Asystent AI pytający: „Czego szukasz?” może brzmieć inteligentnie. Jeśli jednak odpowiada nieistotnymi produktami, rozmowa szybko się kończy.
Najnowsze badania* pokazują, że konsumenci nie czekają, aż sprzedawcy zaoferują im futurystycznego robota zakupowego. Ani najbardziej efektownej funkcji AI zapewniającej im rozrywkę w rozmowie. Czekają, aż marki zrozumieją, czego chcą. Silniki rekomendacji znacznie lepiej zaspokajają tę potrzebę już dziś.
Jak działają silniki rekomendacji?
Silnik rekomendacji działa inaczej. Może uczyć się na podstawie zachowań podczas przeglądania, historii zakupów, preferencji, wrażliwości cenowej, powiązań między produktami i kontekstu w czasie rzeczywistym. Dyskretnie ułatwia odkrywanie produktów, nie wymagając od kupującego szczegółowego wyjaśniania swoich potrzeb.
To sprawia, że rekomendacje są istotnym pierwszym krokiem na drodze do wdrażania AI.
Gdy kupujący wielokrotnie otrzymują przydatne sugestie, zaczynają ufać systemowi. To zaufanie może następnie prowadzić do bardziej zaawansowanych działań:
- 61% konsumentów jest zainteresowanych zestawami produktów i produktami uzupełniającymi.
- Wśród obecnych użytkowników AI odsetek ten wzrasta do 88%.
- Zainteresowanie tym, aby AI stworzyła kompletny koszyk zakupowy, wzrasta z 48% wśród wszystkich konsumentów do 81% wśród obecnych użytkowników AI.
Konsumenci są bardziej skłonni powierzyć systemowi realizację zadań, gdy technologia udowodni już swoją skuteczność. Innymi słowy, koszyk zakupowy nie jest punktem wyjścia. Jest nim trafność rekomendacji.
Prawdziwy problem: sprzedawcy nie są odpowiednio przygotowani
Zainteresowanie konsumentów rośnie, ale inwestycje sprzedawców pozostają w tyle. Tylko 36% sprzedawców ma dedykowany budżet, mimo że około dwóch trzecich konsumentów jest zainteresowana rekomendacjami.
Tworzy to niebezpieczną rozbieżność.
Klienci coraz bardziej przyzwyczajają się do spersonalizowanych doświadczeń cyfrowych, podczas gdy wielu sprzedawców wciąż pracuje z rozproszonymi danymi, niepełnymi informacjami o produktach i ograniczoną infrastrukturą personalizacji. Uruchomienie asystenta AI na takiej podstawie nie rozwiąże problemu. Może jedynie go ujawnić.
Asystent nie może polecać tego, czego dane sprzedawcy nie rozumieją.
Nie warto gonić za najbardziej zaawansowanym zastosowaniem
Sprzedawcy nie muszą zaczynać od w pełni zautomatyzowanego agenta zakupowego. Powinni zacząć od przydatnych doświadczeń, które działają.
Bardziej przemyślane wdrożenie powinno obejmować następujące elementy:
- Ulepszenie danych o produktach i klientach.
- Wdrożenie spersonalizowanych rekomendacji produktów.
- Dodanie alertów o obniżkach cen, inspiracjach prezentowych i sugestiach dotyczących produktów uzupełniających.
- Pomiar trafności rekomendacji, zaangażowania, konwersji i porzucenia koszyka.
- Funkcje konwersacyjne i zautomatyzowane zakupy warto wdrażać dopiero po zdobyciu zaufania i zebraniu profili z silnikiem rekomendacji.
Takie podejście może nie generować tylu nagłówków i prelekcji na konferencjach, ale z większym prawdopodobieństwem przyniesie rezultaty.
Najbardziej rozpoznawalny model AI nie jest automatycznie najlepszym rozwiązaniem dla e-commerce. Możliwości mają większe znaczenie niż rozpoznawalność marki. Sklepy powinny wybierać technologie na podstawie ich zdolności do rozumienia intencji, łączenia się z danymi klientów i konsekwentnego dostarczania trafnych rekomendacji.
Nie musisz uruchamiać najbardziej efektownej funkcji AI
Sprzedawcy mogą poświęcać zbyt wiele czasu na próbę odpowiedzi na pytanie: „Jak uruchomić asystenta AI?” Lepszym tematem do przemyślenia jest „Jak sprawić, aby każda rekomendacja produktu była bardziej użyteczna?”
Silnik rekomendacji, który konsekwentnie pokazuje właściwe produkty, może już dziś zapewnić lepsze doświadczenia. Jest znany, nie wymaga dużego wysiłku i łatwiej akceptują go konsumenci. Co ważniejsze, buduje zaufanie niezbędne dla asystentów AI instalowanych w sklepach.
Wygrają nie te marki, które uruchomią najbardziej efektowną funkcję AI. Te, które sprawią, że zakupy będą bezproblemowe – dzięki jednej trafnej rekomendacji za każdym razem.
*Źródło badań: https://www.emarketer.com/content/ai-retail-interest-high-poor-execution-driving-abandonment
Poznaj silnik rekomendacji Quarticon.
