Πώς η τεχνητή νοημοσύνη και η εξατομίκευση φέρνουν επανάσταση στην αναζήτηση στο ηλεκτρονικό εμπόριο (επιτέλους)

Η αναζήτηση αποτελεί αναπόσπαστο κομμάτι της ζωής μας εδώ και δεκαετίες — ωστόσο, χρειάζεται ριζική ανανέωση.

Ας επιστρέψουμε στις μέρες των πρώτων μηχανών αναζήτησης για να καταλάβουμε τον λόγο. Ας υποθέσουμε ότι αναζητούσατε ενημερωμένες πληροφορίες για μια έκθεση έρευνας αγοράς. Το αρχικό σας ένστικτο ήταν να πληκτρολογήσετε μια ερώτηση στο πλαίσιο αναζήτησης. Τα αποτελέσματα εμφανίστηκαν, αλλά ήταν ως επί το πλείστον άσχετα. Έπρεπε να μάθετε πώς να μεταφράζετε τις σκέψεις σας σε μερικές λέξεις-κλειδιά αναζήτησης, οι οποίες ακόμη και τότε παρείχαν ένα ευρύ φάσμα αποτελεσμάτων που απαιτούσε την εξέταση αμέτρητων σελίδων προτού μπορέσετε να συνθέσετε τις σωστές πληροφορίες.

Καθώς η SEO εξελίχθηκε, η διαδικασία αναζήτησης έγινε λιγότερο επίπονη, αλλά εννοιολογικά δεν έχει υποστεί καμία ουσιαστική εξέλιξη εδώ και δεκαετίες. Αντί η αναζήτηση να προσαρμόζεται δυναμικά στους ανθρώπους καθώς αυτοί αλληλεπιδρούν, οι άνθρωποι έχουν προσαρμοστεί στη λογική των μηχανών. Αυτή η έλλειψη λεπτών αποχρώσεων έχει αφήσει τους χρήστες απογοητευμένους και αποξενωμένους.

Σήμερα, έχουμε φτάσει σε ένα σημείο καμπής. Ένας αυξανόμενος αριθμός χρηστών στρέφεται σε εργαλεία τεχνητής νοημοσύνης όπως το ChatGPT —το οποίο λαμβάνει πάνω από ένα δισεκατομμύριο ερωτήματα κάθε μέρα— για να βρει αυτό που θέλει σε λίγα μόλις δευτερόλεπτα.

Τώρα η αναζήτηση εξελίσσεται επιτέλους για να ανταποκριθεί στις όλο και αυξανόμενες επιθυμίες και ανάγκες των καταναλωτών.

Το AI άνοιξε τον δρόμο για νέους τρόπους αλληλεπίδρασης με επωνυμίες και ανακάλυψης προϊόντων. Οι αγοραστές αναμένουν πλέον μεγαλύτερη πολυπλοκότητα, ταχύτητα και ευφυΐα στην εμπειρία αναζήτησής τους. Δείτε πώς φτάσαμε εδώ:

Ο τρόπος με τον οποίο αναζητούν οι άνθρωποι έρχεται σε σύγκρουση με τις παραδοσιακές δυνατότητες αναζήτησης

Ας εξετάσουμε πώς αλληλεπιδρά συνήθως ένα άτομο με την αναζήτηση. Φανταστείτε κάποιον που ψάχνει ένα φόρεμα για να φορέσει στον γάμο ενός φίλου. Παρόλο που το 50% των ερωτημάτων αποτελούνται από περισσότερες από τρεις λέξεις (σύμφωνα με δεδομένα από το Dynamic Yield), οι καταναλωτές χρησιμοποιούν συνήθως ερωτήματα 2-3 λέξεων για να εντοπίσουν ακριβώς αυτό που θέλουν. Επομένως, αυτό το άτομο εισάγει το ερώτημα «φόρεμα για γάμο», αλλά η μηχανή αναζήτησης εμφανίζει μόνο λευκά φορέματα, αποτυγχάνοντας να αναγνωρίσει ότι οι καλεσμένοι δεν πρέπει να φορούν λευκά.

Τώρα, φανταστείτε μια κατάσταση στην οποία ο αγοραστής απλώς ζητά αυτό που θέλει: «Χρειάζομαι ένα φόρεμα για τον γάμο μιας φίλης σε υπαίθριο χώρο στη Φλόριντα». Το επιπλέον πλαίσιο και η ειδικότητα που περιέχονται σε αυτές τις επιπλέον λέξεις θα μπορούσαν να εξοικονομήσουν πολύ χρόνο στους καταναλωτές — αν η λειτουργία αναζήτησης ήταν αρκετά εξελιγμένη ώστε να τις κατανοεί.

