Рітейлери адаптуються до штучного інтелекту: що важливо в новій нормі електронної комерції?

Триває розвиток інструментів штучного інтелекту, який суттєво впливає на електронну комерцію. Споживачі все частіше використовують інструменти генерації штучного інтелекту, такі як ChatGPT, для пошуку, вибору та навіть покупки товарів, що впливає на кожний рівень маркетингового процесу електронної комерції. Тим часом рітейлери використовують інструменти штучного інтелекту для збору даних у реальному часі з публічного вебу для цілей, таких як динамічна ціноутворення, прогнозування попиту та управління запасами.

Найважливіше, що ці зміни відбуваються швидко, і рітейлерам електронної комерції потрібно слідкувати за цими змінами. За даними дослідження, 67% клієнтів вважають, що компанії не реагують на їхні зміни швидко enough. Пік сезону електронної комерції 2025 року, який триває від підготовки до Чорної п’ятниці до святкових днів, став першим великим тестом того, як клієнти використовують штучний інтелект і наскільки добре рітейлери адаптувалися до нього.

Від SEO до GEO

За даними Adobe Analytics, трафік до рітейлерів з інструментів генерації штучного інтелекту, таких як ChatGPT, Perplexity та Claude збільшився на 1200% з липня 2024 року по лютий 2025 року. Тим часом, опитування показало, що 23% покупців планують використовувати чат-боти та інструменти штучного інтелекту під час святкових днів, а ця цифра зростає до понад 42% серед покоління Z та мілленіалів. І вплив штучного інтелекту тепер виходить за рамки відкриття продукції, оскільки OpenAI недавно розробила функцію миттєвої оплати для ChatGPT, яка дозволяє покупцям здійснювати покупки без виходу з інструменту. Наразі це доступно на Etsy та деяких магазинах Shopify.

Ці зміни означають, що рітейлери електронної комерції повинні переосмислити свій контент, маркетинг та продажі. Консалтингова компанія Bain оцінює, що значна більшість споживачів тепер покладається на результати без кліку (де відповіді надаються підсумком штучного інтелекту замість відвідування веб-сайту) у 40% своїх пошукових запитів. Це означає менше трафіку на веб-сайти рітейлерів, хоча коєфіцієнти конверсії тих, хто прибуває на сайти з джерел штучного інтелекту, вищі.

У цьому контексті, хоча традиційні тактики оптимізації для пошукових систем (SEO) залишаються актуальними, траєекторія явно спрямована на використання генерації штучного інтелекту для шопінгу, звідси виникнення генерації оптимізації двигуна (GEO). GEO представляє для рітейлерів електронної комерції ряд нових викликів. Великі мови моделі (LLM), які живлять інструменти генерації штучного інтелекту, навчаються оцінювати репутацію, надійність та довіру під час аналізу брендів. Тому рітейлерам потрібно працювати над будівництвом своєї надійності, особливо шляхом отримання відгуків або рекомендацій від авторитетних зовнішніх джерел.

Описові запити продукції

Іншим фактором GEO, з яким потрібно боротися, є інший спосіб, яким клієнти формують запити при використанні інструментів генерації штучного інтелекту. За даними OpenAI, майже половина всіх запитів використовує шаблони “питання”. Головний інформаційний та продукт-офіцер у рітейл-гіганта Target нещодавно заявив, що 25% пошукових запитів, зроблених на їхній платформі, тепер вважаються “описовими запитами”, які є складними та розвиненими.

Якщо на пошукових системах клієнт міг шукати “слім-фіт рожеву сорочку”, то такий же запит на інструменті штучного інтелекту міг би бути “Слім-фіт рожеві сорочки для ділових випадків”. Для описових запитів, таких як цей, описи продукції потрібно адаптувати. Наприклад, на сторінках продукції GEO рекомендує включати значно більше опису продукції у вигляді точно написаних, детальних запитань та відповідей. Це дозволяє штучному інтелекту легко визначити, для яких запитів ваш продукт буде хорошим варіантом.

