AI v e-commerce: od odpovědí zákazníkům k reálnému revenue

Když se dnes mluví o AI v e-commerce, jedním z prvních příkladů bývá zákaznická podpora.

Dává to smysl. E-shop dostává stále stejné otázky, zákazníci chtějí rychlou odpověď a velkou část komunikace lze automatizovat. AI může vysvětlit dopravu, pomoct s výběrem velikosti, dohledat informace o produktu nebo odpovědět na dotaz k objednávce.

To všechno má hodnotu. Potenciál AI v e-commerce ale podle mě začíná být mnohem zajímavější ve chvíli, kdy přestane jen šetřit práci supportu a začne ovlivňovat samotné nákupní rozhodování.

Pomůže zákazníkovi vybrat správný produkt? Sníží nejistotu před nákupem? Dokáže poznat, proč člověk váhá? Doporučí relevantní doplněk nebo se ve správnou chvíli připomene po nedokončené objednávce?

A hlavně: dokážeme změřit, jestli díky tomu skutečně vznikl další revenue?

V tu chvíli už AI není jen chatbot.

Stává se součástí prodejního systému.

Zákazník často nepotřebuje další informace. Potřebuje se rozhodnout.

Představme si e-shop s deseti variantami podobného produktu. Každá má jinou cenu, vlastnosti a několik parametrů, kterým zákazník nemusí úplně rozumět.

Tradiční e-shop mu nabídne filtry, produktové stránky, srovnávací tabulku a FAQ. Potom je na něm, aby si informace poskládal a rozhodl se.

Jenže více informací neznamená automaticky jednodušší výběr.

AI může tenhle proces otočit. Nejdřív zjistí, co zákazník řeší, jaký má rozpočet, preference nebo zkušenosti, a až potom z katalogu vybere několik možností, které skutečně dávají smysl.

Místo:

„Tady máte deset produktů. Vyberte si.“

se dostáváme blíž k:

„Podle toho, co hledáte, dávají smysl hlavně tyhle dvě varianty. Tady je mezi nimi rozdíl.“

To už se podobá dobrému prodavači v kamenné prodejně. Ten člověka také neposílá číst celý katalog. Nejdřív se snaží zjistit, co potřebuje.

Právě v odstraňování nejistoty před nákupem vidím jednu z nejsilnějších e-commerce aplikací AI.

Největší příležitost je tam, kde zákazník váhá

Proto bych AI na e-shop nepřidával jen proto, že dnes „musí mít každý AI asistenta“.

Začal bych customer journey a hledal tření.

Kde lidé nejčastěji odcházejí? Které produkty dlouho porovnávají? Na co se opakovaně ptají před nákupem? Kde tráví neobvykle dlouhou dobu? Které varianty se těžko vybírají?

Například člověk, který otevře jednu produktovou stránku a po deseti sekundách odejde, nám ještě mnoho neřekl.

Pokud ale dvacet minut porovnává několik podobných variant, opakovaně otevírá tabulku velikostí a čte informace o výměně zboží, máme výrazně silnější signál. Pravděpodobně nechybí zájem. Chybí jistota.

V takové chvíli může být relevantní pomoc hodnotnější než další sleva.

A zároveň platí, že ne každý zákazník pomoc potřebuje. Pokud člověk evidentně ví, co chce, nejlepší zásah může být žádný.

Proaktivní AI proto nemá maximalizovat počet interakcí.

Má maximalizovat jejich relevanci.

Personalizace není jen doporučení podobného produktu

E-commerce personalizace už dávno funguje bez generativní AI.

„Lidé, kteří koupili X, kupovali také Y.“ Doporučené produkty podle historie. Opuštěný košík. Segmentované newslettery.

Tyto mechanismy dál dávají smysl.

AI ale může pracovat s bohatším kontextem než jen s kliknutím nebo objednávkou. Může potenciálně pochopit i důvod, proč se zákazník chová určitým způsobem.

Pokud někdo prochází produkty pro začátečníky, čte sekce o jednoduchém používání a následně se zeptá, jestli produkt zvládne bez zkušeností, hlavním problémem pravděpodobně není cena.

Je to obava ze složitosti.

Další komunikace proto nemusí ukazovat slevu nebo další produkty. Může vysvětlit právě to, co člověku brání v rozhodnutí.

A to je podle mě užitečnější definice personalizace.

Ne měnit obsah podle toho, kdo zákazník je, ale podle toho, co právě potřebuje k rozhodnutí.

Opuštěný košík není jeden problém

Dobře je to vidět na abandoned cart automatizacích.

Tradiční logika bývá jednoduchá: zákazník nechal produkt v košíku, po určité době mu pošleme připomínku a případně slevu.

Jenže důvodů, proč objednávku nedokončil, může být několik.

