Umělá inteligence přinesla do e-commerce skvělý způsob, jak promítnout chování lidí do řešení určitého problému. Stačí vymyslet metodiku, a AI se tento model dokáže naučit. Strojové učení tak dokáže třeba vyčíst, které produkty si lidé nejčastěji kupují společně, nebo že z určité skupiny podobných produktů preferují jeden specifický. Stejně tak lze najít spojitosti mezi výrobky ve chvíli, kdy se zákazník po nákupu jednoho produktu na e-shop vrátí pro další zboží, které to předchozí doplňuje. Čím větší počet lidí pak na e-shopu nakupuje, s tím kvalitnějším doporučením produktů a jemnějšími rozdíly v zákaznickém chování dokáže AI pracovat.

Tento model se dá použít na generování relevantnějších doporučení produktů, a protože může existovat více strategií, podle čeho výrobky volit, lze vytvořit také více modelů. Například záleží na tom, zdali potřebujeme vyhodnocovat produkty z pohledu alternativ, nebo jako doplňující se výrobky. Kvalitní nástroj na doporučování produktů pak tato data dokáže efektivněji využít v rámci up-sale i cross-sale. Když tak zákazník vloží do košíku notebook, měl by mu e-shop navíc doporučit koupi například bezdrátové myši, podložky, tašky či kabelů, protože tyto výrobky společně kupovali i ostatní zákazníci. Nakupující si totiž často nemusí uvědomit, že může daný doplňkový produkt potřebovat. A e-shopu se tak snadno zvednou prodeje.

Cílem je pochopit zákazníka

Vedle aktuálního chování zákazníka může umělá inteligence také zohlednit historii jeho nákupů a z nich pomocí algoritmů strojového učení vyčíst určité trendy. Aby AI dokázala lépe vyhodnotit nákupní chování, sbírá historii interakcí uživatelů s webem a na základě toho pak strojové učení určí, s jakou váhou má které interakce brát do úvahy pro splnění určitého cíle. Náš nástroj na doporučení produktů jsme proto vytvořili tak, aby bral v potaz třeba také filtry, které nakupující použil při vyhledávání. Pokud tedy zvolil určitou barvu, rozměr či výrobce, tak víme, že jsou pro něj tyto parametry důležité. Na základě toho je pak systém schopný doporučit produkty, které jsou relevantní pro tato vyhledávaná kritéria, nebo zohlední nákupní chování jiných zákazníků, kteří také vyhledávali podobné produkty.

Velkým pomocníkem je navíc funkční a dobře vyladěné vyhledávání. To je důležité hned z několika důvodů. Z našich zkušeností s více než tisícovkou e-shopů mají ty, které optimalizaci vyhledávání neřeší, míru vyhledávání bez výsledků 10 až 20 procent, u některých dokonce až 40 procent. U těch, které ale mají optimalizaci mezi prioritami, je to jen 1 až 5 procent. Navíc je skvělým zdrojem informací o uživatelském chování – protože zákazníci, kteří tuto funkci v online obchodech používají, obvykle přesně vědí, co chtějí. Jednak své požadavky na produkt tak detailně formulují, jednak jsou obvykle odhodlaní již zboží nakoupit. A v takovém případě pak lze tato data považovat za relevantnější a hodnotnější než při pouhém prohlížení zboží.

Výsledky se dostaví rychle

Je nepochybné, že využívat umělou inteligenci a strojové učení ke zlepšení byznysu přináší jednoznačné benefity. Má to ale také určité podmínky. Při implementaci našeho nástroje do e-shopu se vždy naši experti dívají na klientská data, aby zjistili, zda je zde dostatečný traffic. Pro efektivní doporučování produktů totiž tento nástroj vyžaduje velké množství dat, která vycházejí právě z chování zákazníků. Pokud se tak jedná o začínající e-shop či byznys s menší aktivitou, je potřeba zvolit jiné strategie, jak produkty doporučovat. Například můžeme definovat pravidla, která se opírají o strukturu produktů. Nicméně i v takovém případě je jen otázkou času, než data o zákaznickém chování začnou být dostatečně relevantní a objemná na to, aby technologie začala sama dělat viditelný rozdíl.

Naše zkušenosti s doporučováním i vyhledáváním produktů poukazují na to, že i v případě menších e-shopů jsou zlepšení vidět již po několika týdnech. Ideální je pak pro „zaběhnutí“ jeden až dva měsíce, kdy technologie již dokáže dostatečně obsáhnout co největší množství produktů v portfoliu prodejce a současně detekovat souvislosti mezi jednotlivými produkty. Například u sítě lékáren BENU s ročním obratem přes 6 miliard korun jsme skrze optimalizaci vyhledávání navýšili prodeje e-shopu o 9,5 procenta, v případě stamilionového online obchodu s potravinami Kosik.cz pak konverze vzrostly o 10,5 procenta. A to už je rozdíl, který nepochybně stojí za zvážení bez ohledu na velikost byznysu.

Michal Barla Autor článku je spoluzakladatel a CPO slovenského startupu Luigi’s Box, který se zabývá optimalizací vyhledávání a doporučování produktů v e-commerce.