Fire måder, hvorpå AI hjælper nye e-commerce-platforme med at konkurrere med store spildistributører

Over de seneste 12 år har computer- og videospildistributionstrategierne undergået en markant forandring. Salget af digitale spil overhalede fysisk salg for første gang i 2013, og trenden blev yderligere accelereret af lockdowns i 2020. I Italien, for eksempel, førte den første uge med indespærring til, at digitale spildownloads steg med 174,9%.

Settende fremad er markedet klar til at fortsætte med at vokse, og Statista forventer, at det vil vokse med en årlig vækstrate på 5,76% frem til 2027, og nå en markedsværdi på 25,4 milliarder dollars ved udgangen af det år.

Trods dette er konkurrencen fortsat hård. Det digitale spilmarked domineres af kun en håndfuld platforme, og da 94% af udgifterne finder sted digitalt, efterlader det meget lidt plads til nye spillere. Etablerede spillere som Steam og Epic Games Store i PC-sfæren udnytter dette til at pålægge udgivere høje gebyrer.

For disse store enheder er integration af AI i deres operationer noget naturligt. Men for mindre, nye platforme kan AI være en game-changer – en, der giver dem mulighed for at udfordre den etablerede oligopol.

Selvom det kræver omhyggelig overvejelse af platformsspecifikke karakteristika og operationelle sammenhænge for at genskabe succesfulde AI-implementeringer, er her fire måder, hvorpå AI kan hjælpe nye e-commerce-virksomheder med at konkurrere med digitale distributionsgiganter.

#1: Forbedring af svigagtig opdægning

På spilplatforme sker svig mere på en større skala – og hyppigere – end i andre e-commerce-brancher. Givet dets evne til at behandle og analysere store mængder transaktionsdata kan AI-algoritmerne hurtigt identificere mistænkelige mønstre eller afvigelser.

Ved at gennemgå omfattende transaktionsdatabaser kan maskinelæringsalgoritmer tilpasse sig og genkende svigagtige operationer, der spænder fra usædvanlige brugeradfærd til uregelmæssige betalingsordninger og køb fra usædvanlige geografiske områder.

I traditionelle regelbaserede systemer kan nogle af disse indikatorer gå ubemærket hen, hvilket kan hindre en virksomheds evne til at opdage svig og udsætte den for potentielle finansielle tab.

I vores virksomhed har vi, ved at implementere AI-drevet software – udviklet af en tredjepart – forebygget cirka 95% af svigagtige transaktioner. Vi arbejder også hånd i hånd med teknologi. Når en operation er markeret som tvivlsom, gennemgår vores leder den manuelt. Digitale spilkoder frigøres ikke til køberen, før købet er manuelt godkendt af vores leder.

#2: Strømlining af kundesupportforespørgsler

I e-commerce er AI-drevne chatbots en af de mest almindelige anvendelser af kunstig intelligens.

Da der allerede findes mange løsninger på markedet, er chatbots relativt lette at implementere, selv uden historisk data. Da de kan lære af brugerinteraktioner, giver chatbots resultater næsten med det samme, og hjælper virksomheder med at reducere deres behov for kundesupportpersonale.

Dertil frigør de tid for de eksisterende kundesupportagenter.

I vores erfaring er de fleste forespørgsler, vi modtager – cirka 70% – ret simple og gentagne. Eksempler herpå omfatter:

• Er spillet tilgængeligt for køb?
• Når kan jeg modtage spilkoden?
• Hvordan aktiverer jeg min licensnøgle?
• Hvad er status på min ordre?

I 80% af disse tilfælde har vores AI-bots været ret succesfulde til at hjælpe vores brugere uden at skulle overføre dem til en live-operatør. Derfor kan vi sige, at vores bots dækker cirka 56% af vores indgående supportforespørgsler, og frigør værdifulde ressourcer, der tidligere blev brugt på supportpersonale, så vi kan bruge dem andre steder i virksomheden til at forbedre vores vækst.

