ИИ-мерчандайзер, часть 2: Выигрышная стратегия

Вот она: выигрышная стратегия заключается в том, чтобы рассматривать мерчандайзинг как проектирование сигналов.

Позвольте объяснить.

В мире, где ИИ все чаще контролирует влияние на выбор продуктов, мерчандайзеры становятся архитекторами сигналов, которые определяют, будут ли продукты найдены, поняты и рекомендованы.

В «Акте 1: Битва за доступ» я утверждал, что первым приоритетом для каждого мерчандайзера в эту эпоху ИИ-поиска и открытия продуктов является обеспечение того, чтобы LLM могли получить доступ к вашему каталогу через богатые, структурированные данные о продуктах в схеме вашей страницы. У продуктов гораздо больше шансов попасть в ответ, если поисковые агенты могут легко идентифицировать, прочитать и понять ваш каталог.

Теперь представьте каталог как набор сигналов, которые ИИ использует для формирования уверенности. А уверенность — это ключевая переменная в формировании влияния.

Например:

• Плохая категоризация ослабляет сигналы.
• Скудные атрибуты ослабляют сигналы.
• Противоречия искажают сигналы.
• Устаревшие продукты отравляют сигналы.

Роль мерчандайзера вышла за рамки оптимизации страниц. AI-мерчандайзер занимается проектированием оптимизации сигналов.

Мы убедились в этом на собственном опыте. Я собрал примеры, которые мы наблюдали в течение последних шести недель, помогая продавцам оптимизировать каталоги для доступа ИИ-агентов и внедрять ранние стратегии агентской коммерции.

Есть три способа рассматривать мерчандайзинг как проектирование сигналов.

• Сила сигнала > Категории и варианты
• Богатство сигнала > Глубина атрибутов, часто задаваемые вопросы, замещающий текст изображений и пользовательская проверка
• Целостность сигнала > Точность, актуальность и согласованность

Давайте углубимся.

(1) Проектирование для силы сигнала

Может ли ИИ уверенно определить, что это за продукт?

ИИ-поиск извлекает продукты по смыслу, а не по навигации. Это критически важный вывод из наших исследований и наблюдений за тестированием LLM в реальности. Когда мы работаем с клиентами и получаем первоначальный выгруженный каталог, наша первоочередная задача — разобраться в таксономии продавца. Если мы не можем ее понять, то ИИ-агент тем более не сможет.

В то время как традиционные мерчандайзеры электронной коммерции оптимизировали структуру каталога для просмотра людьми, LLM используют ее как доказательство для вывода о том, что представляет собой продукт. Возьмем два примера:

Категории

Работая с брендом товаров для дома, мы оценили около 4000 SKU. Примерно 60% из них находились в трех категориях верхнего уровня. Эта иерархия подходит для просмотра, но агентам трудно сопоставить четкие сигналы намерения в запросе с правильной категорией.

На сайте этого продавца категория «Дом» содержит широкий ассортимент продуктов, при этом категории появляются в нескольких местах таксономии. «Керамическая воронка для кофе» появляется в нескольких местах, что приводит агента в замешательство. Это товар для дома? Кухонный прибор? Аксессуар? Все вышеперечисленное? Вот что мы сделали:

От: (L1) Дом > (L2) Аксессуары для дома

К: (L1) Дом > (L2) Подготовка, гаджеты и аксессуары > (L3) Кофе и напитки

Канонизация продукта в семантические категории дает более качественный и контекстуально насыщенный результат, который также подразумевает предполагаемое использование.

Мы обнаружили, что широкие типы категорий также создают слабые фасеты для поиска на сайте и заставляют клиентов просматривать длинные списки результатов. По мере роста каталога общие типы становятся все менее пригодными для использования ИИ-агентами.

Мы работали над переклассификацией продуктов на наиболее подходящем уровне специфичности, сохраняя при этом согласованность с их таксономией. Это поддерживает лучшую полноту и точность поиска, более полезные фасеты, более жесткий контроль мерчандайзинга и обеспечивает более последовательные рекомендации со стороны ИИ-агентов.

Варианты

Еще одна распространенная проблема для обеспечения силы сигнала — это обработка вариантов. В одном каталоге одни кроссовки были представлены как 14 независимых продуктов, по одному на каждый цвет. Люди понимают, что смотрят на одну и ту же обувь, кликая по вариантам.