Οι καταναλωτές έχουν προσαρμοστεί διότι η ιστορική αναζήτηση βάσει λέξεων-κλειδιών δεν είναι σχεδιασμένη ώστε να διαχειρίζεται σύνθετα ερωτήματα, καθώς οι ροές προϊόντων συχνά διαθέτουν ελλιπή σήμανση και η αναζήτηση δεν μπόρεσε να αντλήσει στοιχεία από γνώσεις του πραγματικού κόσμου. Τέτοια ερωτήματα μπορούν ακόμη και να οδηγήσουν τους καταναλωτές σε άσχετα προϊόντα, καθώς η σημασία πίσω από τις λέξεις μετράει εξίσου με τις ίδιες τις λέξεις.

Η καθοδήγηση και οι προτάσεις με βάση το AI είναι πιο προσωπικές

Η παραδοσιακή αναζήτηση βασίζεται στην εισαγωγή δεδομένων και φιλτράρισμα από τον χρήστη, ωστόσο δεν είναι σε θέση να αξιοποιήσει δυνητικά πολύτιμα δεδομένα σχετικά με τις προτιμήσεις των καταναλωτών, με αποτέλεσμα να παράγει γενικά αποτελέσματα. Για να παρακάμψουν αυτήν τη δυσαρέσκεια, περίπου το 70% των ατόμων έχουν επιλέξει το generative AI αντί για την παραδοσιακή αναζήτηση για καθοδήγηση και προτάσεις. Επιπλέον, οι περισσότεροι εμπιστεύονται αυτές τις προτάσεις AI και τις αποδέχονται χωρίς επιπλέον έρευνα, καθώς ανταποκρίνονται με τόση ακρίβεια στις ανάγκες τους. Για να αποφύγουν οι μάρκες να χάσουν πολύτιμες ευκαιρίες όπως αυτές για αλληλεπίδραση (καθώς και την έλλειψη ελέγχου σχετικά με τον τρόπο με τον οποίο εμφανίζονται τα προϊόντα τους στα εργαλεία τεχνητής νοημοσύνης παραγωγικού τύπου / Gen AI), θα πρέπει να εξελίξουν την εμπειρία αναζήτησης από γενική σε εξατομικευμένη με βάση το πλαίσιο και τα δεδομένα.

Οι καταναλωτές έχουν αρχίσει να βασίζονται σε οπτικές πληροφορίες κατά τις αγορές τους.

Οι διαδικτυακοί αγοραστές που δυσκολεύονται να περιγράψουν αυτό που αναζητούν προτιμούν να χρησιμοποιούν οπτικές πληροφορίες για να γεφυρώσουν το χάσμα. Στην πραγματικότητα, το 85% των ερωτηθέντων σε έρευνα του Pinterest δήλωσε ότι οι οπτικές πληροφορίες ήταν πιο σημαντικές από το κείμενο κατά την αναζήτηση ρούχων και επίπλων στο διαδίκτυο. Οι παραδοσιακές αναζητήσεις βάσει λέξεων-κλειδιών απλώς δεν μπορούν να αποδώσουν αποτελέσματα που βασίζονται σε οπτική ανάλυση.

Σήμερα, οι αλγόριθμοι που βασίζονται στην τεχνητή νοημοσύνη (AI) και η εξατομίκευση οδηγούν την αναζήτηση σε νέα ύψη.

Η αναζήτηση δεν είναι πλέον μια ενιαία λύση για όλους· μπορεί να προσαρμόζεται δυναμικά στους διάφορους τρόπους με τους οποίους οι άνθρωποι αναζητούν τα προϊόντα που χρειάζονται. Στην πραγματικότητα, υπάρχουν τρεις συνήθεις τρόποι με τους οποίους οι άνθρωποι ανακαλύπτουν προϊόντα. Ας αναλύσουμε καθέναν από αυτούς και ας εμβαθύνουμε στο πώς αυτές οι πρωτοποριακές νέες δυνατότητες αναζήτησης μπορούν να καλύψουν καλύτερα τις ανάγκες των καταναλωτών.

1. Εξατομικευμένη πλοήγηση για καταναλωτές που καθοδηγούνται από την περιήγηση
Αυτοί είναι αγοραστές που ενδιαφέρονται να εξερευνήσουν το περιεχόμενο μιας συγκεκριμένης κατηγορίας αντί να πλοηγηθούν σε ένα συγκεκριμένο προϊόν.

Για να βελτιστοποιήσουν την εμπειρία αναζήτησης με βάση αυτή τη συμπεριφορά περιήγησης υψηλής πρόθεσης, τα εμπορικά σήματα μπορούν να χρησιμοποιήσουν την εξατομίκευση για τον εντοπισμό ερωτημάτων αναζήτησης πλοήγησης (όπως «ανδρικά παπούτσια») και να κατευθύνουν αυτά τα ερωτήματα σε μια προσαρμοσμένη σελίδα κατηγορίας αντί για την προεπιλεγμένη εμπειρία αναζήτησης του ιστότοπου.

