty.
Má zmysel ponúknuť príslušenstvo vtedy, keď je skutočne relevantné.
Napríklad:
„K tomuto zariadeniu budete na zapojenie potrebovať aj hadicu. Máte ju už?“
To môže byť súčasne:
- lepšia zákaznícka skúsenosť,
- prevencia nedokončeného nákupu,
- prirodzený cross-sell.
AI poradca môže pracovať aj s obsahom mimo produktovej karty
Hodnotné informácie môžu byť v:
- blogových článkoch,
- návodoch,
- videách,
- PDF manuáloch,
- porovnávacích článkoch,
- FAQ.
Produktový poradca môže mať knowledge base vytvorenú aj z týchto zdrojov.
Príklad
Zákazník:
„Aký kotlík je vhodný približne pre 15 ľudí?“
Informácia nemusí byť priamo v technickom parametri produktu.
Môže byť vysvetlená v článku o výbere objemu kotlíka.
AI môže nájsť odborný obsah a následne z katalógu vybrať produkty s vhodným objemom.
To je kombinácia obsahu a produktových dát
Otázka zákazníka
|
+---------------------+
| |
v v
odborný obsah produktový katalóg
| |
v v
ako vyberať čo predávame
| |
+----------+----------+
|
v
AI poradca
Výsledkom nemusí byť okamžite produkt
Niekedy je lepším výsledkom:
„Na základe dostupných údajov zatiaľ neviem bezpečne odporučiť konkrétny model. Potrebujem ešte vedieť X.“
Toto je pri kvalitnom poradenstve správne správanie.
AI musí vedieť, kedy už potrebuje človeka
Pri niektorých produktoch je výber jednoduchý.
Pri iných môže závisieť od:
- projektovej dokumentácie,
- presného technického výpočtu,
- obhliadky,
- bezpečnostných podmienok,
- individuálnej konfigurácie.
Agent by mal vedieť rozpoznať hranicu.
Napríklad:
„Na výber konkrétneho zariadenia už potrebujeme presné technické údaje. Môžem vašu požiadavku posunúť nášmu technikovi.“
Z AI poradcu sa môže stať lead generation nástroj
Predstavme si, že zákazník počas rozhovoru poskytol:
- typ projektu,
- požadované parametre,
- rozpočet,
- termín realizácie.
Agent zistí, že ide o komplexnejšiu zákazku.
Môže sa opýtať:
„Chcete, aby vás na základe týchto údajov kontaktoval náš technik?“
Po súhlase môže vytvoriť lead.
Obchodník nemusí dostať iba telefónne číslo
Môže dostať súhrn:
Zákazník hľadá:
čerpadlo pre studňu
Hĺbka:
18 m
Použitie:
domácnosť + záhrada
Požadovaný termín:
do 3 týždňov
Rozpočet:
približne 500 €
Zákazník požaduje:
konzultáciu technika
Takýto lead má výrazne viac kontextu než klasický formulár:
Meno
E-mail
Správa
Produktový poradca môže pomáhať aj pracovníkom e-shopu
Nemusí byť iba verejný.
Interný obchodník môže napísať:
„Zákazník potrebuje zariadenie na podmienky X, Y a Z. Čo máme v ponuke?“
Agent môže pripraviť:
- vhodné produkty,
- parametre,
- porovnanie,
- dostupnosť,
- odkaz na technický dokument.
Človek potom výsledok skontroluje.
Aj toto môže byť bezpečný prvý krok
Ak si firma ešte netrúfa pustiť AI poradcu priamo k zákazníkom, môže ho najskôr používať interne.
Zamestnanci tak zároveň pomôžu odhaliť:
- nesprávne odpovede,
- chýbajúce údaje,
- slabé miesta katalógu,
- nevhodné pravidlá výberu.
Čo potrebujeme technicky
Presná architektúra závisí od konkrétneho e-shopu, ale základ môže vyzerať:
ZÁKAZNÍK
|
v
CHAT / AI PORADCA
|
v
AI VRSTVA
|
+------------------------------+
| | |
v v v
Knowledge produktová nástroje
base databáza / API
| | |
| | +-- cena
| | +-- sklad
| | +-- variant
| | +-- lead
| |
| +-- parametre
| +-- kategórie
| +-- produkty
|
+-- návody
+-- blog
+-- manuály
+-- odborné texty
Jazykový model je iba jedna časť
Okolo neho stále potrebujeme klasický softvérový vývoj:
- API,
- databázy,
- mapovanie produktov,
- validáciu vstupov,
- správu oprávnení,
- logovanie,
- monitorovanie,
- testovanie.