Но ИИ видит четырнадцать почти идентичных продуктов, конкурирующих друг с другом. Вместо того чтобы накапливать доказательства вокруг одного продукта, каждый вариант размывает общий сигнал. Более эффективный подход — моделировать продукты с использованием отношений «родитель-потомок». Это не новая концепция, но критически важный момент, который ослабляет силу сигнала для ИИ-агентов.

Родитель сообщает, чем является продукт по сути: On Running, Cloudmonster 3

Потомки сообщают о выборе покупателя:

• Цвет
• Размер
• Ширина
• Материал

Структура отношений «родитель-потомок» концентрирует семантические доказательства вокруг родителя, сохраняя при этом атрибуты, которые важны для клиентов. Это также отражает то, как думают покупатели.

Люди могут сделать запрос: «On Cloudmonster 3 синие размер 10»

Мы видим, что они обычно ищут: «Амортизирующие кроссовки для марафона на широкую стопу».

Агент сначала идентифицирует родительский продукт, а затем определяет, какой дочерний вариант соответствует предпочтениям клиента. Правильно смоделированные варианты позволяют ИИ уверенно рекомендовать продукт, при этом подбирая правильный размер, цвет или конфигурацию.

Сила сигнала — это идентичность. Может ли агент идентифицировать продукт и его предполагаемое использование? Таксономия и обработка вариантов — это лишь пара способов гарантировать, что агенты понимают ваши продукты, сопоставляя их с универсальными категориями и определяя параметры, соответствующие намерениям клиента при запросе.

(2) Богатство сигнала проистекает из семантической глубины

Как только ИИ узнает, что это за продукт, достаточно ли у него информации, чтобы рассуждать о нем?

Богатство сигнала — это семантическая глубина. Создание глубокой информации о продукте — это старая как мир история. Поставщик присылает скудные данные, менеджеры категорий, мерчандайзеры или специалисты по описанию товаров стараются заполнить информацию, изображения, описания и т. д. Популярные товары получают больше внимания, в то время как другие проходят с парой атрибутов, базовым описанием и мерчандайзятся для улучшения видимости на витрине.

Но в этой игре с ИИ-поиском, где влияние происходит в чат-боксе, семантическая глубина необходима для всех продуктов.

Вот несколько примеров:

Глубина атрибутов — Работая с одной компанией по производству одежды, мы видели атрибуты цвета «полночный», «океан» и «индиго», используемые для продуктов, которые функционально были синими. Человек это понимает, а агент сопоставляет с запросом «синий» и ничего не находит. Контролируемый словарь — это грань между фильтруемостью и невидимостью.

Описания — У одного клиента была целая линейка продуктов, которая делила одно и то же скопированное описание. Ничто не отличало товар от товара, поэтому у агента не было ничего значимого для анализа.

Названия — Мы видели названия продуктов, содержащие внутренние коды (SKU-2724-BLK-V3) вместо значимых имен. Люди игнорируют этот шум, а агенты читают каждый символ. Эти названия размывают идентичность продукта.

Часто задаваемые вопросы — FAQ часто являются самым богатым источником языка покупателей, потому что они фиксируют вопросы, которые клиенты задают перед покупкой. Если это достаточно важно, чтобы быть в FAQ, значит, это достаточно важно для понимания ИИ. Именно здесь к продукту можно добавить контекст, который агент сможет проанализировать, осмыслить и использовать для ответа.

Изображения / Замещающий текст изображений — Мы часто сталкиваемся с изображениями, которые не соответствуют значениям атрибутов цвета. Например, значение «зеленый», присвоенное атрибуту цвета, в то время как на изображении показан красный товар, подчеркивает важность визуальных метаданных. Теги изображений и замещающий текст (alt text) предоставляют агентам надежный семантический контекст, вместо того чтобы полагаться на предположение, что они правильно интерпретируют визуальный ряд.

Голос бренда — Каталог одного люксового бренда читался как спецификация. Агент описывал каждый товар точно, но шаблонно. Без выразительного мерчандайзингового описания бренд терял свою индивидуальность в рекомендациях, созданных ИИ.