Αυτές οι σελίδες κατηγοριών μπορούν επίσης να ταξινομηθούν και να βελτιστοποιηθούν με τη χρήση προηγμένων αλγορίθμων βαθιάς μάθησης (deep learning), ώστε να προβάλλονται τα πιο σχετικά προϊόντα για κάθε χρήστη με βάση τις προτιμήσεις του και να προβλέπεται το πιθανότερο επόμενο ενδιαφέρον του. Διαφορετικοί αλγόριθμοι και κανόνες merchandising μπορούν επίσης να εφαρμοστούν σε διαφορετικές σελίδες και κοινά για να προσδιοριστεί ο καλύτερος δυνατός συνδυασμός για μέγιστη αλληλεπίδραση.

2. Βοηθοί με τεχνητή νοημοσύνη (AI) για καταναλωτές με γνώμονα τον σκοπό

Οι καταναλωτές που καθοδηγούνται από σκοπό γνωρίζουν τι θέλουν και αναζητούν τελικά καθοδήγηση. Για παράδειγμα, μπορεί να γνωρίζουν ότι χρειάζονται ρούχα για το γυμναστήριο, αλλά δεν έχουν καταλήξει ακόμη σε συγκεκριμένα προϊόντα.

Η εξατομίκευση και η τεχνητή νοημοσύνη μπορούν πλέον να βοηθήσουν τους λιανοπωλητές να κατανοήσουν την πρόθεση πίσω από ερωτήματα αναζήτησης σε καθημερινό, διαλογικό ύφος. Όταν συνδυάζεται με προηγμένη σημασιολογική αναζήτηση, η οποία μπορεί να ερμηνεύσει το νόημα πίσω από ένα ερώτημα (και όχι απλώς τις λέξεις), η εμπειρία γίνεται ακόμη καλύτερη. Ένα εξαιρετικό παράδειγμα αυτού στην πράξη: διαλογικές εμπειρίες που τροφοδοτούνται από γενετική τεχνητή νοημοσύνη, όπως το Shopping Muse. Είτε ένας αγοραστής αναζητά «jacket τρεξίματος για τον χειμώνα» είτε «τι να φορέσω στο τρέξιμο σε κρύο καιρό;», αυτά τα chatbot τεχνητής νοημοσύνης χρησιμοποιούν επεξεργασία φυσικής γλώσσας και μοντέλα βαθιάς μάθησης για να απαντούν σε άμεσες ερωτήσεις, προτείνοντας τα πιο σχετικά προϊόντα κάθε φορά. Και αναλύοντας δεδομένα πλαισίου και συμπεριφοράς, το chatbot είναι σε θέση να προβλέψει καλύτερα τι μπορεί να χρειαστεί ο καταναλωτής στη συνέχεια.

Σύμφωνα με την εμπειρία μας, οι έμποροι λιανικής έχουν διαπιστώσει ότι οι αγοραστές είναι πιο πρόθυμοι να αγοράσουν και εμφανίζουν υψηλότερη αξία καλαθιού σε σύγκριση με εκείνους που δεν αλληλεπιδρούν με παρόμοια εργαλεία. Μπορεί επίσης να αποτελέσει έναν εύκολο τρόπο για τους καταναλωτές που ψωνίζουν για κάποιον άλλο, ή απλώς δεν διαθέτουν γνώσεις για το προϊόν, να βρουν το ιδανικό δώρο.

3. Προηγμένη σημασιολογική αναζήτηση και οπτική ανάλυση για καταναλωτές που κινούνται με βάση τα προϊόντα
Πρόκειται για αγοραστές με υψηλή πρόθεση που προσπαθούν να μεταβούν απευθείας σε ένα συγκεκριμένο είδος, όπως «ψηλά παπούτσια μπάσκετ». Με ένα τόσο συγκεκριμένο ερώτημα, θα μπορούσαμε να υποθέσουμε ότι οι παραδοσιακές μέθοδοι αναζήτησης επαρκούν. Ωστόσο, οι προηγμένες δυνατότητες αναζήτησης επιτρέπουν στους καταναλωτές να φιλτράρουν τον θόρυβο των μεγάλων καταλόγων προϊόντων και να φτάνουν σε αυτά τα παπούτσια στη στιγμή. Αντλώντας στοιχεία από το ιστορικό του χρήστη, την προτίμηση και τα συμφραζόμενα στοιχεία, η εξατομικευμένη αναζήτηση μπορεί να εμφανίσει ψηλά παπούτσια μπάσκετ με τα χρώματα και τα χαρακτηριστικά που προτιμούν.

