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

Over de siste 12 årene har strategiene for distribusjon av dataspill og videospill gjennomgått en dramatisk forandring. Salget av digitale spill overgikk salget av fysiske eksemplarer for første gang i 2013, og trenden ble ytterligere akselerert av koronavirus-låsningene i 2020. I Italia, for eksempel, ledet den første uken med innesperring til at digitale spillnedlastinger økte med 174,9%.

Ser vi fremover, er markedet godt posisjonert for å fortsette å vokse, med Statista som estimator at det vil vokse med en årlig vekstrate på 5,76% frem til 2027, og til slutt nå et markedsvolum på 25,4 milliarder dollar ved utgangen av det året.

Til tross for dette, er konkurransen fortsatt intens. Det digitale spillmarkedet domineres av bare noen få plattformer, og med 94% av utgiftene som skjer digitalt, blir det svært lite plass til nye aktører. Etablerede spillere — som Steam og Epic Games Store i PC-sfæren — tar fordel av dette til å påføre utgivere betydelige avgifter.

For disse store enhetene er integrering av AI i deres operasjoner en selvfølge. Men for mindre, nye plattformer, kan AI være en game-changer — en som lar dem utfordre den etablerte oligopoliet.

Mens replikering av vellykkede AI-implementeringer krever nøye overveielse av plattforms-spesifikke karakteristika og operative sammenhenger, er her fire måter AI kan hjelpe nye e-handelsforetak å konkurrere med digitale distribusjons-giganter.

#1: Forbedring av svindel-deteksjon

På spillplattformer skjer svindel i mye større skala — og hyppigere — enn i andre e-handelssegmenter. Gitt dets evne til å prosessere og analysere store mengder transaksjonsdata, kan AI-algoritmer raskt identifisere mistenkelige mønster eller anomalier.

Ved å gå gjennom omfattende transaksjonsdatabaser, kan maskinlæringsalgoritmer tilpasse seg og gjenkjenne svindelaktige operasjoner, fra uvanlige bruker-atferd til uregelmessige betalingsordninger og kjøp fra uvanlige geografiske regioner.

I tradisjonelle regelbaserte systemer kan noen av disse indikatorene gå ubemerket, og hindre en bedrifts evne til å oppdage svindel og utsette dem for potensielle finansielle tap.

I vårt selskap har vi, ved å implementere AI-drevet programvare — utviklet av en tredjepart — forebygget omtrent 95% av svindeltransaksjoner. Vi arbeider også hånd i hånd med teknologi. Når en operasjon blir flagget som tvilsom, gjennomgår vår leder den manuelt. Digitale spillnøkler blir ikke utlevert til kjøperen før kjøpet har blitt manuelt godkjent av vår leder.

#2: Strømlinjeforming av kundesupportforespørsler

I e-handel er AI-drevne chatboter en av de vanligste anvendelsene av kunstig intelligens.

Ettersom det finnes mange løsninger på markedet allerede, er chatboter relativt enkle å implementere, selv uten historisk data. Fordi de kan lære av brukerinteraksjoner, gir chatboter resultater praktisk talt med en gang, og hjelper selskaper å redusere behovet for kundesupport-personale.

I tillegg frigjør de tid for eksisterende kundesupport-agenter.

I vår erfaring er de fleste forespørsler vi mottar — rundt 70% — ganske enkle og repetitive. Eksempler inkluderer:

• Er spillet tilgjengelig for kjøp?
• Når kan jeg motta spillnøkkelen?
• Hvordan aktiverer jeg min lisensnøkkel?
• Hva er statusen på min bestilling?

I 80% av disse tilfellene har våre AI-boter vært svært suksessfulle i å hjelpe våre brukere uten å måtte overføre dem til en live-operatør. Derfor kan vi si at våre boter dekker omtrent 56% av våre inngående supportforespørsler, og frigjør verdifulle ressurser som tidligere ble brukt på support-personale, så vi kan bruke dem andre steder i selskapet til å forbedre vår vekst.

