Detailhandlere tilpasser sig AI: Hvad betyder noget i den nye norm for e-handel?

Den fortsatte udvikling af AI-værktøjer har en dybtgående indvirkning på e-handel. Forbrugere bruger i stigende grad generative AI-værktøjer som ChatGPT til at søge efter, vælge og endda købe produkter, en udvikling, der påvirker alle niveauer af e-handelsmarkedsføringen. Imens bruger detailhandlere AI-værktøjer til at indsamle realtidsdata fra det offentlige web til formål som dynamisk prissætning, efterspørgselsprognose og lagerstyring.

Det vigtigste er, at disse ændringer sker hurtigt, og e-handelsdetailhandlere må holde trit. Ifølge en undersøgelse mener 67% af kunderne, at virksomhederne ikke reagerer hurtigt nok på deres skiftende behov. E-handelssæsonen i 2025, der strækker sig fra optakten til Black Friday til julen, er den første store test af, hvordan kunderne bruger AI, og hvor godt detailhandlere har tilpasset sig og kan udnytte det.

Fra SEO til GEO

Ifølge Adobe Analytics steg trafikken til detailhandlere fra generative AI-værktøjer som ChatGPT, Perplexity og Claude med 1.200% fra juli 2024 til februar 2025. Imens fandt en undersøgelse, at 23% af shopperne planlægger at bruge chatbots og AI-værktøjer i denne ferieperiode, med en stigning til over 42% blandt generation Z og millennials. Og AI’s indvirkning strækker sig nu ud over produktfindning, da OpenAI for nylig lancerede Instant Checkout til ChatGPT, hvilket muliggør, at kunder kan købe uden at forlade værktøjet. Det er i øjeblikket tilgængeligt på Etsy og nogle Shopify-butikker.

Disse udviklinger betyder, at e-handelsdetailhandlere må omstrukturere indhold, markedsføring og salg. Konsulentfirmaet Bain estimerer, at en betydelig majoritet af forbrugere nu afhænger af zero-click-resultater (hvor svarene gives af en AI-oversigt i stedet for at besøge en hjemmeside) i 40% af deres søgninger. Dette betyder mindre trafik til detailhandlernes hjemmesider, selvom konverteringsraterne for dem, der ankommer på hjemmesider fra AI-kilder, er højere.

I denne kontekst, hvor traditionelle søgemaskineoptimeringsteknikker (SEO) stadig er relevante, er retningen tydeligt mod brug af generativ AI til shopping, hvilket har ført til opkomsten af Generative Engine Optimization (GEO). GEO stiller e-handelskøbmænd over for en række nye udfordringer. De store sprogmodeller (LLM’er), der driver generative AI-værktøjer, er trænet til at evaluere rygte, troværdighed og tillid, når de analyserer mærker. Derfor må detailhandlere arbejde hårdt for at opbygge deres troværdighed, især ved at opnå anmeldelser eller anbefalinger fra respekterede eksterne kilder.

Beskrivende produktforespørgsler

En anden GEO-faktor at kæmpe med er den måde, kunderne danner forespørgsler på, når de bruger generative AI-værktøjer. Ifølge OpenAI bruger næsten halvdelen af alle forespørgsler “spørgende” mønstre. Den øverste informations- og produktchef i det amerikanske detailhandelsfirma Target hævdede nylig, at 25% af søgeforespørgslerne, der er lavet på deres platform, nu anses for at være “beskrivende forespørgsler”, der er komplekse og sofistikerede.

Hvor en kunde på en søgemaskine måske søger efter en “slim-fit pink skjorte”, kan samme forespørgsel på et AI-værktøj være “Slim-fit pink skjorter til forretningscasuelle begivenheder”. For beskrivende forespørgsler som denne skal produktbeskrivelserne tilpasses. For eksempel bør produktbeskrivelser på produkt sider inkludere langt mere detaljeret information i form af præcist skrevne, detaljerede FAQs. Dette muliggør, at AI-crawlere let kan identificere, hvilke forespørgsler dit produkt vil være et godt match for.

