Fire måter AI hjelper nye e-handelsplattformer med å konkurrere med store spilldistributører

I løpet av de siste 12 årene har distribusjonsstrategier for datamaskiner og videospill gjennomgått et seismisk skifte. Salget av digitale spill oversteg salget av fysiske kopier for første gang i 2013, og trenden ble ytterligere akselerert av nedstengningene i 2020. I Italia førte for eksempel den første uken med innesperring nedlasting av digitale spill til skyte i været med 174.9 %.

Ser vi fremover, er markedet klar til å fortsette å vokse, med Statista springende den vil vokse med en CAGR på 5.76 % mellom nå og 2027, og til slutt nå et markedsvolum på 25.4 milliarder dollar innen utgangen av det året. 

Til tross for dette er konkurransen fortsatt hard. Det digitale spillmarkedet domineres av kun en håndfull plattformer, og med 94 % av utgiftene skjer digitalt, som gir svært lite rom for nye deltakere. Etablerte spillere – som Steam og Epic Games Store i PC-sfæren – drar nytte av dette til å pålegge utgivere høye avgifter. 

For disse store enhetene er det en annen natur å integrere kunstig intelligens i virksomheten deres. For mindre, fremvoksende plattformer kan imidlertid AI være en gamechanger - en som lar dem utfordre det sittende oligopolet. 

Selv om replikering av vellykkede AI-implementeringer krever nøye vurdering av plattformspesifikke egenskaper og operasjonelle kontekster, er her fire måter AI kan hjelpe nye e-handelsselskaper til å konkurrere med digitale distribusjonsgiganter. 

#1: Forbedring av svindeloppdagelse

På spillplattformer skjer svindel i mye større skala – og mer tilbakevendende – enn i andre e-handelsvertikaler. Gitt kapasiteten til å behandle og analysere enorme mengder transaksjonsdata, kan AIs algoritmer raskt identifisere mistenkelige mønstre eller anomalier. 

Ved å lete gjennom omfattende transaksjonsdatabaser kan maskinlæringsalgoritmer tilpasse og gjenkjenne uredelige operasjoner, alt fra uvanlig brukeratferd til uregelmessige betalingsordninger og kjøp fra atypiske geografiske regioner. 

I tradisjonelle regelbaserte systemer kan noen av disse indikatorene gå ubemerket hen, hindre et selskaps evne til å oppdage svindel og utsette det for potensielle økonomiske tap. 

I selskapet vårt har vi, ved å implementere AI-drevet programvare – utviklet av en tredjepart – forhindret omtrent 95 % av uredelige transaksjoner. Vi jobber også hånd i hånd med teknologi. Når en operasjon er merket som tvilsom, vurderer vår leder den personlig. Digitale spillnøkler frigis ikke til kjøper før kjøpet er manuelt godkjent av vår leder. 

#2: Effektivisering av kundestøttespørsmål

I e-handel er AI-drevne chatbots en av de vanligste bruksområdene for kunstig intelligens. 

Siden det allerede finnes mange løsninger på markedet, er chatbots relativt enkle å implementere, selv uten historiske data. Fordi de kan lære av brukerinteraksjoner, gir chatbots resultater praktisk talt med en gang, og hjelper bedrifter med å redusere behovet for kundestøttepersonell. 

I tillegg frigjør de tid for eksisterende kundestøtteagenter. 

Vår erfaring er at de fleste forespørsler mottatt - rundt 70 % - er ganske enkle og repeterende. Eksempler inkluderer:

• Er spillet tilgjengelig for kjøp?
• Når kan jeg motta spillnøkkelen?
• Hvordan aktiverer jeg lisensnøkkelen min? 
• Hva er statusen for bestillingen min?

I 80 % av disse tilfellene har AI-robotene våre vært ganske vellykkede med å hjelpe brukerne våre uten å måtte overføre dem til en live-operatør. Dermed kan vi si at robotene våre dekker omtrent 56 % av våre innkommende støtteforespørsler, og frigjør verdifulle ressurser som tidligere ble strømmet inn i støttepersonell, slik at vi kan bruke dem andre steder i selskapet for å øke veksten vår. 

