Sztuczna inteligencja w służbie e-commerce

Sztuczna inteligencja jest jednym z najgorętszych tematów ostatnich miesięcy. Jej rozwojowi powinien się bacznie przyglądać zwłaszcza e-commerce. Przyglądać się i czerpać z niego korzyści. Nie jest istotne, czy sklep realizuje 10 tys., czy 100 tys. zamówień miesięcznie – AI może służyć zarówno małym, jak i wielkim biznesom. Nie należy jednak powierzać jej wszystkich zadań. Na razie to nie sztuczna, ale ludzka inteligencja powinna zdecydować, jak wykorzystać automatyzację we własnej firmie.

Sztuczna inteligencja w e-commerce to nic innego jak program, który ma naśladować możliwości ludzkiego umysłu. Czynności takie, jak planowanie, tłumaczenie tekstu czy podejmowanie decyzji, do tej pory były zbyt trudne dla automatów i wykonywali je ludzie, jednak to się zmienia. Dzisiaj tłumaczenia przygotowane przez Tłumacza Google są coraz bliższe doskonałości. Podobny postęp dokonuje się w wielu innych obszarach¹.

Jak sztuczna inteligencja staje się inteligentna?

Wynika to częściowo z rozwoju technik uczenia maszynowego, które służą właśnie do dostarczania informacji dla sztucznej inteligencji. Dobrym przykładem rozwiązania łączącego AI z uczeniem maszynowym jest Cloud Vision API – program firmy Google, który rozpoznaje obiekty na zdjęciach, a także umie odczytywać ludzkie emocje (ilustracja 1).

Źródło: www.cloud.google.com/vision

Nie byłoby to jednak możliwe bez setek tysięcy zdjęć, oznaczonych przez ludzi w odpowiedni sposób.

Jeżeli chcesz zwiększyć zyski pochodzące ze sklepu, możesz się skupić np. na optymalizacji współczynnika konwersji, ceny i oferty, feedu produktowego czy funkcjonowania magazynu. We wszystkich tych zadaniach może Ci pomóc AI.

Maszyny jednak – w przeciwieństwie do ludzi – nie umieją podejmować decyzji na bazie szczątkowych informacji i przeczucia czy też intuicji. Potrzebują do tego odpowiednich danych. W zależności od celu niezbędne są dla nich różne zestawy informacji. Chociaż większość tych danych każdy sklep internetowy już posiada w historii złożonych zamówień, sztuka polega na tym, by umieć je wykorzystać.

Co automatyzować, aby optymalizować współczynnik konwersji

Na ostatnim Kongresie Dyrektorów E-commerce Marcin Janczewski z DrTusz.pl prezentował na przykładzie własnej firmy, w jaki sposób uczenie maszynowe i sztuczna inteligencja mogą poprawiać konwersję w sklepie internetowym. Jak zauważył, kluczowe jest poznanie własnego klienta, jego oczekiwań dotyczących oferty oraz sposobu poruszania się w witrynie.

Jak te dane zdobyć? W większości są one dostępne w Google Analytics, ale możesz też zbierać je za pomocą innych narzędzi. Część z nich opiszę w dalszej części artykułu, a pełną listę moich ulubionych programów przydatnych do automatyzacji znajdziesz w poniższej tabeli.

Tabela – Lista narzędzi, które dzięki AI i uczeniu maszynowemu mogą poprawiać konwersję w sklepie internetowym

Poznaj też inne sposoby na zwiększanie konwersji w e-commerce. Zobacz artykuł 6 wskazówek, jak zwiększyć wartość koszyka w e-commerce B2B

Działanie wyszukiwarki

Analiza raportu Google Analytics (ilustracja 2) pokazała, że klienci sklepu bardzo chętnie korzystają z wyszukiwarki sklepowej, jednak rzadko dokonują później zakupu. Przyczyną mogą być słabe wyniki prezentowane przez wyszukiwarkę. Nawet jeżeli użytkownik otrzymywał poprawne odpowiedzi na swoje zapytania, mogła zawieść kolejność prezentacji ofert.

Potencjalny klient nie powinien szukać najlepszego produktu wśród tysięcy wyświetlonych. Taki produkt musi się znaleźć na początku wyników wyszukiwania.

By odkryć takie zależności, ich efekty i przyczyny – jak te z powyższego przykładu – potrzebujesz po pierwsze danych o hasłach, które klienci wpisują w wyszukiwarkę, oraz informacji o tym, co później kupują. Po drugie musisz ustawić silnik wyszukiwarki tak, aby prezentował najlepsze kombinacje.

Nowoczesne wyszukiwarki – takie jak Elasticsearch – mają wbudowany moduł ratingowy, który można zaprogramować w taki właśnie sposób. Istnieje także możliwość zintegrowania Google Analytics z wyszukiwarką przez API, tak aby cały proces odbywał się bez udziału człowieka². Niestety w tym wypadku bez pomocy działu IT trudno będzie osiągnąć odpowiedni efekt.