#3: Identifisering av UX-omvendingsmønster

En vanlig dilemma e-handels-orienterte bedriftseiere møter er å identifisere faktorene som driver omvendinger og de som ikke gjør det.

Dette er et annet område hvor AI kan hjelpe, ved å samle inn brukerdata som peker på gjentakende atferdsmønster som enten driver eller hindrer omvendinger. Basert på denne dataen kan selskaper gjøre UX-sentrerte justeringer på sine nettsider.

I tillegg kan AI skape kundesegmenter som forbedrer effektiviteten av markedsføringsinnsatsen. Ettersom det kan skape brukerprofiler over flere dimensjoner, kan AI avdekke sammenhenger og grupper av lignende segmenter som kanskje ikke er åpenbare gjennom manuelle gjennomganger. For eksempel kan kunder som kjøper GTA 5 også være interessert i spill fra en annen sjanger som i prinsippet ikke har noen sammenheng med GTA 5.

For å lette dette har vi implementert en tredjeparts AI-personaliseringssøknad fra Retail Rocket. Ved å utnytte historisk kunde-kjøpsdata hjelper denne verktøyet oss med å fullføre flere oppgaver, som å gi personlige produktanbefalinger — både på vår nettside og gjennom e-post — og å identifisere sammenhenger mellom produkter, slik at vi kan foreslå komplementære kjøp.

I tillegg kan vi også tidligere kunder sine neste potensielle kjøp. Dette forbedrer også vår timing for markedsføringsmeldinger. Alt i alt kan vi stolt si at disse innsatsene har forbedret våre salg gjennom markedsføringskanaler med omtrent 15%.

#4: Prognostisering av salg

Gitt den tidssensitive naturen av spillindustrien — for eksempel, pålegger Steam begrensninger på hvor mange nøkler utgivere kan generere — er effektiv prognostisering nøkkel.

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

Ved å oppdage mønster, hjelper den første oss med å forutsi fremtidige salgstall og tilpasse oss til sesongvariasjoner, som er en viktig faktor i spillfeltet. På den andre siden hjelper den andre vår team med å etablere sammenhenger mellom salgsdata og andre variabler — demografi, prising, produktkategorier og mer.

Ettersom det finnes store variasjoner i disse parameterne — for eksempel, er det sports-spill som utgis årlig, som de fra EA Sports, og andre strategi-spill som spenner over flere tiår — er det av ytterste viktighet å få disse kritiske faktorene riktige for nøyaktig prognostisering.

Vi startet med dette på våren 2024, så, per nå, er våre resultater lignende det vi oppnådde uten AI. Men vi forventer at, ettersom vi videre kalibrerer og finjusterer vår modell, og samler mer historisk data, vil vår nøyaktighet øke betydelig over tid.

Slutt-tanker

I noen felt, som spill, kan AI bli en demokratiserende faktor — en som lar nye, høypotensielle plattformer konkurrere med etablerte gigantene.

Ettersom vi har sagt dette, er det ikke bare om å integrere AI for å integrere det, men om å gjøre det riktig.

For mindre selskaper som ikke kan holde på et eget team av AI-eksperter, er en livskraftig løsning å bruke eksisterende tredjeparts-programvare. Noen av disse ferdige løsningene kan brukes av vanlige utviklere, selv om de ikke er spesialiserte i AI.

Min anbefaling er at du ikke overfører all din arbeidsbyrde til AI med en gang. I stedet, ta en gradvis tilnærming. For eksempel, be AI om å håndtere 10% av brukerforespørsler, eller å dynamisk prisse 10% av dine produkter.

Til slutt, men ikke minst, behold den menneskelige berøringen. Å ha mennesker som gjennomgår kvaliteten på AI-støtten kan være svært fordelaktig. Ettersom AI beviser sin verdi, kan du utvide dens omfang innenfor din organisasjon.