Digitale sandkasser til GEO

I en ironisk vending bruges AI til at hjælpe med indholdsanalyse og GEO. Forskere ved Columbia Business School bruger store sprogmodeller (LLM’er) til at oprette “digitale tvillinger”, der spejler menneskeligt adfærd. Når et bestemt produkt indtastes, genererer LLM’en en digital tvilling med en shopper-persona, herunder navn, alder, beskæftigelse og præferencer. Denne tvilling udfører herefter relevante søgninger på ChatGPT for at se, hvor prominent virksomhedens produkt er listet. Virksomheder kan herefter udnytte generativ AI til at tilpasse, hvordan deres produkter beskrives og præsenteres, baseret på resultaterne fra disse digitale tvillinger.

En “digital sandkasse”-tilgang som denne kan være en produktiv måde for e-handelsvirksomheder at udføre GEO på, men det er ikke uden risiko. AI-agenter har deres egne fordomme, der kan påvirke, hvordan de udfører og opfører sig. Alligevel giver disse tilgange en potentiel vej frem i e-handelsintelligens.

AI-drevet dataindsamling

Markedsføringssøjlen er kun ét element af e-handel, der påvirkes af AI. Et potentielt vigtigere område er forretningsintelligens (BI), et bredt begreb, der dækker indsamling og brug af data til at generere indsigt, der forbedrer strategi og drift. For effektiv BI har e-handelsvirksomheder brug for pålidelige, opdaterede datasæt, herunder eksterne data. AI spiller nu en vigtig rol i indsamlingen af konkurrencedata.

Praksis med at trække offentlige webdata, såsom priser og produktbeskrivelser, har været en hovedbestanddel af e-handelskonkurrence i år. Nu strømliner AI det. AI-aktiverede værktøjer kan aktiveres ved hjælp af naturligt sprog, hvilket betyder, at der ikke kræves nogen kodning, og ingeniører ikke behøver at bruge timer på at opbygge en fuld dataindsamlingssøjle. AI kan også indsamle og filtrere passende URLs til scraping, for eksempel ved at finde alle produkt sider for en bestemt kategori på en konkurrents hjemmeside.

Med opkomsten af AI-drevne shoppingassistenter vil e-handelsvirksomheder også være mere tilbøjelige til at indsamle datapunkter fra hinanden, der kun vises, når bestemte handlinger er fuldført, for eksempel den endelige checkout-pris.

Efterspørgselsprognose og reaktion i realtid

Med en række realtidsdata, der er indsamlet, fra konkurrentpriser til lager, kan detailhandlere justere deres prissætning eller markedsføring med det samme og give de bedste tilbud til kunderne.

Dynamisk prissætning er en af de vigtigste og mest populære BI-funktioner, som detailhandlere kan bruge, og ifølge en ny undersøgelse bruger 61% af detailhandlere i Europa det. Imidlertid fandt samme undersøgelse, at færre end 15% bruger algoritmer eller AI til dette formål, hvilket afslører en mulighed. Ved at udnytte de seneste data om konkurrencerpriser kan LLM’er trænes til automatisk at justere prissætning, hvilket især er nyttigt under peakperioder som ferieperioden.

AI kan bruge data om kundeefterspørgsel og lager niveauer til at forudsige fremtidig efterspørgsel. Dette kan give multiple fordele. Deloitte Digital har fremhævet, hvordan detailhandlere kan bruge AI til at overvåge deres eget lager, styre lager og placere ordrer dynamisk. Derudover kan AI hjælpe med at analysere data, der er indsamlet på tværs af webben, for at forstå, hvordan et mærke opfattes, og give strategiske indsigt.

Åben for muligheder

Selvom AI forstyrrer e-handelsmarkedsføringssøjlen, skaber det også nye muligheder. Det kan udnyttes til at analysere og oprette geo-optimeret indhold. Det driver også bestræbelserne på at indsamle værdifuld realtids offentlig webdata. AI tilføjer også værdi ved at analysere data for at træffe beslutninger om prissætning, lager og strategi. Og det er ikke at nævne andre potentielle anvendelser, såsom forbedret kundesupport.

Noget så disruptivt som AI er altid skræmmende, især for detailhandlere, der nærmer sig deres vigtigste salgsperiode. Imidlertid kan de, der forbliver åbne over for de muligheder, AI skaber, gøre mere end blot overleve. De kan trives.