Agentic commerce je situace, kdy AI nefunguje jen jako vyhledávač, ale část výběru, porovnání a případně i samotný nákup provádí jménem zákazníka.

Přečtěte si druhý díl třídílné série o tom, jak připravit produktová data a produktové informace na agentic commerce.

Zákazník hledá náhradní filtr do čističky vzduchu. Zná přesné označení svého přístroje, najde u vás několik filtrů, ale nikde se nedozví, který z nich do jeho modelu opravdu pasuje. Produktové stránky mají fotografie, popisy i technické parametry. Chybí ale odpověď na otázku, kvůli které přišel.

U jiného produktu ve stejném katalogu možná chybí přesná hmotnost filtru. To je sice také nevyplněné pole, jenže pro většinu zákazníků to při výběru nebude rozhodující.

V běžném reportu kvality dat mohou oba případy vypadat stejně: chybějící atribut. Pro zákazníka, a stále častěji i pro AI, která mu s výběrem pomáhá, jsou to ale dvě naprosto rozdílné situace.

Pokud chceme zlepšovat produktová data, neměli bychom začínat seznamem prázdných polí. Měli bychom začít tím, na jaké otázky zákazník nedostává spolehlivou odpověď.

Nejdřív nákup, potom tabulka

V přechozím článku jsme si ukázali, že AI může najít správný produkt, a přesto doporučit špatný nákup. Třeba proto, že zamění variantu, obsah balení nebo aktuální dostupnost. Závěr ale nebyl, že musíme ručně doplnit všechny informace ke všem produktům.

Co tedy řešit jako první?

U každé kategorie budou důležité trochu jiné otázky. Při výběru náhradního dílu rozhoduje kompatibilita. U skříňky rozměry. U bot může být zásadní velikost konkrétní varianty a termín doručení. A při nákupu aku nářadí potřebuje zákazník vědět, zda kupuje samotné tělo, nebo sadu s baterií a nabíječkou.

Nemusíme na to hned vymýšlet složitou metodiku. Pro začátek stačí podívat se na reklamace, vratky, vyhledávání na e-shopu a dotazy na zákaznickou podporu. Kde si lidé nejčastěji nejsou jistí? Kvůli čemu kupují nesprávné provedení? A které věci si ani neumějí ověřit?

Tyto otázky nás dovedou blíž ke skutečnému problému než jen zvyšování procenta vyplněnosti katalogu. Zároveň nejsou jediným vodítkem: některá závažná chyba může být vzácná nebo se na ni zákazník vůbec nezeptá, protože netuší, že může nastat.

Důležitá informace ještě neznamená hodiny ruční práce

Vraťme se k filtrům. Řekněme, že zjistíme, že zákazníci opakovaně tápou v kompatibilitě. Máme tedy jasnou prioritu. Ale co s ní?

První nápad může být doplnit ke každému filtru seznam kompatibilních přístrojů. Někdy to bude správná cesta, jenže ne vždy.

Co když výrobce už takový seznam má? Co když je uvedený v technickém PDF? Nebo výrobce poskytuje databázi, která se průběžně aktualizuje?

V tom případě nám možná nechybí informace. Chybí nám jen způsob, jak ji spolehlivě dostat k zákazníkovi a k nákupnímu agentovi.

Rozdíl je důležitý i ekonomicky. Ručně udržovat kompatibilitu u tisíců položek může stát hodně času. Opravit napojení na kvalitní zdroj může být výhodnější. A u vzácného dotazu může dávat smysl ověřit kompatibilitu až ve chvíli, kdy se na ni zákazník skutečně zeptá.

Nejdůležitější informace nemusí být tou, do jejíž ruční přípravy máme investovat nejvíc.

Jeden problém může mít několik dobrých řešení

Představme si čtyři možnosti, jak kompatibilitu filtrů řešit:

1. Doplníme ji přímo k produktům. To dává smysl, když máme spolehlivé podklady, počet položek je rozumný a údaj zákazníci potřebují opakovaně. Jen je nutné pohlídat, že seznam patří ke správnému filtru a zůstává aktuální.

2. Necháme informace vytěžit AI. Pokud jsou informace o kompatibilitě roztroušené v manuálech a tabulkách, může AI výrazně urychlit jejich zpracování. Stále ale musíme kontrolovat záměny modelů, generací nebo jednotlivých balení. AI nemůže potvrdit to, co zdroj sám neříká.

3. Zpřístupníme původní databázi výrobce. Pokud je použitelná a spolehlivá, může jedno propojení obsloužit velkou část katalogu. Má ale své náklady, technické podmínky a rizika výpadků nebo nekvalitních zdrojových dat.

4. Ověříme údaj až na dotaz. U méně častých situací může být zbytečné držet každou kombinaci informací v e-shopu předem. Zákazník nebo agent si vyžádá ověření konkrétního modelu. Musíme ovšem počítat s dostupností zdroje a s tím, že odpověď někdy nebude okamžitá.