Ilustracja 2 – Analiza raportu Google Analytics – widać, że użytkownicy chętnie korzystają z wyszukiwarki, jednak rzadko robią później zakupy

Źródło: www.analytics.google.com

Zobacz jak działa wyszukiwarka Google w artykule Szukajcie, a znajdziecie. Kreatywne wyszukiwanie fraz dla sklepu internetowego.

Prezentacja produktów na stronie

Duża część sklepów oferuje sortowania różnego typu, np. według kryterium popularności czy też ocen użytkowników. Oba te rozwiązania są jednak zawodne. Może się bowiem okazać, że w sklepie znajduje się pewien bardzo popularny produkt, jednak w okresie wakacyjnym lepiej sprzedaje się inny. Oczywiście jeżeli sklep ma w ofercie niewiele produktów, takie zależności łatwo odkryć, ale gdy oferta jest duża, okazuje się to prawie niemożliwe.

Netflix sortuje inaczej – pokazuje swoim użytkownikom te filmy, które są najbardziej zbliżone do tych już przez nich obejrzanych. Podobnie działają Onet czy Wirtualna Polska, które dobierają artykuły w zależności od preferencji użytkowników. Analogicznie można zaprezentować klientowi produkty w sklepie internetowym: wyświetlić mu najczęściej wybierane produkty na podstawie jego wcześniejszych odwiedzin lub na podstawie wyborów klientów jemu podobnych.

Do prezentacji produktów w sklepie można stworzyć mechanizm znany chociażby z Facebook Ads – lookalike. Oznacza to, że spośród odwiedzających e-sklep można wyodrębnić tzw. bliźniaków statystycznych. Aby to zrobić, tworzy się segmenty, do których klasyfikuje się klienta, np. w sklepie sportowym będą to kobieta zainteresowana fitnessem i mężczyzna zainteresowany pływaniem.

Zachowanie każdego klienta jest badane pod kątem wcześniejszych wizyt innych odwiedzających. Klient przypisany do właściwego segmentu (na podstawie wejścia do kategorii pływanie i oglądania męskich kąpielówek) widzi ofertę przedstawioną w spersonalizowany sposób. Do takich działań wystarczą dane z Google Analytics, zintegrowane z kodem sklepu.

Jeżeli powyższy mechanizm, różnicujący oferty w zależności od zachowania użytkownika, potraktuje się jako moduł, to nic nie stoi na przeszkodzie, aby użyć go także do upsellingu i cross-sellingu.

Takie działanie pozwoli maksymalnie wykorzystać raz zbudowaną technologię i poprawić zwrot z inwestycji. Moduły rekomendacji i prezentacji oferty nie tylko poprawiają konwersję, lecz także pozwalają obniżyć koszty operacyjne.

Niedawno Zalando ogłosiło, że z jego działu marketingu zostanie zwolnionych ok. 200 osób, które zajmowały się właśnie układaniem produktów na stronie i tworzeniem oferty do działań upsellingowych³. Oczywiście takich drastycznych kroków nie polecam. Warto raczej wykorzystać potencjał pracowników do innych zadań, z którymi sztuczna inteligencja sobie nie poradzi.

Istnieją też rozwiązania bazujące na customer lifetime value (wartości klienta w dłuższej perspektywie), bardziej zaawansowane niż Google Analytics, uzależniające prezentację produktu od sezonu, wcześniejszych działań klienta, nowości w ofercie i pogody⁴. Są to głównie autorskie projekty, które bazują na większej ilości danych, a ich zestawienie wymaga wielu prób.

Niedawno razem z programistą próbowaliśmy znaleźć odpowiedź na pytanie, jakie cechy powinien mieć najlepiej sprzedający się produkt. Wykorzystaliśmy w tym celu narzędzie RapidMiner (ilustracja 3). Po kilku próbach nadal byliśmy w punkcie wyjścia, właśnie przez brak odpowiednich danych. Po prostu odpowiedzi na pytanie, które zadaliśmy, nie można było uzyskać na podstawie tej ilości informacji, którą mieliśmy.

Narzędzie, z którego skorzystaliśmy, jak każde inne rozwiązanie tej klasy, dałoby bardzo podobne wyniki. Dobrze obrazuje to największą słabość sztucznej inteligencji – przetwarza ona dane lepiej od człowieka, ale nie jest w stanie wyciągać wniosków. Ten ostatni etap nadal należy do operatora programu.

