Detaljhandlere tilpasser seg AI: Hva betyr noe i den nye normalen for e-handel?

Den pågående utviklingen av AI-verktøy har en dyp innvirkning på e-handel. Forbrukerne bruker stadig generative AI-verktøy som ChatGPT til å søke etter, velge og sogar kjøpe produkter, en utvikling som berører hver enkelt nivå av e-handelsmarkedsføringen. I mellomtiden bruker detaljhandlere AI-verktøy til å samle inn sanntidsdata fra offentlige nettsteder for formål som dynamisk prising, etterspørselsprognose og lagerstyring.

Det viktigste er at disse endringene skjer raskt, og e-handelsdetaljhandlere må holde pace. Ifølge en undersøkelse mener 67% av kundene at selskapene ikke reagerer raskt nok på deres endrede behov. Høysesongen for e-handel i 2025, som omfatter perioden fra Black Friday til jul, er den første store prøven på hvordan kundene bruker AI og hvor godt detaljhandlere har tilpasset seg og kan utnytte det.

Fra SEO til GEO

Ifølge Adobe Analytics økte trafikken til detaljhandlere fra generative AI-verktøy som ChatGPT, Perplexity og Claude med 1200% fra juli 2024 til februar 2025. I mellomtiden fant en undersøkelse at 23% av shopperne planlegger å bruke chatbots og AI-verktøy denne julsesongen, med en økning til over 42% blant Gen Z og millenniale. Og AI sin innvirkning går nå utover produktoppdagelse, med OpenAI som nylig lanserte Instant Checkout for ChatGPT, som gjør det mulig for shoppere å gjøre kjøp uten å forlate verktøyet. Dette er for øyeblikket tilgjengelig på Etsy og noen Shopify-butikker.

Disse utviklingene betyr at e-handelsdetaljhandlere må omdefinere innhold, markedsføring og salg. Konsulentselskapet Bain estimerer at en betydelig majoritet av forbrukerne nå avhenger av null-klikk-resultater (der svar er gitt av en AI-oversikt i stedet for å besøke en nettside) i 40% av deres søk. Dette betyr mindre trafikk til detaljhandlernes nettsider, selv om konverteringsraten for de som ankommer nettsidene fra AI-kilder er høyere.

I denne sammenhengen, mens tradisjonelle søkemotortoptimeringsteknikker (SEO) fremdeles er relevante, er trenden tydelig mot bruk av generativ AI for shopping, og dermed oppkomsten av Generative Engine Optimization (GEO). GEO presenterer e-handelsforhandlere med en rekke nye utfordringer. Store språkmodeller (LLM) som driver generative AI-verktøy er trent til å vurdere omdømme, troverdighet og pålitelighet når de analyserer merker. Derfor må detaljhandlere jobbe hardt for å bygge opp sin troverdighet, spesielt ved å få anmeldelser eller anbefalinger fra respekterte eksterne kilder.

Beskrivende produktspørring

En annen GEO-faktor å kjempe med er den forskjellige måten kundene former spørringene når de bruker generative AI-verktøy. Ifølge OpenAI bruker nesten halvparten av alle spørringene “spørsmålsmønster”. Chief Information og Product Officer i det amerikanske detaljhandelsføretaket Target hevdet nylig at 25% av søkeforespørsler på deres plattform nå anses for å være “beskrivende spørringer” som er komplekse og sofistikerte.

Hvor en kunde på en søkemotor måtte søke etter en “slim-fit rosa skjorte”, ville samme spørring på et AI-verktøy være “Slim-fit rosa skjorter for forretningsformelle arrangementer”. For beskrivende spørringer som disse, må produktbeskrivelsene tilpasses. For eksempel bør GEO beste praksis inkludere mye mer produktbeskrivelse i form av nøyaktig skrevne, detaljerte FAQs på produktsidene. Dette gjør det mulig for AI-kryssere å lett identifisere hvilke spørringer produktet ditt ville være et godt valg for.