Někdo se nechal vyrušit. Jiného překvapila cena dopravy. Někdo si není jistý velikostí. Další porovnává konkurenci a někdo produkt do košíku vložil pouze jako bookmark.

Stejný e-mail proto nemusí dávat smysl všem.

Právě tady může AI nebo obecně inteligentnější automatizace pomoci určit pravděpodobnou příčinu a zvolit odpovídající reakci.

Pokud je problém velikost, sleva nic neřeší.

Pokud je problém cena, další návod k použití také ne.

A pokud zákazník jednoduše zapomněl, možná stačí jedna obyčejná připomínka.

Čím lépe chápeme důvod, tím méně komunikace potřebujeme posílat.

Revenue nekončí první objednávkou

Další chyba podle mě vzniká, když AI optimalizujeme jen na okamžitou konverzi.

E-shop samozřejmě potřebuje objednávky. Ale ne každá objednávka má stejnou hodnotu.

Můžeme získat první nákup agresivní slevou a téměř bez marže. Můžeme zákazníkovi doporučit dražší produkt, který pro něj není vhodný. Krátkodobě poroste conversion rate nebo AOV, ale zároveň může růst množství vratek a klesat pravděpodobnost další objednávky.

Proto bych AI, která má vytvářet revenue, neposuzoval jen podle první transakce.

Zajímá mě i retence, opakované nákupy, vratky, reklamace a dlouhodobá hodnota zákazníka.

Dobré doporučení není automaticky produkt s nejvyšší cenou nebo marží.

Je to produkt, který dává smysl zákazníkovi a zároveň vytváří zdravou ekonomiku pro firmu.

Právě post-purchase může být jedno z nejlepších míst pro automatizaci

Po nákupu už o zákazníkovi často víme mnohem víc než před ním.

Víme, co koupil. Kdy objednávka dorazila. Jak se produkt používá. Kdy se přibližně spotřebuje nebo co k němu typicky dává smysl dokoupit.

Místo dalšího generického newsletteru tak může komunikace odpovídat tomu, co člověk skutečně řeší.

Po doručení pomoci se správným používáním.

Později upozornit na typický problém.

Ve vhodnou chvíli připomenout doplnění spotřebního produktu.

A teprve když to dává smysl, nabídnout další nákup.

Nemusí jít o nic futuristického.

Často je největší hodnota AI jednoduše v tom, že pomůže vybrat správnou informaci, pro správného člověka, ve správný okamžik.

Bez kvalitních dat bude AI jen přesvědčivě hádat

Tady se dostáváme k části, která není tak viditelná jako pěkný chatbot, ale je podstatně důležitější.

AI systém může být jen tak dobrý, jaký má kontext.

Pokud nezná aktuální skladovou dostupnost, může doporučit vyprodaný produkt. Pokud nerozumí variantám, může popisovat rozdíly, které neexistují. Pokud nemá správná pravidla dopravy nebo reklamací, může zákazníkovi sebevědomě předat chybnou informaci.

A protože zákazník podle těchto odpovědí může rovnou nakupovat, chyby mají reálný obchodní dopad.

Proto bych dobrou implementaci nezačínal výběrem modelu.

Začínal bych daty.

Produktový katalog. Varianty. Ceny. Sklad. Parametry. Objednávky. Pravidla firmy. Informace o dopravě a vrácení. Případně zákaznická data tam, kde je lze legitimně použít.

A také jasně definované hranice toho, co systém ví a co už ne.

Nejlepší model světa nad nekvalitními daty bude pořád vytvářet nekvalitní výsledky.

Rozdíl mezi chatbotem a systémem je hlavně v integraci

Proto bych AI řešení nehodnotil podle toho, jak přirozeně konverzuje v demu.

Důležitější jsou jiné otázky.

Vidí aktuální katalog a dostupnost?

Rozumí variantám?

Dokáže pracovat s košíkem?

Ví, jestli jde o nového nebo stávajícího zákazníka?

Dokáže navázat na předchozí interakci?

Ví, jestli objednávka skutečně proběhla?

Umí problém předat člověku společně s kontextem?

Zapíše relevantní informace do CRM nebo analytiky?

A můžeme později zjistit, jestli jeho doporučení vedlo k nákupu?

Pokud většinu z toho neumí, máme chytrý chat.

Pokud ano, začínáme mít infrastrukturu, která může skutečně ovlivnit customer journey.

A právě ta je podle mě hodnotnější než samotný model.

Modely budou dostupné prakticky všem.

Vlastní data, integrace a dobře navržené workflow už ne.

AI zároveň musí vědět, kdy má ustoupit

Dobrá automatizace se nepozná podle toho, že vyřeší 100 % interakcí bez člověka.

U jednoduchého dotazu na rozdíl mezi dvěma produkty může být plná automatizace ideální.

U komplikované reklamace, velké B2B objednávky nebo technicky specifického problému může být nejlepším výsledkem rychlé předání člověku.