#3: Identificering af UX-konverteringsmønstre

En almindelig dilemma, som e-commerce-orienterede virksomhedsledere står overfor, er at identificere de faktorer, der medfører konvertering, og de, der ikke gør.

Dette er et andet område, hvor AI kan hjælpe, ved at indsamle brugerdata, der peger på gentagne adfærdsmønstre, der enten fører til eller afholder konvertering. Baseret på disse data kan virksomheder foretage UX-centreret tilpasninger af deres website.

Derudover kan AI oprette kundesegmenter, der forbedrer effektiviteten af marketingindsatsen. Da det kan oprette brugerprofiler på tværs af forskellige dimensioner, kan AI afsløre forbindelser og gruppere lignende segmenter, der måske ikke er åbenlyse gennem manuelle gennemgang. For eksempel kan kunder, der køber GTA 5, også være interesseret i spil fra en anden genre, der i princippet ikke har noget at gøre med GTA 5.

For at facilitere dette har vi implementeret en tredjeparts AI-personaliseringssolution fra Retail Rocket. Ved at udnytte historisk kundekøbsdata hjælper denne værktøj os med at udføre flere opgaver, såsom at give personlige produkttips – både på vores website og via e-mail – og identificere forbindelser mellem produkter, så vi kan foreslå supplerende køb.

Derudover kan vi også tidssætte vores kunders næste potentiale køb. Dette forbedrer også vores timing for marketingbeskeder. Alt i alt kan vi stolt sige, at disse indsats har forbedret vores salg via marketingkanaler med cirka 15%.

#4: Forudsigelse af salg

Givet den tidsfølsomme natur af spilindustrien – for eksempel pålægger Steam begrænsninger for, hvor mange nøgler udgivere kan generere – er effektiv forudsigelse nøgle.

Her har vi implementeret en enkel AI-model, der er baseret på to primære metoder: tidsrækkeforudsigelse og regressionsanalyse.

Ved at identificere mønstre hjælper den første os med at forudsige fremtidige salgstal og tilpasse os til sæsonvariation, der er en vigtig faktor i spilbranchen. På den anden side hjælper den sidste vores team med at etablere forbindelser mellem salgsdata og andre variable – demografi, priser, produktkategorier og mere.

Da der er store afvigelser i disse parametre – for eksempel udgives der sports-spil årligt, såsom de fra EA Sports, og andre strategispil, der spænder over årtier – er det afgørende at få disse kritiske faktorer rigtigt for at opnå præcis forudsigelse.

Vi startede først med dette i foråret 2024, så på nuværende tidspunkt er vores resultater lignende med, hvad vi opnåede uden AI. Men vi forventer, at efterhånden, som vi kalibrerer og forbedrer vores model, og samler mere historisk data, vil vores nøjagtighed forbedres betydeligt over tid.

Afsluttende tanker

På visse områder, såsom spil, kan AI blive en demokratiseringsfaktor – en, der giver nye, lovende platforme mulighed for at konkurrere med etablerede giganters.

Det er dog vigtigt at huske, at for at fuldt ud udnytte AI’s potentiale, handler det ikke blot om at integrere AI for dens egen skyld, men om at gøre det rigtigt.

For mindre virksomheder, der ikke kan nøjes med at have et internt hold af AI-eksperter, kan en livskraftig løsning være at udnytte eksisterende tredjepartssoftware. Nogle af disse færdige løsninger kan bruges af almindelige udviklere, selv hvis de ikke er specialiserede i AI.

Min anbefaling er, at du ikke overfører hele din arbejdsbyrde til AI med det samme. I stedet skal du tage en gradvis tilgang. For eksempel kan du bede AI om at håndtere 10% af brugerforespørgsler eller dynamisk prissætte 10% af dine produkter.

Til sidst, men ikke mindst, skal du fastholde den menneskelige berøring. At have mennesker, der gennemgår kvaliteten af AI’s support, kan være meget nyttigt. Når AI beviser sin værdi, kan du udvide dets omfang inden for din organisation.