Ilustracja 3 – Przygotowanie danych do analizy w programie RapidMiner

Źródło: materiały własne autora

Do wykorzystania sztucznej inteligencji nie zawsze potrzeba silnego działu IT. Można skorzystać z gotowych rozwiązań, które szybko się wdraża i które nie wymagają mozolnego procesu doświadczalnego. Aplikacje, takie jak QuarticON.com czy Prefixbox, można zaimplementować w ciągu kilku godzin, chociaż ich proces uczenia się będzie trwał kilka tygodni. Dużym sklepom internetowym proponuję stworzenie autorskich rozwiązań. W dłuższej perspektywie daje to więcej możliwości konfiguracji i jest tańsze.

Retargeting

Innym obszarem, w którym można wykorzystać sztuczną inteligencję, jest retargeting. Proste w instalacji narzędzia – takie jak Criteo, RTB House, a nawet zwykły remarketing AdWords – dzięki AI lepiej dopasowują reklamy do klienta, zarówno w zakresie treści, jak i miejsca czy czasu prezentacji oferty.

Co jeszcze automatyzować, aby koszty były mniejsze, a zyski większe

Cena

By wpłynąć pozytywnie na rentowność przedsiębiorstwa, warto poprawić marżę z wykorzystaniem optymalnej ceny sprzedaży. Dzięki takim danym, jak historia sprzedaży danego produktu (aktualizowana na bieżąco), można stworzyć algorytm, który w określonych odstępach czasu będzie cenę podwyższał lub obniżał, w zależności od popytu. Oczywiście mógłby powstać również bardziej zaawansowany algorytm, który pod uwagę wziąłby także dostępność w magazynie sklepu, datę następnej dostawy czy nawet pogodę.

Oferta

Sztuczną inteligencję z powodzeniem wykorzystuje się także w zarządzaniu ofertą. W sklepie, który oferuje kilkanaście tysięcy produktów, trudno jest ręcznie sprawdzać chociażby to, które z nich dobrze się sprzedają, a które przynoszą straty. Dzięki powiązaniu Google Analytics z systemem ERP do oprogramowania jest przesyłana informacja o ROAS konkretnego produktu. Przy wyniku ujemnym taki produkt może zostać automatycznie wyłączony z oferty lub z płatnych reklam.

Feed produktowy

Podobny efekt pozwalają osiągnąć narzędzia do optymalizacji feedu produktowego (czyli pliku z produktami wysyłanego do Zakupów Google lub platformy marketplace). Narzędzia, takie jak DataFeedWatch czy GoDataFeed, przedstawiają rekomendacje służące poprawie jakości feedu produktowego. Usuwa się nierentowne produkty, dokonuje korekty tytułów lub zdjęć, a nawet podwyższa lub obniża stawki za kliknięcie.

Jest to rozwiązanie warte rozważania przy większej ofercie produktowej, bo poprawia konwersję z danego źródła reklamy i przy okazji pomaga ciąć koszty.

Praca magazynu

Ciekawym pomysłem jest poprawa jakości pracy magazynu lub produkcji przez ułożenie w tej samej lokalizacji produktów, które najczęściej są w zamówieniach łączone. Skraca to czas pakowania pojedynczego zamówienia, dzięki czemu można przyśpieszyć dostawę lub przenieść część pracowników magazynu do innych zadań.

Co ważne, tego typu optymalizacje nie wymagają dużych nakładów finansowych, niezbędne dane są przechowywane przez każdy sklep, a do wygenerowania raportu można użyć np. darmowego narzędzia TensorFlow, przygotowanego przez Google. Z tak dopracowanej polityki magazynowej korzysta np. Amazon.

Chcesz automatyzować działania e-commerce? Zobacz artykuł Automatyzacja procesów w e-commerce – elementarz taktyczny cyfrowego przedsiębiorstwa.

Sztuczna inteligencja w e-commerce – naturalny zysk

Powyższe rozwiązania są już z sukcesem stosowane przez wiele firm z całego świata. Jednak to tylko początek możliwości, które daje nowoczesna technologia. Automatyczne tłumaczenie stron, inteligentne czatboty, zamawianie przez wyszukiwanie głosowe – te rozwiązania już pukają do naszych drzwi.

Eksperci oceniają, że w ciągu następnych kilku lat rynek handlu internetowego zmieni się nie do poznania właśnie za sprawą sztucznej inteligencji i gigantycznego postępu technologii.

Nawet małe sklepy skorzystają na wdrożeniu wspomnianych w artykule rozwiązań. Dzięki temu obniżą koszty czy też wyręczą pracowników w najbardziej pracochłonnych zadaniach. Przyszłość na pewno będzie ciekawa i z całą pewnością upłynie pod znakiem cyfryzacji.

1. C. McClelland, „The Difference Between Artificial Intelligence, Machine Learning, and Deep Learning”.
2. Google Analytics, Reporting, API v4.
3. „Zalando chce zastępować pracowników algorytmami”.
4. „5 Myths About the Weather & Its Impact on Retail”.