#3: Identifisere UX-konverteringsdrivende mønstre

Et vanlig dilemma som e-handelsorienterte bedriftseiere står overfor, er å identifisere de faktorene som lykkes med konvertering og de som ikke gjør det. 

Dette er et annet område hvor AI kan hjelpe, ved å samle brukerdata som identifiserer tilbakevendende atferdsmønstre som enten fører til eller avskrekker konverteringer. Basert på disse dataene kan bedrifter gjøre UX-sentrerte justeringer på nettsiden deres. 

I tillegg kan AI skape kundesegmenter som øker effektiviteten til markedsføringstiltak. Siden den kan lage brukerprofiler på tvers av ulike dimensjoner, kan AI avdekke forbindelser og gruppere like-segmenter som kanskje ikke er åpenbare gjennom manuelle vurderinger. For eksempel kan kunder som kjøper GTA 5 også være interessert i spill fra en annen sjanger som i prinsippet ikke har noe forhold til GTA 5. 

For å lette dette har vi implementert en tredjeparts AI-tilpasningsløsning fra Retail Rocket. Ved å utnytte historiske kundekjøpsdata hjelper dette verktøyet oss med å utføre flere oppgaver, som å gi personlige produktanbefalinger – både på nettstedet vårt og via e-post – og identifisere forhold mellom produkter, slik at vi kan foreslå komplementære kjøp. 

I tillegg kan vi også time kundenes neste potensielle kjøp. Dette forbedrer også timingen vår for markedsføringsmeldinger. Alt i alt kan vi stolt si at denne innsatsen har styrket salget vårt via markedsføringskanaler med omtrent 15 %. 

#4: Prognose salg

Gitt spillindustriens tidssensitive natur – for eksempel, pålegger Steam begrensninger på hvor mange nøkler utgivere kan generere – effektiv prognose er nøkkelen. 

Her har vi implementert en enkel AI-modell som er basert på to primære metoder: tidsserieprognose og regresjonsanalyse. 

Ved å oppdage mønstre hjelper førstnevnte oss med å forutsi fremtidige salgstall og tilpasse oss sesongvariasjoner, som er en viktig faktor på spillfeltet. På den annen side hjelper sistnevnte teamet vårt med å etablere forhold mellom salgsdata og andre variabler – demografi, priser, produktkategorier og mer. 

Siden det er store forskjeller i disse parameterne – for eksempel er det sportsspill som slippes årlig, slik som de av EA Sports, og andre strategispill som strekker seg over flere tiår – er det av største betydning å få disse kritiske faktorene riktige for nøyaktige prognoser. 

Vi begynte først med dette våren 2024, så per nå er resultatene våre lik det vi oppnådde uten AI. Vi forventer imidlertid at når vi ytterligere kalibrerer og avgrenser modellen vår, og akkumulerer flere historiske data, vil nøyaktigheten vår forbedres betydelig over tid. 

Avsluttende tanker

På noen felt, for eksempel spill, kan AI bli en demokratiserende faktor – en som gjør det mulig for nye plattformer med høyt potensiale å konkurrere med etablerte storheter. 

Når dette er sagt, for å realisere potensialet fullt ut, handler det ikke så mye om å bare integrere AI for dets skyld, men om å gjøre det riktig. 

For mindre selskaper som ikke har råd til å opprettholde et internt team av AI-spesialister, er en levedyktig løsning å bruke eksisterende tredjepartsprogramvare. Noen av disse ferdige løsningene kan brukes av vanlige utviklere, selv om de ikke er spesialisert på AI. 

Mitt forslag er at du ikke overfører hele arbeidsmengden med en gang til AI. Ta i stedet en gradvis tilnærming. Be for eksempel AI om å håndtere 10 % av brukerforespørslene, eller å prissette 10 % av produktene dine dynamisk. 

Sist men ikke minst, opprettholde den menneskelige berøringen. Det kan være veldig fordelaktig å la folk vurdere kvaliteten på støtten til AI. Ettersom AI beviser sin verdi, kan du utvide omfanget i organisasjonen din.