AI w e-commerce – które procesy warto automatyzować już teraz?

AI w e-commerce nie daje przewagi dlatego, że sklep wdrożył kolejne narzędzie. Przewaga pojawia się wtedy, gdy technologia usuwa konkretną barierę wzrostu. Klient szybciej znajduje produkt, obsługa zamyka więcej spraw, ceny lepiej reagują na popyt, nowe SKU trafiają do sprzedaży wcześniej, a kupiec zamawia towar z mniejszym ryzykiem.

Sztuczna inteligencja w sklepie internetowym przynosi dziś najwięcej korzyści w pięciu obszarach. Są nimi personalizacja rekomendacji, chatboty, dynamiczne ceny, automatyczne opisy produktów i prognozowanie popytu. Każdy z nich można mierzyć przez przychód, marżę, koszt pracy albo wartość zapasu.

Automatyzacja e-commerce, AI i wynik finansowy

Najgorszy punkt startu to pytanie, które narzędzie kupić. Lepsze pytanie brzmi, który proces dziś ogranicza sprzedaż lub pochłania najwięcej godzin zespołu.

Proces dobry na pierwszy pilotaż

Warto zacząć od zadania, które występuje często, przebiega według podobnego schematu i korzysta z danych zapisanych w sklepie, PIM, ERP lub systemie obsługi. Przykładem jest odpowiadanie na pytania o przesyłkę, dobieranie akcesoriów do produktu, tworzenie opisów wariantów lub planowanie zatowarowania.

Przed wdrożeniem trzeba zapisać punkt wyjścia. Dla rekomendacji będzie to marża na sesję i wartość koszyka. Dla chatbota koszt sprawy, czas rozwiązania i ponowne kontakty. Dla opisów czas publikacji SKU i liczba korekt. Dla prognozy braki, przeceny i rotacja.

Dane muszą być gotowe przed modelem

AI nie naprawi błędnych stanów, niepełnych atrybutów ani sprzecznych zasad zwrotu. Każdy projekt potrzebuje właściciela danych, jasno opisanych wyjątków i możliwości szybkiego wyłączenia automatyzacji.

AI rekomendacje produktów na całej ścieżce zakupowej

Rekomendacje produktów nie powinny sprowadzać się do sekcji „inni kupili również”. Ich zadaniem jest skrócenie drogi do właściwego wyboru.

Co pokazywać w każdym miejscu

Na stronie głównej sprawdzają się spersonalizowane kategorie, ostatnio oglądane produkty i bestsellery dopasowane do źródła ruchu. Na karcie produktu warto rozdzielić alternatywy od akcesoriów. W koszyku najlepiej działają niewielkie dodatki możliwe do dodania jednym kliknięciem. Po zakupie można przypomnieć o uzupełnieniu zapasu lub zaproponować kompatybilny produkt.

Amazon Personalize udostępnia scenariusze rekomendacji dopasowanych do użytkownika oraz produktów często kupowanych razem. System może wykorzystywać dane o interakcjach, produktach i użytkownikach.

Snoonu i wartość 47 razy wyższa niż koszt modelu

Snoonu połączyło Amazon Personalize z danymi o zachowaniu, lokalnej dostępności i stanach magazynowych. W kategorii spożywczej liczba dodań do koszyka z rekomendacji wzrosła o 1600%.

Architektura rozwiązania Snoonu. Źródło: Amazon Web Services

W ciągu sześciu miesięcy dodatkowy GMV przypisany personalizacji osiągnął 2,6 mln QAR, czyli około 715 tys. USD. Był 47 razy wyższy niż inwestycja w model. W zamówieniach zawierających polecony produkt rekomendacje odpowiadały za 30% wartości koszyka.

Wniosek dla sklepu jest prosty. Rekomendacje trzeba filtrować przez dostępność, lokalizację, marżę i etap ścieżki, a nie tylko podobieństwo produktów.

AI obsługa klienta – e-commerce bez kolejki prostych pytań

Największą oszczędność daje agent, który wykonuje działanie. Samo generowanie odpowiedzi z FAQ rzadko zmienia ekonomikę działu obsługi.

Chatbot e-commerce połączony z zamówieniem

Chatbot e-commerce powinien sprawdzić status paczki, rozpocząć zwrot, odpowiedzieć na pytanie o wariant i przekazać trudną sprawę konsultantowi razem z historią rozmowy.

Gorgias AI Agent integruje się z danymi sklepu i aplikacjami obsługującymi zamówienia, zwroty oraz rabaty. Może dzięki temu nie tylko przygotować odpowiedź, lecz także wykonać określoną czynność.

Gorgias AI Agent. Źródło: Gorgias

Wśród wdrożeń Gorgias marka Orthofeet zautomatyzowała 56% zgłoszeń w mniej niż dwa miesiące. Pepper automatyzował 54% obsługi, a 19% rozmów kończyło się konwersją. Boody skróciło czas odpowiedzi o 99% i zwiększyło sprzedaż generowaną przez obsługę o 10%.

Automatyzuj intencje, nie cały dział

Pierwszy etap powinien obejmować trzy do pięciu tematów, takich jak status dostawy, zwrot, dostępność i dobór rozmiaru. Reklamacje, groźby sporu, silne emocje oraz niestandardowe zwroty muszą trafiać do człowieka.

Miernikiem nie jest liczba zamkniętych czatów. Liczy się spadek kosztu sprawy bez wzrostu ponownych kontaktów i negatywnych ocen.

Optymalizacja cen AI 

Optymalizacja cen ma chronić marżę, a nie automatycznie kopiować najtańszego konkurenta. Model powinien uwzględniać koszt zakupu, zapas, tempo sprzedaży, sezonowość, promocje, kanibalizację oraz elastyczność popytu.

