Auf dieser Seite finden Sie eine Anleitung zum Implementieren der dialogbasierten Produktfilterung für AI Commerce Search. Dieses Dokument enthält datengestützte Best Practices für die erfolgreiche Implementierung der konversationellen Produktfilterung für mittelständische und große Einzelhandelsunternehmen.
Die dialogbasierte Produktfilterung in der AI Commerce Search ist ein KI-basiertes Tool, das die Suche in eine geführte Suche umwandelt. So können Nutzer, die mit großen Produktkatalogen interagieren, besser unterstützt werden. Wenn ein Websitebesucher eine allgemeine Suche durchführt (z. B. Couchtisch oder rotes Kleid), die Tausende von Ergebnissen liefert, werden ihm durch die konversationelle Produktfilterung intelligente Folgefragen gestellt, um die Auswahl schnell einzugrenzen.
Geschäftlicher Anwendungsfall
Die dialogbasierte Produktfilterung in der geführten Suche wurde speziell für allgemeine, mehrdeutige oder sehr detaillierte Suchanfragen entwickelt. Wenn Sie Filter anwenden, um die Ergebnisse einzugrenzen, können Sie sowohl den Umsatz als auch das Nutzer-Engagement deutlich steigern.
Das primäre Ziel der dialogbasierten Produktfilterung ist es, Käufern zu helfen, die richtigen Artikel schnell und intuitiv zu finden.
Unternehmen verwenden die dialogbasierte Filterung, um:
- Produkte schneller finden: Helfen Sie Käufern, eine große Auswahl an Produkten schnell einzugrenzen (z. B. von 5.000 Teppichen auf einige Hundert gezielte Ergebnisse), indem Sie relevante Fragen stellen.
- Personalisierung optimieren: Die Fragen und Multiple-Choice-Optionen sind für jede Anfrage benutzerdefiniert und basieren auf Verlaufsdaten zur Filternutzung für die jeweilige Anfrage. Couchtisch wird in der Regel häufiger nach Farbe als nach Größe gefiltert. Daher kann die Farbe zuerst abgefragt werden.
- Einfachere Implementierung: Fragen sind für Produktattribute wie Farbe und Breite vordefiniert. Es gibt jeweils eine Frage pro Attribut.
Einseitige Unterhaltung
Die dialogbasierte Produktfilterung ist ein unidirektionaler Dialog, der den Käufer während der Suche auf einer E-Commerce-Website begleitet. Das KI-Modell stellt dem Käufer eine Frage und der Käufer antwortet.
Der Käufer startet eine Suchanfrage, z. B. Teppiche.
Die Einzelhandelswebsite gibt mehr als 80 Seiten mit Produktergebnissen zurück.
AI Commerce Search stellt dem Käufer auf der Website eine Frage, um die Suche einzugrenzen. Beispiel: Welche Farbe suchen Sie?
Der Käufer wählt eine Antwort aus einer Liste mit Multiple-Choice-Optionen aus. Beispiel: blau
Die Produktergebnisse auf der Seite werden sofort entsprechend der Auswahl des Käufers gefiltert.
Die Suche präsentiert dann die nächstrelevanteste Folgefrage. Beispiel: Welche Form suchen Sie?
Abbildung 1. User Journey für die dialogbasierte Filterung.
Fragen generieren
Die KI untersucht Attributnamen und ‑werte aus dem Produktkatalog und generiert eine Frage pro Attribut.
Beispiel
- Attributname:
Coffee table shape - Werte:
"Round","Square","Oval" - Generierte Frage: Welche Form soll die Tabelle haben?
Fragen bearbeiten und genehmigen
Einzelhändler prüfen und bearbeiten die generierten Fragen hinsichtlich Relevanz und Ton.
Beispiel
- Frage überspringen: Wie viel wiegst du? (Irrelevant/unsicher)
- Frage bearbeiten: Welche
Formsoll die Tabelle haben? → Welche Form soll das Produkt haben? (Verbesserte Formulierung)
Unterhaltungsplanung
Die KI verwendet Daten zur Nutzung von Kundenfiltern, um die optimale Reihenfolge der Fragen und die besten Multiple-Choice-Fragen zu ermitteln.
Beispiel
- Kundenanfrage: Couchtisch
- Frage 1: Form (der am häufigsten verwendete Filter)
- Auswahlmöglichkeiten: Oval, Square und Round
Fragenbereitstellung
Die generierten Fragen und Multiple-Choice-Optionen werden dem Nutzer in derselben API-Antwort wie die Produktergebnisse zurückgegeben.
Visuelles Beispiel in der Chatoberfläche
- KI:
Welche Form suchen Sie?
- Optionen:
Rund Rechteckig Oval Quadratisch Dreieckig Ecke
Verarbeitung von Antworten
Das System verarbeitet sowohl Multiple-Choice-Auswahlen als auch vom Nutzer eingegebene Antworten.
Der Nutzer führt dann eine der folgenden Aktionen aus:
- Der Kunde wählt eine Multiple-Choice-Frage aus →
<Add a filter> - Antwort des Kundentyps →
<Run synthetic query>
Iterative Verbesserung durch Tests
Die Optimierung der Konversationsfilterung von Produkten erfordert kontinuierliche Anpassungen und datengestützte Entscheidungen. Ziel ist es, die Funktion so zu optimieren, dass sie möglichst viele Nutzerinformationen liefert. Dazu wird das Käuferverhalten analysiert und das Design entsprechend angepasst, um die Nutzerakzeptanz zu steigern.