A práve tu sa podľa nás ukazuje rozdiel medzi jednoduchým AI pluginom a riešením vytvoreným pre konkrétny e-shop.
AI poradca musí poznať stav katalógu
Produkty sa menia.
Niektoré:
- pribudnú,
- vypadnú z ponuky,
- zmenia parametre,
- dostanú nový popis,
- zmenia kategóriu.
Knowledge base preto nemôže zostať navždy v stave z prvého importu.
Potrebujeme synchronizáciu
Podľa konkrétneho projektu môže prebiehať:
- po zmene produktu,
- pravidelne,
- cez API,
- cez XML feed,
- cez databázu,
- kombinovaným spôsobom.
Dôležitý je výsledok:
AI nemá odporúčať produkt podľa dávno neaktuálneho katalógu.
XML feed môže byť dobrý začiatok, ale nemusí obsahovať všetko
Mnohé e-shopy už dnes poskytujú produktové feedy.
Môžeme v nich nájsť napríklad:
- ID produktu,
- názov,
- URL,
- obrázok,
- cenu,
- dostupnosť,
- výrobcu,
- kategóriu.
To môže byť veľmi dobrý dátový základ.
Pre kvalitného odborného poradcu však môžu byť potrebné aj ďalšie parametre, ktoré konkrétny feed neobsahuje.
Preto je potrebné najskôr auditovať produktové dáta
Pred vývojom by sme mali zistiť:
- aké údaje e-shop obsahuje,
- kde sú uložené,
- ktoré sú štruktúrované,
- ktoré existujú iba v texte,
- čo chýba,
- čo je nekonzistentné.
AI často odhalí problém, ktorý v katalógu existoval už dávno
Napríklad:
- pri jednom produkte je výkon v parametroch,
- pri druhom iba v popise,
- pri treťom chýba úplne.
Človek si to pri prezeraní produktovej stránky nemusí všimnúť.
Pri automatizovanom výbere sa nekonzistentnosť prejaví veľmi rýchlo.
Produktový AI projekt preto môže zároveň zlepšiť samotný katalóg
Firma môže postupne identifikovať:
- chýbajúce parametre,
- nekvalitné popisy,
- duplicitné produkty,
- nejasné kategórie,
- slabú kompatibilitu.
To môže byť prínosné nielen pre AI, ale aj pre:
- klasické filtrovanie,
- SEO,
- produktové porovnávanie,
- správu e-shopu.
Čo by mal systém logovať
Ak chceme poradcu zlepšovať, potrebujeme vedieť, čo sa v ňom deje.
Užitočné môže byť sledovať:
- aké otázky zákazníci kladú,
- aké produkty systém našiel,
- ktoré produkty odporučil,
- aké údaje mu chýbali,
- kedy eskaloval otázku človeku,
- ktoré otázky nevedel vyriešiť.
To sú zároveň mimoriadne zaujímavé obchodné dáta
Klasická analytika nám môže ukázať:
„Používateľ navštívil kategóriu čerpadlá.“
AI konverzácia môže ukázať:
„Používatelia často hľadajú čerpadlo pre studne hlboké 10 až 15 metrov, ale nevedia, aký parameter rozhoduje o výbere.“
To je úplne iná úroveň zákazníckeho insightu.
Firma môže z otázok zlepšovať celý e-shop
Ak sa zákazníci stále pýtajú:
„Je tento produkt kompatibilný s modelom XYZ?“
možno táto informácia chýba na produktovej stránke.
Ak sa stále pýtajú:
„Aký objem potrebujem pre 10 ľudí?“
možno má zmysel vytvoriť nový poradenský obsah.
AI agent teda nemusí byť iba nástroj na odpovede.
Môže ukázať, čo zákazníkom v e-shope chýba.
Čo merať
Samotný počet chatov nám veľa nepovie.
Zaujímavejšie môžu byť napríklad:
- koľko rozhovorov skončilo zobrazením produktu,
- koľko používateľov pridalo produkt do košíka,
- koľko otázok agent vyriešil,
- koľko odovzdal človeku,
- ktoré kategórie sa riešia najčastejšie,
- aké informácie zákazníkom chýbajú.
AI poradcu treba testovať ako samostatný produkt
Pred nasadením nestačí položiť päť otázok.
Testovacia sada by mala obsahovať:
- jednoduché výbery,
- zložité výbery,
- neúplné otázky,
- produkty mimo sortimentu,
- vypredané produkty,
- podobné varianty,
- nesprávne názvy,
- nereálne požiadavky.