Zacznij od rekomendacji cenowych

Na początku system może podpowiadać cenę, a menedżer kategorii zatwierdzać zmianę. Pełna automatyzacja powinna działać dopiero po ustaleniu minimalnej marży, limitu częstotliwości zmian i zasad promocji.

Competera łączy dane sprzedażowe z sygnałami rynkowymi, tworzy symulacje wpływu zmian i pozwala ustawić ograniczenia dla rekomendacji.

NOVUS i wzrost zysku o 6,7%

Sieć NOVUS testowała platformę Competera przez sześć tygodni. System został połączony z SAP i uwzględniał między innymi elastyczność, kanibalizację oraz reguły cenowe.

Pilotaż przyniósł wzrost zysku o 6,7% i sprzedaży o 0,3%. Automatyzacja wyeliminowała również ręczne błędy w procesie ustalania cen.

Ten przykład pokazuje, dlaczego wynik cenowy należy oceniać przez zysk, a nie wyłącznie obrót.

AI w e-commerce – automatyczne opisy produktów 

Generator treści może przygotować tytuł, opis, listę korzyści, meta title, meta description i atrybuty. Nie powinien wymyślać materiału, wymiarów, składu ani kompatybilności.

Od danych z PIM do akceptacji redaktora

Shopify Magic tworzy propozycje opisów na podstawie tytułu i informacji podanych przez sprzedawcę. Przy większym katalogu lepszy będzie proces wsadowy wykorzystujący Gemini w Vertex AI lub Amazon Bedrock.

Niezależnie od narzędzia publikację powinny poprzedzać walidacja parametrów i kontrola języka marki.

Mystore skróciło akceptację do mniej niż godziny

Mystore wykorzystuje Gemini i Vertex AI do tworzenia tytułów, opisów, kategorii i kodów HSN na podstawie zdjęcia produktu.

Proces zatwierdzania oferty, który wcześniej trwał od jednego do dwóch dni, skrócił się do mniej niż godziny. Efektywność operacyjna wzrosła o 60% do 70%.

Mystore Mitra. Źródło: Google Cloud

Przy katalogu e-commerce warto mierzyć nie liczbę wygenerowanych tekstów, lecz czas wejścia SKU do sprzedaży, liczbę korekt, widoczność i konwersję.

Prognozowanie popytu zamiast zamawiania z arkusza

Prognoza ma wartość dopiero wtedy, gdy uruchamia decyzję. Może sugerować zamówienie, przesunięcie towaru między magazynami albo ograniczenie kampanii produktu, którego zabraknie.

Dane, które zmieniają trafność prognozy

Model powinien widzieć sprzedaż, ceny, promocje, sezonowość, czas dostawy, dostępność i anulowane zamówienia. Nowe produkty można porównywać z podobnymi pozycjami, ale nietypowe zdarzenia nadal wymagają oceny kupca.

Vertex AI i BigQuery pozwalają budować prognozy na danych produktowych i zdarzeniach e-commerce.

Super-Pharm podniosło dokładność z 50% do 90%

Super-Pharm wykorzystało BigQuery i Vertex AI do prognozowania popytu dla dziesiątek tysięcy produktów.

Dokładność analizy zapasu wzrosła z około 50% do 90%, a sam proces prognozowania stał się dziesięć razy wydajniejszy. Wyniki służą do planowania zapasu, transferów magazynowych i dostępności produktów dla odbioru w sklepach.

Narzędzia AI dla e-commerce według problemu

Do rekomendacji można wykorzystać Amazon Personalize. Gorgias lub Intercom Fin wspierają obsługę. Competera służy do zaawansowanego zarządzania cenami. Shopify Magic, Gemini i Amazon Bedrock pomagają tworzyć treści. Vertex AI oraz BigQuery wspierają prognozowanie.

Wybór powinien zależeć od integracji, jakości danych, możliwości ustawienia reguł i sposobu mierzenia wyniku, a nie od długości listy funkcji.

Koszt wdrożenia kontra oszczędności

Poniższy model pokazuje sposób liczenia pilotażu. Kwoty należy zastąpić danymi własnego sklepu.

Proces	Założenie	Efekt miesięczny	Koszt	Bilans
Chatbot	3000 spraw po 10 zł, automatyzacja 40%	12 000 zł	8000 zł	4000 zł
Rekomendacje	800 000 zł sprzedaży, wzrost 2%, marża 35%	5600 zł	3000 zł	2600 zł
Opisy	2000 SKU, oszczędność 5 minut, godzina 70 zł	11 667 zł	7000 zł	4667 zł
Prognoza	Ograniczenie braków i przecen o 60 000 zł	60 000 zł	40 000 zł	20 000 zł

Jak nie przeszacować zwrotu

W rekomendacjach należy liczyć dodatkową marżę, nie przychód. W obsłudze trzeba odjąć koszt kontroli i eskalacji. Przy treściach należy uwzględnić pracę redaktora. Przy prognozie wynik warto porównać z podobnym okresem albo grupą produktów.

AI w e-commerce w sześć tygodni

Pierwszy tydzień przeznacz na dane i punkt odniesienia. W drugim wybierz jeden scenariusz oraz grupę kontrolną. Przez kolejne trzy tygodnie zbieraj wynik bez ciągłej zmiany konfiguracji. W szóstym tygodniu porównaj marżę, koszt i jakość.

Automatyzacja procesów e-commerce powinna rosnąć dopiero wtedy, gdy pilotaż poprawia wynik bez pogorszenia doświadczenia klienta.

Najlepszy projekt na start nie jest najbardziej efektowny. Jest nim ten, którego wpływ można policzyć.

Źródła

https://aws.amazon.com

https://www.gorgias.com

https://go.competera.ai

https://cloud.google.com