Das Kaufverhalten wird von verschiedenen Faktoren wie Markttrends, Angeboten von Mitbewerbern und Änderungen der persönlichen Vorlieben beeinflusst und entwickelt sich im Laufe der Zeit weiter. Es ist wichtig, dass Sie weiterhin mit Ihrem Design experimentieren und es optimieren und neue Ansätze testen, während Sie mehr Daten erfassen und beobachten, wie Käufer mit den KI-Funktionen interagieren. Dieser fortlaufende Zyklus aus Tests, Datenanalyse und Optimierung trägt dazu bei, dass die KI-Funktionen relevant, effektiv und für Ihre sich entwickelnde Nutzerbasis optimiert bleiben.
Überprüfen Sie regelmäßig Leistungsmesswerte, führen Sie Nutzerumfragen durch und analysieren Sie Feedback, um Bereiche mit Verbesserungspotenzial und neue Innovationsmöglichkeiten zu ermitteln. Dieses Engagement für kontinuierliche Iteration ist der Schlüssel zum langfristigen Erfolg bei der Bereitstellung von KI-Funktionen.
Erkenntnisse
Nach aufeinanderfolgenden Tests ergeben sich folgende Erkenntnisse:
- Kontinuierlich testen: Das optimale Ergebnis ist oft nicht das erste Design, das Sie ausprobieren.
- Iterieren und anpassen: Das Nutzerverhalten ändert sich. Sie sollten Ihre Designs immer wieder überarbeiten und neue Ansätze testen, wenn Sie mehr Daten sammeln und beobachten, wie Käufer mit der Funktion interagieren.
- Mehr als A/B: Beschränken Sie sich nicht nur auf A/B-Tests, bei denen zwei Versionen verglichen werden. Führen Sie stattdessen viele A/B/C/D/E/F-Tests durch, um eine größere Bandbreite an UI-Designs und Platzierungsoptionen zu testen.
Wichtige Messwerte für die Optimierung
Um AI Commerce Search effektiv zu optimieren, ist es wichtig, relevante Messwerte zu definieren und zu erfassen, die Aufschluss über das Nutzer-Engagement, die Zufriedenheit und die Gesamtauswirkungen der Funktionen geben. Wichtige Messwerte:
- Conversion-Rate: Der Prozentsatz der Nutzer, die die Zielvorhabenaktion ausführen, z. B. einen Kauf tätigen.
- Scores zur Nutzerzufriedenheit (z. B. NPS, CSAT): Direktes Feedback von Nutzern zu ihren Erfahrungen mit der KI-Funktion, das qualitative Einblicke in die Nutzerfreundlichkeit und den wahrgenommenen Wert bietet.
- Akzeptanzrate: Der Prozentsatz der Käufer, die die dialogbasierte Produktfilterung aktiv nutzen. Er gibt Aufschluss über die Sichtbarkeit und den wahrgenommenen Nutzen.
Weiterführende Fragen in der Suche
Wenn die konversationelle Produktfilterung aktiviert ist, werden durch Folgefragen auf der Website Konversationen angestoßen, die so lange fortgesetzt werden, bis eines der drei folgenden Szenarien eintritt:
- Eine vorkonfigurierte Mindestanzahl von Produkten wird erreicht (eine Unterhaltung ist nicht sinnvoll, wenn nur zwei Produkte angezeigt werden).
- Der Nutzer klickt auf ein Produkt und legt es in den Einkaufswagen (das Zielvorhaben).
- Die dialogbasierte Produktfilterung wird durch KI-generierte Fragen ermöglicht.
Als Alternative zu dynamischen Attributen verwenden
Dynamische Facetten sind mit allgemeinen Anfragen und einer hohen Anzahl von Suchergebnissen verknüpft, was zu einem niedrigen Umsatz pro Anfrage führt. Endnutzer sind möglicherweise überfordert, wenn sie Zehntausende von Ergebnissen sehen, und brechen die Suche ab. Die konversationelle Suche kann Anfragen verfeinern und mit dynamischen Facetten verwendet werden. Die dialogbasierte Produktfilterung bietet einige Vorteile gegenüber dynamischen Facetten, da sie menschlicher und interaktiver ist und weniger Platz auf der Seite benötigt.
Weitere Informationen finden Sie auf der Seite Facetten.
Generative Fragen bearbeiten
Die dialogbasierte Produktfilterung fördert die Interaktion zwischen Mensch und generativer KI, da Einzelhändler KI-generierte Fragen anhand des hochgeladenen Katalogs vorab bearbeiten, überschreiben oder abwählen können. Fragen können einzeln oder in großen Mengen in der Konsole für AI Commerce Search in Gemini Enterprise for Customer Experience oder über die API bearbeitet oder deaktiviert werden, um die Fragen anzupassen, die in der Suche angezeigt werden sollen.
Fazit
Durch die Integration der dialogbasierten Produktfilterung in Ihre Commerce-Plattform können Sie die Nutzerfreundlichkeit erheblich verbessern und die Conversion-Raten der Nutzer deutlich steigern. Das gilt insbesondere für Suchanfragen zu allgemeinen Kategorien, bei denen Nutzer oft eine überwältigende Auswahl haben und Schwierigkeiten haben, ihre Präferenzen schnell einzugrenzen.