Информационная архитектура для электронной коммерции на базе ИИ

Помните, что ИИ без ИА (информационной архитектуры) невозможен. Убедитесь, что информационная архитектура работает и ваш ИИ будет функционировать должным образом.

Когда-то электронная коммерция заключалась просто в том, чтобы клиенты находили то, что они хотели купить. Сегодня доступно так много товаров и у покупателей есть так много информации, что электронная коммерция должна быть умнее, чем когда-либо прежде. 

Как ваша платформа электронной коммерции работает для вас? 

Если он не оправдывает ожиданий, скорее всего, проблема не в технологии, которую вы развернули на своем сайте, а в архитектуре и данных, которые ее поддерживают. Только когда вы поймете это правильно, вы сможете по-настоящему сделать свою электронную коммерцию умнее. Ключом к успеху является электронная коммерция на базе искусственного интеллекта.

Сценарии электронной коммерции с ИИ

Рассмотрим несколько типичных сценариев электронной коммерции, в которых используется искусственный интеллект.

• Вы заходите на сайт электронной коммерции и начинаете перемещаться по категориям. Сайт решает, исходя из того, кто его посещает, и других факторов, в первую очередь перечислять высокодоходные категории. Теперь давайте добавим еще немного информации: раньше вы всегда покупали вещи, которые были на распродаже. Сайт знает об этом и поэтому в первую очередь отображает товары с распродажей и лучшие предложения, увеличивая вероятность того, что вы нажмете и купите.
• Вы заходите на промышленный объект и ищете по запросу «зачистка пресс-формы». Как и при любом поиске, у сайта есть выбор: показать как можно больше релевантных результатов (выбирая полноту) или попытаться угадать точный правильный ответ (выбирая точность). Но относится ли «зачистка пресс-формы» к очистке литьевой формы, удалению плесени и грибка с влажной поверхности или к обновлению деревянной формы? Умный сайт учитывает весь возможный контекст – например, что вы покупали в прошлом и какие другие поисковые запросы вы проводили – и предлагает лучший ответ, будь то смазочные материалы, чистящие химикаты или абразивы.
• Вы просматривали сайт и добавили несколько избранных в категорию. Сайт интерпретирует ваши действия как сигнал о покупке и подталкивает вас к покупке.
• Вы добавили в корзину несколько товаров — например, замшевые салфетки и средство для чистки лобовых стекол. Сайт знает, что многие другие люди, сделавшие такой выбор, также купили автомобильный воск и средство для чистки шин, поэтому его алгоритм анализа корзины покупок предлагает эти товары.

ИИ поддерживает все эти сценарии: поиск, навигацию, прогнозирующие предложения и анализ корзины покупок. Но у них больше общего, чем это.

Мой анализ многочисленных технологических проектов, как успешных, так и неудачных, показал, что эффективность подобных функций на базе ИИ в конечном итоге зависит от высокого уровня дисциплины в отношении данных и архитектуры – и до такой степени, что некоторые руководители могут этого не осознавать.

Правильные данные и организация имеют решающее значение

Опыт клиентов в электронной коммерции полностью состоит из данных. Качество базовых данных определяет качество опыта. 

Хотя это звучит очевидно, на практике я заметил, что во многих организациях процессы информирования о продуктах неразвиты. Когда они внедряют новые продукты, они не управляют информацией о продуктах адаптируемым и устойчивым образом. В результате получаются грязные, неполные и противоречивые данные, которые подрывают способность ИИ обеспечивать оптимальный опыт.

В основе интеллектуального опыта электронной коммерции лежат два типа данных: информация, относящаяся к продуктам, и данные о клиентах.

Начните с таксономии продуктов

Управление выбором тысяч или миллионов продуктов начинается с иерархии продуктов, называемой таксономией отображения. 

Точно так же, как товары в физическом магазине расположены в соответствии с логическим набором проходов и полок с похожими продуктами, продукты в виртуальном магазине должны быть организованы в соответствии с логическим набором категорий и качеств, соответствующих уникальным потребностям клиентов бизнеса.

Это таксономия демонстрации продуктов, и ее дизайн так же важен для сайта электронной коммерции, как планограмма обычного магазина для покупательского опыта. Дифференциация этой таксономии отображения является одним из источников конкурентного преимущества. Если вы знаете, как ваш клиент решает свои проблемы, и можете организовать продукты более эффективно, чем конкуренты, вы сохраните свой бизнес. Если клиенты не могут быстро и легко найти то, что им нужно, они идут дальше.

Системы управления информацией о продуктах (PIM) хранят информацию о продуктах, включая их взаимоотношения. Они знают, какие продукты являются аксессуарами к другим продуктам, а какие обычно используются вместе. Но эти данные эффективны только в том случае, если процесс адаптации новых продуктов достаточно строгий и всегда включает такие отношения.

По моему опыту, разработка таксономии данных и категорий в PIM — это тонкая и сложная проблема, которую многие технологические менеджеры упускают из виду. 

Стандартизация и дифференциация

Чем точнее таксономия адаптирована к уникальным потребностям клиентов, тем больше предложений сайт может предложить, повышающих доходность. Однако индивидуальные таксономии не всегда соответствуют стандартам обмена данными. Это нормально. Стандартизация нужна для эффективности, дифференциация – для конкурентного преимущества. Таким образом, разработка таксономии и процесс внедрения продукта представляют собой тонкий баланс между стандартизированными и дифференцированными элементами.

Данные о клиентах

Другая сторона проблемы — данные о клиентах. Персоны (например, «посетители впервые» или «покупатели, чувствительные к цене») позволяют сайтам понять разнообразие пользователей, с которыми они сталкиваются. Затем дизайнеры используют эти персонажи для принятия решений по таксономии и качеству обслуживания клиентов. Они отражают такие атрибуты аудитории, как лояльность клиентов, нетерпение или осознание ценности. 

