Empik & Harbingers: Rewolucja w tworzeniu treści dzięki personalizacji i AI – #GameChangers e-commerce
Sound bites
Możliwość generowania setek zróżnicowanych opisów miesięcznie
Znaczne oszczędności czasu i kosztów
Background
Partner potrzebował rozwiązania, które umożliwiłoby stworzenie bardzo dużej liczby unikalnych opisów, przy jednoczesnym zachowaniu opłacalności inwestycji. Tradycyjne podejście, czyli ręczne tworzenie opisów, byłoby zbyt kosztowne i czasochłonne. Pierwsza iteracja automatyzacji pokazała, że kluczem do sukcesu jest nie tylko technologia, ale również wykorzystanie informacji znajdujących się na stronie oraz danych dostarczonych przez Partnera, by tworzone treści zawierały maksymalnie dużo merytorycznych informacji. To właśnie wprowadzenie tych elementów okazało się prawdziwym przełomem.
Strategy
-
Pierwszym krokiem było pozyskanie danych potrzebnych do przygotowania opisów kategorii w połączeniu z różnymi filtrami. Postawiliśmy na scrapowanie dostępnych na stronie filtrów w ramach każdej kategorii, aby szybko uzyskać dane wejściowe.
Następnie zbudowaliśmy MVP, w którym proces pracy AI podzieliliśmy na cztery kroki: wstępna koncepcja treści, rozwinięcie opisu, ulepszenie CTA i weryfikacja jakości.
Pierwsze testy pokazały potencjał rozwiązania, ale również uwypukliły obszary, które wymagały udoskonalenia. Stworzyliśmy kilka treści, zawierających wszystkie potrzebne dane. Jednak, gdy ruszyliśmy z produkcją na dużą skalę, okazało się, że opisy są zbyt podobne. Niedoszacowaliśmy, jak wiele będzie wariantów kategorii w połączeniu z różnymi filtrami. Nawet ręczne próby tworzenia takich opisów z przyjętymi założeniami, nie gwarantowałyby wystarczającej różnorodności.
-
Aby sprostać wyzwaniu związanemu z unikalnością tekstów, zdecydowaliśmy się podejść do problemu, dodając dwa elementy: odtworzyliśmy proces tak, jak zrobiłby to edytor i pobraliśmy informacje o produktach z pierwszej strony każdej z kategorii. Wykorzystując AI, wyciągnęliśmy ich wspólne, uogólnione cechy, dzięki czemu otrzymaliśmy dodatkowy wsad merytoryczny.
To okazało się prawdziwym gamechangerem w tworzeniu opisów na dużą skalę.
-
Podczas generowania treści dla kolejnych kategorii i filtrów nie zatrzymywaliśmy się – dodaliśmy też wytyczne do konkretnych kategorii, dzięki czemu wskazaliśmy narzędziu, jakich informacji unikać, a co powinno zostać uwzględnione. Rozwiązaliśmy również problem wydajności modeli językowych poprzez techniczne ulepszenia – automat wykrywał błędy i wracał do generowania treści bez potrzeby ingerencji człowieka.
Pierwszym krokiem było pozyskanie danych potrzebnych do przygotowania opisów kategorii w połączeniu z różnymi filtrami. Postawiliśmy na scrapowanie dostępnych na stronie filtrów w ramach każdej kategorii, aby szybko uzyskać dane wejściowe.
Następnie zbudowaliśmy MVP, w którym proces pracy AI podzieliliśmy na cztery kroki: wstępna koncepcja treści, rozwinięcie opisu, ulepszenie CTA i weryfikacja jakości.
Pierwsze testy pokazały potencjał rozwiązania, ale również uwypukliły obszary, które wymagały udoskonalenia. Stworzyliśmy kilka treści, zawierających wszystkie potrzebne dane. Jednak, gdy ruszyliśmy z produkcją na dużą skalę, okazało się, że opisy są zbyt podobne. Niedoszacowaliśmy, jak wiele będzie wariantów kategorii w połączeniu z różnymi filtrami. Nawet ręczne próby tworzenia takich opisów z przyjętymi założeniami, nie gwarantowałyby wystarczającej różnorodności.
Aby sprostać wyzwaniu związanemu z unikalnością tekstów, zdecydowaliśmy się podejść do problemu, dodając dwa elementy: odtworzyliśmy proces tak, jak zrobiłby to edytor i pobraliśmy informacje o produktach z pierwszej strony każdej z kategorii. Wykorzystując AI, wyciągnęliśmy ich wspólne, uogólnione cechy, dzięki czemu otrzymaliśmy dodatkowy wsad merytoryczny.
To okazało się prawdziwym gamechangerem w tworzeniu opisów na dużą skalę.
Podczas generowania treści dla kolejnych kategorii i filtrów nie zatrzymywaliśmy się – dodaliśmy też wytyczne do konkretnych kategorii, dzięki czemu wskazaliśmy narzędziu, jakich informacji unikać, a co powinno zostać uwzględnione. Rozwiązaliśmy również problem wydajności modeli językowych poprzez techniczne ulepszenia – automat wykrywał błędy i wracał do generowania treści bez potrzeby ingerencji człowieka.
Results
Dzięki opisanemu podejściu zyskaliśmy możliwość automatycznego tworzenia setek unikalnych opisów kategorii w skali miesięcznej. Generowane treści są różnorodne i w pełni zgodne z wytycznymi SEO. Ich personalizacja poprzez analizę nazw produktów i wyciąganie wspólnych cech pozwoliła na stworzenie opisów różnorodnych nawet dla bardzo podobnych kategorii.
Opisy stworzone w sposób dynamiczny i dostosowany do specyfiki kategorii lepiej odpowiadają też na potrzeby klientów sklepu Empik. Dzięki temu użytkownicy mogą szybciej znajdować produkty, których szukają.
Proces ten okazał się znacznie bardziej ekonomiczny niż tradycyjne podejście – czas i zasoby ludzkie zostały zredukowane do minimum, a jakość utrzymana na wysokim poziomie. Opracowane rozwiązanie jest skalowalne, co oznacza, że może być łatwo dostosowane do nowych kategorii produktowych.
W związku z coraz mocniej rosnącą liczbą produktów, a przez to podkategorii i filtrów, stanęliśmy przed wyzwaniem uzupełnienia nowych stron (których liczba nieprzerwanie rośnie) o unikalny, ale też jak najlepszy i jakościowy content. Wiedzieliśmy, że przy naszej skali, potrzebujemy rozwiązania opartego na AI. Pierwsze testy i próby pokazywały, że nawet bardzo dokładne prompty nie wystarczały, i jakość treści była daleka od naszych standardów. Z pomocą przyszli Harbingers i dzięki ich rozwiązaniu polegającym na scrapowaniu najważniejszych cech produktów z danej kategorii, osiągnęliśmy zamierzony cel oraz świetne rezultaty. Dzięki tej współpracy w bardzo krótkim czasie na stronach Empiku pojawiło się kilkaset unikalnych i dobrych jakościowo treści.