Pokud zákazník deset minut bojuje s chatbotem jen proto, aby se dostal na podporu, firma možná ušetřila několik korun na provozu.

Zároveň zhoršila zákaznickou zkušenost.

Cílem proto není automatizovat co nejvíc.

Cílem je automatizovat správné věci.

Pokud má AI vydělávat, musíme jí měřit revenue

AI funkce se často hodnotí provozními metrikami.

Počet konverzací. Rychlost odpovědi. Deflection rate. Počet dotazů vyřešených bez podpory.

To jsou legitimní čísla.

Pokud ale tvrdíme, že systém pomáhá prodávat, potřebujeme měřit i business dopad.

Zvýšila produktová konzultace conversion rate?

Zvedla doporučení průměrnou hodnotu objednávky?

Kleslo množství vratek díky přesnějšímu výběru?

Vrací se zákazníci častěji?

Kolik incremental revenue systém skutečně vytvořil?

A právě poslední otázka je důležitá.

Pokud zákazník během nákupu otevřel AI asistenta a potom objednal, ještě to neznamená, že objednal díky němu.

Proto má smysl pracovat s A/B testy, kontrolními skupinami nebo alespoň jiným rozumným experimentálním designem.

Jinak velmi snadno vytvoříme systém, který má působivé engagement statistiky, ale žádný prokazatelný ekonomický přínos.

Jak bych AI do e-commerce zaváděl

Celý proces bych držel poměrně jednoduchý.

1. Najít konkrétní tření

Ne „chceme AI“.

Například: zákazníci často neví, kterou z několika variant vybrat a kvůli tomu nedokončí nákup.

2. Definovat výsledek

Vyšší conversion rate? Méně dotazů na podporu? Nižší vratky? Vyšší repeat purchase rate?

Bez cíle nemůžeme vyhodnotit, jestli systém funguje.

3. Připravit data a integrace

Co musí systém vědět a co musí být schopný udělat?

Samotné generování odpovědi bude často nejjednodušší část implementace.

4. Nastavit hranice

Kde může AI jednat sama? Kde pouze doporučuje? Co nesmí tvrdit? Kdy eskaluje na člověka?

5. Změřit inkrementální dopad

Nejen interakce, ale skutečné chování zákazníků, revenue a případné negativní dopady.

6. Až potom škálovat

Pokud jeden use case nevytváří hodnotu, nemá smysl na něj nabalovat dalších deset.

Pokud funguje, stejnou infrastrukturu můžeme rozšířit do dalších částí customer journey.

Nejlepší AI možná zákazník skoro neuvidí

Myslím, že dlouhodobě budou nejzajímavější AI systémy v e-commerce méně nápadné než dnešní chatboti.

Zákazník nemusí vědět, že nějaký model právě rozhodl, které informace zvýraznit, jaké produkty doporučit nebo kdy nabídnout pomoc.

Pro něj je důležité něco jiného.

Rychleji našel správný produkt.

Nemusel projít dvacet produktových stránek.

Dostal relevantní odpověď.

Nákup dával smysl.

A e-shop ho neobtěžoval v situaci, kdy pomoc nepotřeboval.

Úspěch AI se proto nemusí poznat podle toho, jak futuristicky celý systém působí.

Může se poznat jednoduše podle toho, že nakupování funguje lépe než předtím.

Může tedy AI v e-commerce skutečně vydělávat?

Ano.

Ale ne proto, že chatbot začne psát hezčí odpovědi.

Skutečnou obchodní hodnotu začne vytvářet ve chvíli, kdy rozumí kontextu nákupního procesu, má přístup ke správným datům a zasahuje v situacích, kde existuje reálné tření.

Může pomoct s výběrem, snížit nejistotu, doporučit relevantní doplněk, lépe načasovat další komunikaci nebo zachránit část nedokončených nákupů.

Sama o sobě ale AI revenue system není.

Je jednou jeho komponentou.

Hodnota vzniká až propojením dat, zákaznické cesty, automatizace, lidského úsudku a měření výsledků.

Proto bych se při zavádění AI do e-commerce neptal:

„Co všechno dokáže náš AI asistent?“

Spíš:

„Kterou část nákupního rozhodování díky němu zákazník zvládne lépe než dnes?“

Pokud na to máme dobrou odpověď, AI může být mnohem víc než další support widget.

Může se skutečně stát součástí toho, jak e-shop vydělává.

Zdroje

• Huang, M.-H. & Rust, R. T. — A Strategic Framework for Artificial Intelligence in Marketing
• Ricci, F., Rokach, L. & Shapira, B. — Recommender Systems Handbook
• Davenport, T. H. & Ronanki, R. — Artificial Intelligence for the Real World
• Shankar, V. — How Artificial Intelligence Is Reshaping Retailing