Žádné z těchto řešení není automaticky nejlepší. Záleží na tom, kolik zákazníků daný problém řeší, jak závažná by byla chyba, co už máme k dispozici a jaké jsou náklady jednotlivých možností.

Podstatné je, že jsme nezačali otázkou „které pole vyplnit?“, ale „jak zákazníkovi spolehlivě potvrdit, že kupuje správný filtr?“

A kde je v tom AI?

Právě AI mění celou ekonomiku práce s produktovými informacemi. Umí procházet podklady výrobců, extrahovat parametry, převádět jednotky i hledat vztahy mezi produkty. Co dřív znamenalo spoustu rutinního přepisování, může dnes probíhat automaticky.

To ale neznamená, že každá automaticky získaná hodnota je pravdivá. Pokud je v dokumentaci chyba nebo údaj patří jinému modelu, může AI právě tuto chybu velmi efektivně rozšířit.

Zajímavý posun je vidět také u samotných platforem. Google Merchant Center například umožňuje připojit k produktům dokumentaci ve formátu PDF, kterou mohou jeho konverzační nákupní funkce využívat jako podklad pro odpovědi. Neznamená to, že každý agent dokument vždy přečte správně. Ukazuje to ale, že cesta ke kvalitní odpovědi nemusí vést jen přes další strukturovaný atribut.

U stabilních technických údajů může být vhodným zdrojem manuál. U ceny nebo skladové dostupnosti zase potřebujeme aktuální informaci z obchodního systému. A u konkrétní kompatibility někdy nestačí ani jedno bez přesného označení modelu či revize.

Náš úkol tedy není rozhodnout, co všechno zvládne AI „nějak dopočítat“. Musíme zajistit, aby měla pro důležité odpovědi spolehlivé podklady – a abychom tam, kde podklady nestačí, uměli přiznat nejistotu.

Jak bych začal v reálném e-shopu

Nemusíme hned rozjet velký projekt datové kvality. Začal bych jednou kategorií, kde se opakují dotazy, vratky nebo problémy s výběrem.

Pak bych s týmem prošel čtyři jednoduché otázky:

1. S čím zákazníci při výběru bojují? A co může vést ke špatnému nákupu, i když se na to výslovně neptají?

2. Máme na tyto otázky správné odpovědi? Nejen na produktové stránce. Třeba v ERP, dokumentaci nebo u výrobce.

3. Jak je dostaneme k zákazníkovi a k AI? Vyplatí se doplnit atribut, vytěžit dokument, opravit vazby nebo ověřovat informace až při dotazu?

4. Poznáme, že se situace zlepšila? Ubývá chybných výběrů a opakovaných dotazů? Umíme lépe potvrdit správnou variantu? A nestojí řešení víc, než kolik přináší?

Některé věci samozřejmě nejsou jen otázkou návratnosti. Zákonné informace a důležité bezpečnostní podmínky musíme splnit bez ohledu na to, kolik produktů se prodá. Ani to ale automaticky neznamená ručně přepisovat každý údaj.

A pozor ještě na jednu věc: „Nevíme, zda filtr pasuje“ neznamená „filtr nepasuje“. Někdy je správné informaci dohledat, zeptat se na přesný model nebo nabídnout ověřenou alternativu. Jinak můžeme zákazníka připravit i o produkt, který je pro něj ve skutečnosti vhodný.

Cílem není dokonale vyplněný katalog

Je lákavé udělat si seznam chybějících parametrů, postupně je doplňovat a sledovat, jak procento úplnosti roste. Takový projekt se dobře vykazuje. Nemusí ale řešit to, kvůli čemu zákazníci nakupují špatně nebo nenakoupí vůbec.

Pro agentic commerce bude důležitější umět odpovědět na praktičtější otázky: Co zákazník potřebuje vědět? Odkud se vezme správná odpověď? Platí pro tuto variantu a tuto nabídku? A kolik stojí zajistit, aby se na ni dalo spolehnout?

Nejde o to doplnit co nejvíc dat. Potřebujeme vyřešit správné problémy a neplatit zbytečně za ty, které už máme vyřešené jinak.

Tím se dostáváme ke třetímu dílu. Protože i když si dnes správně vybereme, které informace řešit a jak je získat, ještě nemáme vyhráno. Produkty se mění, dodavatelé posílají nové podklady a ceny i sklady žijí vlastním životem. Příště se proto podíváme na to, jak kvalitu informací udržovat dlouhodobě – a jakou roli v tom hrají AI, automatizace a lidé.

Tento článek je druhým dílem třídílné série o produktových informacích pro agentic commerce. Ve třetím dílu se podíváme na jejich dlouhodobou správu, automatizaci, aktualizace a odpovědnost za kvalitu.