Цифрові пісочниці для GEO

У іронічному повороті, штучний інтелект використовується для допомоги у аналізі контенту та GEO. Дослідники у Колумбійській бізнес-школі використовують великі мови моделі (LLM), щоб створити “цифрові двійники”, які віддзеркалюють поведінку людини. Коли вводиться конкретний продукт, LLM генерує цифровий двійник із покупцем, включно з ім’ям, віком, професією та уподобаннями. Цей двійник потім проводить відповідні пошуки на ChatGPT, щоб побачити, наскільки високо продукція компанії представлена у результатах. Компанії можуть потім використовувати генерацію штучного інтелекту, щоб調стувати, як їхні продукти описуються та представляються, на основі результатів цих цифрових двійників.

Підхід “цифрової пісочниці” може бути продуктивним способом для компаній електронної комерції проводити GEO, але це не позбавлено ризиків. Агенти штучного інтелекту мають свої власні упередження, які можуть впливати на їхню поведінку. Тим не менш, ці підходи забезпечують потенційний шлях вперед у сфері електронної комерції.

Збір даних, керований штучним інтелектом

Маркетинговий функціональний блок – це лише один елемент електронної комерції, який порушується штучним інтелектом. Потенційно більш важливою областю є бізнес-інтелект (BI), широкий термін, який описує збір та використання даних для генерації інсайтів, які покращують стратегію та операції. Для ефективного BI компанії електронної комерції потребують надійних, актуальних наборів даних, включаючи зовнішні дані. Штучний інтелект зараз грає важливу роль у зборі конкурентних даних.

Практика витягування публічних веб-даних, таких як ціни та описи продукції, була основою конкуренції електронної комерції протягом років. Тепер штучний інтелект оптимізує цей процес. Інструменти, керовані штучним інтелектом, можуть бути активовані за допомогою природної мови, що означає, що не потрібно програмування, і інженерам не потрібно витрачати години на будівництво повного процесу збору даних. Штучний інтелект також може зібрати та відфільтрувати відповідні URL-адреси для скрапінгу, наприклад, знаходить усі сторінки продукції для певної категорії на веб-сайті конкурента.

З ростом штучних інтелект-асистентів для шопінгу компанії електронної комерції також будуть більш схильні зібрати дані з одного одного, які з’являються лише після виконання певних дій, наприклад, кінцевої ціни після оплати.

Прогнозування попиту та реагування в реальному часі

З великою кількістю даних у реальному часі рітейлери можуть регулювати ціни або маркетинг негайно та пропонувати клієнтам найкращі пропозиції.

Динамічна ціноутворення – одна з найважливіших та популярних функцій BI, яку можуть використовувати рітейлери, і згідно з недавнім опитуванням, 61% рітейлерів у Європі використовують це. Однак те ж опитування показало, що менше 15% використовують алгоритми або штучний інтелект для цієї мети, що відкриває можливість. Використовуючи останні дані про ціни конкурентів, LLM можна навчити автоматично регулювати ціни, що особливо корисно під час пікових періодів, таких як святкові дні.

Штучний інтелект може використовувати дані про попит клієнтів та рівні запасів для прогнозування майбутнього попиту. Це може принести численні вигоди. Deloitte Digital підкреслює, як рітейлери можуть використовувати штучний інтелект для моніторингу своїх запасів, управління запасами та динамічного замовлення. Крім того, штучний інтелект може допомогти аналізувати дані, зібрані по всьому вебу, щоб зрозуміти, як бренд сприймається, надавши стратегічні інсайти.

Відкритість до можливостей

Хоча штучний інтелект порушує маркетинговий функціональний блок електронної комерції, він також створює нові можливості. Його можна використовувати для аналізу та створення гео-оптимізованого контенту. Він живить зусилля збору цінних даних у реальному часі. Штучний інтелект також додає вартість у аналізі даних для прийняття рішень про ціни, запаси та стратегію. І це не згадуючи інші потенційні застосування, такі як покращена підтримка клієнтів.

Щось таке революційне, як штучний інтелект, завжди лякає, особливо для рітейлерів, які наближаються до свого основного періоду продажів. Однак ті, хто залишається відкритими до можливостей, які створює штучний інтелект, можуть зробити більше, ніж просто виживати. Вони можуть процвітати.