Testujeme aj situácie, keď správna odpoveď je „neviem“
Napríklad:
„Bude tento produkt určite fungovať v mojom systéme?“
Ak nemáme dostatok informácií, agent nemá tvrdiť áno.
Správny výsledok môže byť:
„Na potvrdenie kompatibility potrebujem ešte presný model vášho zariadenia.“
AI poradca nemá maximalizovať predaj za každú cenu
Ak produkt nie je pre zákazníka vhodný, dobrý poradca by ho nemal odporučiť iba preto, že je drahší.
Dlhodobá hodnota je v dôvere.
Ak AI zákazníkovi pomáha vybrať produkt, mala by vychádzať z jeho potreby a dostupných údajov.
Čo ak vhodný produkt v e-shope nemáme?
Aj to je legitímny výsledok.
Agent môže povedať:
„Podľa zadaných požiadaviek momentálne v katalógu nevidím produkt, ktorý by spĺňal všetky podmienky.“
To je lepšie než odporučiť nevhodnú položku.
Produktový poradca môže byť postupne rozširovaný
Nemusíme na začiatku vytvoriť celý systém.
Vývoj môže ísť po krokoch.
1. AI odpovedá z produktových textov
2. AI vyhľadáva produkty
3. pridáme produktové parametre
4. pridáme aktuálnu cenu a sklad
5. pridáme porovnanie
6. pridáme kompatibilitu
7. pridáme tvorbu leadov
8. pridáme ďalšie akcie
Takýto postup nám umožňuje priebežne testovať reálny prínos.
Prečo je toto téma aj pre nás ako softvérových vývojárov
Pri produktovom AI poradcovi sa veľmi rýchlo dostávame za hranicu jednoduchého nasadenia chatovacieho widgetu.
Potrebujeme riešiť:
- produktový dátový model,
- databázu,
- API integrácie,
- synchronizáciu,
- business logiku,
- AI model,
- vyhľadávanie,
- vektorové dáta,
- bezpečnostné pravidlá,
- monitorovanie.
Preto k podobným projektom v Consultee pristupujeme ako k softvérovému riešeniu s AI vrstvou, nie ako k jednému promptu vloženému na web.
Najväčší potenciál nie je v tom, že AI vie rozprávať
Chat s peknými odpoveďami už dnes nie je nič výnimočné.
Hodnota vzniká vtedy, keď sa spoja:
prirodzený jazyk zákazníka
+
odborné znalosti
+
produktové parametre
+
aktuálny katalóg
+
cena a dostupnosť
+
firemná logika
Zákazník sa nemusí naučiť používať e-shop. E-shop sa môže naučiť rozumieť zákazníkovi
To je podľa nás jedna z najzaujímavejších zmien, ktoré AI môže priniesť do e-commerce.
Dnes často nútime používateľa:
- nájsť kategóriu,
- pochopiť filtre,
- porovnať parametre,
- prečítať viacero produktov.
AI poradca môže tento proces otočiť.
Zákazník jednoducho vysvetlí:
„Toto potrebujem vyriešiť.“
A systém ho prevedie výberom.
Záver: AI produktový poradca nie je vyhľadávač s chatovacím oknom
Kvalitný produktový poradca musí vedieť oveľa viac než generovať pekné texty.
Musí:
- pochopiť potrebu zákazníka,
- vedieť sa dopýtať,
- pracovať iba s reálnym katalógom,
- používať presné produktové parametre,
- získavať aktuálnu cenu a sklad,
- rozlišovať produkty a varianty,
- vysvetliť rozdiely,
- poznať hranice svojich znalostí,
- a pri zložitejšom výbere odovzdať zákazníka človeku.
Technicky teda nejde iba o AI.
Ide o prepojenie:
AI + produktových dát + vyhľadávania + databázy + e-shopu + business logiky.
A práve v tejto kombinácii vidíme potenciál vytvoriť z klasického produktového katalógu úplne nový spôsob nakupovania.
Máte e-shop a chcete nad jeho katalógom vlastného AI poradcu?
Zákazník nemusí vedieť, ako sa váš produkt presne volá. Môže jednoducho opísať, čo potrebuje vyriešiť.
V Consultee vieme prepojiť AI s produktovým katalógom, databázou, e-shopom, firemnou dokumentáciou a ďalšími systémami tak, aby poradca nepracoval iba so všeobecnými odpoveďami, ale s vašimi reálnymi produktmi a dátami.
Prvým krokom nemusí byť rozsiahly projekt. Môžeme vybrať jednu produktovú kategóriu, pripraviť nad ňou pilotný AI poradenský scenár a otestovať, ako dokáže pomôcť zákazníkom pri reálnom výbere.
Komentáre
Zverejnenie komentára