Η εξατομικευμένη αυτόματη συμπλήρωση μπορεί επίσης να οδηγήσει τους αγοραστές σε σχετικά προϊόντα που δεν θα είχαν ανακαλύψει περιηγούμενοι στις σελίδες κατηγοριών και καταλόγου προϊόντων.

Μέσω εργαλείων οπτικής ανάλυσης, τα φυσικά χαρακτηριστικά των ειδών στον κατάλογο προϊόντων ενός εμπορικού σήματος μπορούν πλέον να αναγνωρίζονται, εξαλείφοντας την ανάγκη εμπλουτισμού του καταλόγου από τρίτους και επιτρέποντας στους λιανοπωλητές να προβάλλουν τα κατάλληλα προϊόντα πιο γρήγορα. Για παράδειγμα, ακόμη και αν ένα είδος δεν φέρει την ετικέτα «ριγέ παντελόνι», η τεχνητή νοημοσύνη μπορεί να «δει» τις ρίγες στην εικόνα και να γνωρίζει ότι πρέπει να το συμπεριλάβει στα σχετικά αποτελέσματα αναζήτησης.

Επιπλέον, οι καταναλωτές που εντοπίζουν κάτι που τους αρέσει —για παράδειγμα, ένα κομψό ζευγάρι αθλητικά παπούτσια σε μια βιτρίνα κατά τη διάρκεια των εξωτερικών τους εργασιών— μπορούν να ανεβάσουν μια φωτογραφία και να ταιριάξουν αμέσως με παρόμοια προϊόντα από τον κατάλογο του λιανοπωλητή. Ακόμη και όταν ένα συγκεκριμένο είδους στον κατάλογο είναι εξαντλημένο, η οπτική αναζήτηση μπορεί να εμφανίσει το επόμενο πιο σχετικό είδος.

Συνολικά, αυτά τα εργαλεία οπτικής ανάλυσης βελτιώνουν την ακρίβεια και μειώνουν τη μη αυτόματη διαχείριση ροής προϊόντων, προς όφελος τόσο των brand όσο και των καταναλωτών.

Οι ημέρες που η αναζήτηση, η εξατομίκευση και η τεχνητή νοημοσύνη διαδραμάτιζαν ξεχωριστούς ρόλους στο ηλεκτρονικό εμπόριο φτάνουν στο τέλος τους και, καθώς συγχωνεύονται με νέους, συναρπαστικούς τρόπους, οι καταναλωτές μπορούν να αναμένουν ταχύτερες, απλούστερες και πιο επιδραστικές ψηφιακές εμπειρίες. Επιπλέον, τα brands μπορούν να αξιοποιήσουν πλήθος πλεονεκτημάτων, όπως: εξαιρετικά συναφή αποτελέσματα αναζήτησης που οδηγούν σε υψηλότερη αφοσίωση και μέση αξία παραγγελίας· τη δυνατότητα κλιμάκωσης της αναζήτησης σε παγκόσμιο επίπεδο, επιτρέποντας στους καταναλωτές να υποβάλλουν ερωτήματα σε σχεδόν οποιαδήποτε γλώσσα· και τη δυνατότητα ευθυγράμμισης των εμπειριών αναζήτησης με τους επιχειρηματικούς στόχους, κατατάσσοντας τα αποτελέσματα με βάση τα περιθώρια κέρδους, τα ποσοστά επιστροφής, τα επίπεδα αποθεμάτων και άλλα.

Και τα οφέλη πολλαπλασιάζονται καθώς όλο και περισσότεροι άνθρωποι αρχίζουν να στρέφονται στην αναζήτηση ως ένα πραγματικά χρήσιμο εργαλείο για την ανακάλυψη προϊόντων, με κάθε αλληλεπίδραση να επιτρέπει μεγαλύτερη εξατομίκευση σε άλλα σημεία επαφής. Μια απρόσκοπτη εμπειρία αναζήτησης μεγιστοποιεί τις μετατροπές, αξιοποιώντας όσα γνωρίζουν οι έμποροι λιανικής για τους πελάτες τους —από προηγούμενες αγορές έως συνδρομές προγραμμάτων αφοσίωσης— ώστε να προσφέρουν μια εξαιρετικά εξατομικευμένη και ομαλή εμπειρία.

Με την τεχνητή νοημοσύνη στο τιμόνι, η αναζήτηση είναι έτοιμη όχι μόνο να ανακτήσει τον θεμελιώδη ρόλο που κατείχε κάποτε για τους καταναλωτές—αλλά και να φέρει επανάσταση στον τρόπο με τον οποίο ανακαλύπτουν και αγοράζουν προϊόντα.