Тестирование, основанное на этих атрибутах, позволяет дизайну сайта уточнить подход к конкретным типам клиентов с различными потребностями.

Есть еще один неожиданный источник проблем с данными, которые поддерживают ИИ в электронной коммерции: терминология. При обслуживании нескольких аудиторий одна и та же терминология может иметь несколько значений и контекстов (помните «снятие плесени?»). Стандартизация терминологии является важным элементом для того, чтобы сделать таксономию продуктов и данные об аудитории удобными и эффективными.

Как на самом деле развиваются персонализированные сайты на базе искусственного интеллекта

Несмотря на автоматизацию, которая кажется неотъемлемой частью настройки сайта, по моему опыту, дизайн всегда начинается с очень человеческого, почти кустарного набора решений. 

Специалист по маркетингу, знающий своего клиента, начинает с того, что решает, какое сообщение или часть сообщения, по его мнению, найдет отклик, а затем проверяет его, повторяя набор вручную созданных вариантов. 

Затем они вручную создают сообщение и пробуют его вариацию, точно так же, как ремесленник использует знания своего ремесла, чтобы создать что-то, что привлечет другого человека. Затем маркетолог попробует другие варианты и выяснит, какие другие элементы могут работать, а какие нет.

В конце концов на сцену выходит машинное обучение: алгоритмы на базе искусственного интеллекта пробуют вероятные варианты и оптимизируют их комбинации на основе непрерывного процесса тестирования и постоянного улучшения. Однако структура этих элементов и комбинаций сообщений определяется экспертами.

Как навести порядок в вашей базе данных: думайте об IA, прежде чем об AI

Как вы можете быть уверены, что ваши инструменты искусственного интеллекта действительно обеспечивают тот опыт, который они обещают? Начнем с  информационной архитектуры  (ИА). Просматривая общие черты десятков проектов, я заметил, что это ключевые области, на которых следует сосредоточиться, чтобы гарантировать, что данные, с которыми работают алгоритмы на базе искусственного интеллекта, действительно могут обеспечить лучший и более эффективный опыт:

• Создайте правильную архитектуру контента. Это включает в себя определение модели метаданных о продуктах и вспомогательном контенте, контроль словарей и терминологии и, самое главное, обеспечение того, чтобы архитектура контента поддерживала качество обслуживания клиентов. Это означает создание таксономий продуктов, специально предназначенных для решения задач, которые чаще всего решают посетители сайта. Такая архитектура должна поддерживать динамически генерируемый клиентский опыт и обеспечивать перекрестные продажи.
• Создайте строгие правила для поставщиков и продуктов. Используя требования в контрактах на закупки, убедитесь, что поставщики предоставляют перечень доступных метаданных о продуктах, а затем проверяйте модели данных на соответствие требованиям мерчандайзинга. Эти базовые данные затем могут быть дополнены уникальными атрибутами, основанными на потребностях и предпочтениях клиентов. Убедитесь, что менеджеры по продуктам с самого начала получают необходимый контент и данные и что данные о продуктах являются полными и согласованными. Создавайте атрибуты продукта таким образом, чтобы они были наиболее полезны для настройки сайта и предоставления клиентам возможности делать выбор.
• Проведите аудит операций с контентом. Определите рабочий процесс для приема контента и автоматической маркировки контента. Если содержимое продукта необходимо изменить, убедитесь, что существует определенный рабочий процесс для его изменения. Создавайте системы для управления и соблюдения прав на контент, а также отслеживания жизненного цикла рекламных акций.
• Управляйте цифровыми активами для настройки сайта. Это включает в себя обеспечение доступности спецификаций и, возможно, технических чертежей и брошюр, а также того, что ресурсы организованы таким образом, чтобы облегчить поиск и повторное использование за счет соответствующей архитектуры контента.
• Уточните стратегию персонализации. Документируйте потребности и личности покупателей, а затем создавайте задачи и цели, соответствующие персонализированному контенту на основе этих личностей. В идеале контент будет динамически собираться на основе поведения посетителей.
• Оптимизируйте омниканальный опыт. Убедитесь, что рекламные акции в магазинах соответствуют рекламным акциям в Интернете и что покупатели могут идентифицировать и найти товары в магазинах на основе информации с сайтов. Тестируйте взаимодействие на разных устройствах — мобильных устройствах, ПК и в магазине — чтобы определить, где возникают сбои.
• Используйте аналитику для повышения эффективности сайта. Показатели эффективности контента должны быть встроены в процессы управления, а сайты должны постоянно измерять эффективность поиска, а также пути, по которым посетители уходят без покупок.

Ни одна из этих задач не является легкой. Фактически, ваш прогресс в таких основополагающих элементах, особенно в информационной архитектуре, будет определять уровень зрелости вашего сайта для готовности к искусственному интеллекту. 

Аудит вашего прогресса в решении этих задач – и разработка планов по их улучшению – будет иметь большое значение для уверенности в том, что будущие улучшения вашего сайта могут эффективно использовать достижения искусственного интеллекта, которые появятся в будущем.

Именно здесь вам следует сосредоточить большую часть своих усилий. Добавление большего количества модулей на базе искусственного интеллекта поверх слабой и противоречивой архитектуры контента и данных в конечном итоге дорого вам обойдется. 

Думайте больше о данных, а не о наворотах, и вы встанете на путь подготовки своего сайта к технологиям будущего. Помните, что без ИА не может быть ничего, основанного на искусственном интеллекте (ИИ). Убедитесь, что информационная архитектура работает и ваш ИИ будет функционировать должным образом.

Источник

Курирование и адаптация: Онтограф