Digitale sandkasser for GEO

I en ironisk vending brukes AI til å hjelpe med innholdsanalyse og GEO. Forskere ved Columbia Business School bruker store språkmodeller (LLM) til å lage “digitale tvillinger” som speiler menneskelig atferd. Når et bestemt produkt innføres, genererer LLM en digital tvilling med en shopper-persona, inkludert navn, alder, yrke og preferanser. Denne tvillingen utfører så relevante søk på ChatGPT for å se hvor fremtredende selskapets produkt er listet. Selskaper kan deretter utnytte generativ AI til å justere hvordan deres produkter beskrives og presenteres, basert på funnene fra disse digitale tvillingene.

En “digital sandkasse”-tilnærming som denne kan være en produktiv måte for e-handelsfirmaer å utføre GEO, men det er ikke uten risiko. AI-agenter har sine egne fordommer, som kan påvirke hvordan de utfører og oppfører seg. Likevel gir disse tilnærmingene en potensiell måte fremover i e-handelsintelligens.

AI-drevet datainnsamling

Markedsføringsfunnelt er bare ett element av e-handel som forstyrres av AI. Et potensielt viktigere område er forretningsintelligens (BI), et bredt begrep som beskriver innsamling og bruk av data for å generere innsikt som forbedrer strategi og drift. For effektiv BI trenger e-handelsfirmaer pålitelige, oppdaterte datasett, inkludert eksterne data. AI spiller nå en viktig rolle i å samle inn konkurransedata.

Praksisen med å trekke ut offentlige nettdata, som priser og produktbeskrivelser, har vært en hovedsak i e-handelskonkurransen i årevis. Nå strømlinjeformer AI dette. AI-aktiverede verktøy kan utløses ved hjelp av naturlig språk, noe som betyr at ingen kodning er nødvendig, og ingeniører trenger ikke å bruke timer på å bygge en fullstendig datainnsamlingspipeline. AI kan også samle inn og filtrere egnet URL-er for skraping, for eksempel ved å finne alle produktsider for en bestemt kategori på en konkurranse-nettsted.

Med oppblomstringen av AI-drevne handlehjelpere, vil e-handelsfirmaer også være mer tilbøyelige til å samle inn datapunkter fra hverandre som kun vises etter at bestemte handlinger er fullført, for eksempel den endelige kjøpsprisen.

Eterspørselsprognose og reagere i sanntid

Med en rekke sanntidsdata samlet inn, fra konkurransepriser til lager, kan detaljhandlere justere prising eller markedsføring umiddelbart og gi de beste tilbudene til kundene.

Dynamisk prising er en av de viktigste og mest populære BI-funksjonene detaljhandlere kan bruke, og ifølge en nylig undersøkelse bruker 61% av detaljhandlere i Europa dette. Imidlertid fant samme undersøkelse at mindre enn 15% bruker algoritmer eller AI til dette formålet, og avdekker en mulighet. Ved å utnytte de siste data om konkurransepriser, kan LLM-er trenes til å automatisk justere priser, noe som er spesielt nyttig under toppperioder som julen.

AI kan bruke data om kundeefterspørsel og lagerbeholdning til å forutsi fremtidig etterspørsel. Dette kan gi flere fordeler. Deloitte Digital har fremhevet hvordan detaljhandlere kan bruke AI til å overvåke eget lager, håndtere lager og plassere bestillinger dynamisk. I tillegg kan AI hjelpe med å analysere data samlet inn over hele nettet for å forstå hvordan et merke oppfattes, og gi strategiske innsikt.

Åpen for muligheter

Mens AI forstyrer e-handelsmarkedsføringfunnelt, skaper det også nye muligheter. Det kan utnyttes til å analysere og lage geo-optimert innhold. Det driver også innsatsen for å samle inn verdifull sanntids offentlig nettdata. AI legger også til verdi i å analysere data for å fattet beslutninger om prising, lager og strategi. Og det er ikke å nevne andre potensielle bruksområder, som forbedret kundeservice.

Noe så disruptivt som AI er alltid skremmende, spesielt for detaljhandlere som nærmer seg hovedsalgsperioden. Likevel kan de som forblir åpne for mulighetene AI skaper, gjøre mer enn å bare overleve. De kan trives.