На основе нашего опыта работы с этими клиентами мы подтвердили, что LLM извлекают товары не потому, что у них есть данные, а потому, что у них достаточно доказательств для логического вывода. Это тонкое, но важное различие.

В течение многих лет мерчандайзеры оптимизировали товары по трем направлениям: поисковая индексация, фильтры и конверсия.

LLM вводят четвертую цель: логический вывод (reasoning).

Покупатель больше не спрашивает: «Покажи мне синие куртки».

Он спрашивает: «Мне нужна легкая водонепроницаемая куртка для походов на Тихоокеанском Северо-Западе, которая помещается в ручную кладь».

Теперь модель должна сделать вывод о пригодности. Это требует семантической глубины.

(3) Целостность сигналов укрепляет доверие

Может ли ИИ доверять сигналам, которые он получает?

ИИ-мерчандайзер должен работать над укреплением уверенности LLM, и это начинается с доверия. Существует своего рода заблуждение, что ИИ умнее людей. В агентском поиске / коммерции все, скорее всего, наоборот. ИИ менее снисходителен, чем люди, потому что мы способны лучше справляться с «грязными» данными и опытом. Мы можем игнорировать противоречия и рассуждать в условиях неопределенности. На данном этапе развития ИИ-выводов ИИ не игнорирует противоречивую информацию, он просто теряет к ней доверие.

Этот последний набор наблюдений удивил нас, потому что мы ожидали потратить время на обогащение каталогов для видимости ИИ, но вместо этого потратили много времени на устранение противоречий.

Устаревшие записи и «заглушки» — Мы видели весенний каталог, в котором до сих пор предлагались праздничные товары наряду с «заглушками» типа «Название товара здесь». Каталог был очень большим, и поэтому несколько активных товаров затерялись. Но, опять же, человек пропускает неактуальный ассортимент, в то время как ИИ-агент его рекомендует. Обмани меня раз — позор тебе, обмани меня дважды — и ChatGPT теряет уверенность.

Противоречия — Мы видели достаточно противоречий в названиях, спецификациях, атрибутах и изображениях, чтобы внедрить это в наш интерфейс, помечая места, где уверенность вывода низка. Это достаточно распространенная ошибка, чтобы иметь функцию для выявления несоответствующих данных в контенте клиентов. ИИ рассматривает эти противоречия как конфликтующие доказательства, которые снижают уверенность и делают товары менее заметными.

Актуальность — Наконец, мы видим устаревший ассортимент, недоступные товары и просроченный мерчандайзинговый контент. Это становится риском для рекомендаций LLM. Актуальность — это больше не просто операционная гигиена, это часть обнаруживаемости.

Целостность сигналов имеет решающее значение, потому что ИИ не просто потребляет информацию, как люди, он взвешивает ее. Каждый противоречивый сигнал вносит неопределенность, каждая устаревшая запись снижает уверенность, а каждая несогласованность становится еще одной причиной порекомендовать другой товар.

В заключение

Последние двадцать лет мерчандайзинг в основном был сосредоточен на оптимизации опыта для людей: страницы категорий, поиск по сайту, сетки товаров, акции, рекомендации и т. д.

Эра ИИ не заменяет эти обязанности, но меняет то, где происходит влияние.

Когда поиск товара начинается с диалога, а не с витрины, каталог становится самим опытом. Каждая категория, каждый атрибут, каждое изображение, каждый FAQ и каждое описание товара становятся сигналом, который помогает ИИ определить, заслуживают ли ваши товары рекомендации.

Вот почему я считаю, что роль мерчандайзера меняется. ИИ-мерчандайзер занимается проектированием сигналов.

Сильные сигналы помогают ИИ уверенно идентифицировать товары. Богатые сигналы дают ИИ достаточно контекста для логических выводов. Достоверные сигналы дают ИИ уверенность в том, чтобы рекомендовать их.

И уверенность быстро становится валютой влияния в агентской коммерции.

Если вы дочитали до этого места, спасибо! Если вам понравилась эта серия, оставайтесь с нами для прочтения «ИИ-мерчандайзер, Акт III: Судьба измерений», где я обсужу атрибуцию и ту «грязь», через которую мы все пробираемся в этой индустрии, чтобы понять влияние наших стратегий.