Halaman ini berfungsi sebagai panduan untuk menerapkan pemfilteran produk percakapan untuk AI Commerce Search. Dokumen ini memberikan praktik terbaik yang didukung data untuk memastikan penerapan filter produk percakapan yang berhasil bagi bisnis retail menengah hingga besar.
Pemfilteran produk percakapan AI Commerce Search adalah alat yang didukung AI yang mengubah penelusuran menjadi pengalaman terpandu untuk mendampingi pembeli saat mereka berinteraksi dengan katalog produk yang besar. Saat pengguna situs melakukan penelusuran luas (seperti meja kopi atau gaun merah) yang menampilkan ribuan hasil, pemfilteran produk percakapan akan secara cerdas memintanya dengan pertanyaan lanjutan untuk mempersempit pilihannya dengan cepat.
Kasus penggunaan bisnis
Kemampuan pemfilteran produk percakapan dalam penelusuran terpandu dirancang khusus untuk menangani kueri penelusuran yang luas, ambigu, atau sangat bernuansa. Menerapkan filter untuk mempersempit hasil akan meningkatkan pendapatan dan engagement pengguna secara signifikan.
Tujuan utama pemfilteran produk percakapan adalah membantu pembeli menemukan item yang tepat dengan cepat dan intuitif.
Bisnis menggunakan pemfilteran percakapan untuk:
- Mempercepat penemuan produk: Membantu pembeli mempersempit pilihan produk yang luas dengan cepat (seperti beralih dari 5.000 karpet area ke beberapa ratus hasil yang ditargetkan) dengan mengajukan pertanyaan yang relevan.
- Memperbaiki personalisasi: Pertanyaan dan opsi pilihan ganda bersifat kustom untuk setiap kueri, berdasarkan data penggunaan filter historis untuk kueri tertentu tersebut (meja kopi lebih sering difilter berdasarkan warna daripada ukuran, sehingga warna dapat ditanyakan terlebih dahulu).
- Menyederhanakan penerapan: Pertanyaan telah ditentukan sebelumnya untuk atribut produk, seperti warna dan lebar, dengan satu pertanyaan per atribut.
Percakapan satu arah
Pemfilteran produk percakapan beroperasi sebagai percakapan satu arah yang menemani pembeli di sepanjang perjalanan penelusuran mereka di situs e-commerce. Model AI mengajukan pertanyaan kepada pembeli, dan pembeli menjawabnya.
Pembeli memulai kueri penelusuran, seperti karpet area.
Situs retail menampilkan lebih dari 80 halaman hasil produk.
AI Commerce Search mengajukan pertanyaan kepada pembeli di situs untuk membantu mempersempit penelusuran mereka. Contoh: Warna apa yang Anda cari?
Pembeli memilih jawaban dari daftar opsi pilihan ganda. Contoh: biru
Hasil produk di halaman langsung difilter berdasarkan pilihan pembeli.
Kemudian, Penelusuran akan menampilkan pertanyaan lanjutan yang paling relevan berikutnya. Contoh: Bentuk apa yang Anda cari?
Gambar 1. Perjalanan pengguna pemfilteran percakapan.
Pembuatan pertanyaan
AI memeriksa nama dan nilai atribut dari katalog produk dan membuat satu pertanyaan per atribut.
Contoh
- Nama atribut:
Coffee table shape - Nilai:
"Round","Square","Oval" - Pertanyaan yang dihasilkan: Meja berbentuk apa yang Anda inginkan?
Mengedit dan menyetujui pertanyaan
Retailer meninjau dan mengedit pertanyaan yang dibuat agar relevan dan sesuai dengan gaya bahasa.
Contoh
- Lewati pertanyaan: Berapa berat Anda? (Tidak relevan/tidak aman)
- Edit pertanyaan: Tabel
berbentuk apa yang Anda inginkan?→ Bentuk apa yang Anda cari? (Peningkatan kualitas frasa)
Perencanaan percakapan
AI menggunakan data penggunaan filter pelanggan untuk menentukan urutan pertanyaan yang optimal dan opsi pilihan ganda terbaik.
Contoh
- Kueri pelanggan: Meja kopi
- Pertanyaan #1: Bentuk (filter yang paling sering digunakan)
- Opsi pilihan ganda: Oval, Persegi, dan Bulat
Penayangan pertanyaan
Pertanyaan dan opsi pilihan ganda yang dihasilkan dikembalikan kepada pengguna dalam respons API yang sama dengan hasil produk.
Contoh visual di antarmuka chat
- AI:
Bentuk apa yang Anda cari?
- Opsi:
Bulat Persegi Panjang Oval Persegi Segitiga Sudut
Pemrosesan jawaban
Sistem memproses pilihan ganda dan jawaban yang dimasukkan pengguna.
Pengguna kemudian melakukan salah satu tindakan berikut:
- Pelanggan memilih pilihan ganda →
<Add a filter> - Pelanggan mengetik jawabannya sendiri →
<Run synthetic query>
Peningkatan iteratif dengan pengujian
Pemfilteran produk percakapan adalah pengoptimalan yang memerlukan penyempurnaan berkelanjutan dan keputusan berbasis data. Tujuannya adalah memaksimalkan kemampuan fitur untuk mengumpulkan insight pengguna dengan memahami perilaku belanja dan menyesuaikan desain untuk mendorong minat pengguna.
Dipengaruhi oleh berbagai faktor, seperti Tren Pasar, penawaran pesaing, dan perubahan preferensi pribadi, perilaku belanja bersifat dinamis dan berkembang seiring waktu. Anda harus terus bereksperimen dan melakukan iterasi pada desain, serta menguji pendekatan baru saat mengumpulkan lebih banyak data dan mengamati cara pembeli berinteraksi dengan fitur AI. Siklus berkelanjutan dari eksperimen, analisis data, dan peningkatan kualitas ini membantu memastikan fitur AI tetap relevan, efektif, dan dioptimalkan untuk basis pengguna Anda yang terus berkembang.
Tinjau metrik performa secara rutin, lakukan survei pengguna, dan analisis masukan untuk mengidentifikasi area yang perlu ditingkatkan dan peluang baru untuk inovasi. Komitmen terhadap iterasi berkelanjutan ini adalah kunci keberhasilan jangka panjang dalam deployment fitur AI.
Pelajaran yang diperoleh
Pelajaran berikut didapatkan setelah pengujian berturut-turut:
- Bereksperimen secara berkelanjutan: Hasil yang optimal sering kali bukan desain pertama yang Anda coba.
- Melakukan iterasi dan beradaptasi: Perilaku pengguna terus berubah. Terus lakukan iterasi pada desain Anda dan uji pendekatan baru saat Anda mengumpulkan lebih banyak data dan mengamati cara pembeli berinteraksi dengan fitur tersebut.
- Di luar A/B: Jangan membatasi diri Anda hanya pada pengujian A/B, yang membandingkan dua versi. Sebagai gantinya, lakukan banyak pengujian A/B/C/D/E/F untuk menjelajahi berbagai desain UI dan opsi penempatan.
Metrik utama untuk pengoptimalan
Untuk mengoptimalkan Penelusuran AI Commerce secara efektif, Anda harus menentukan dan melacak metrik relevan yang memberikan insight tentang engagement pengguna, kepuasan, dan dampak keseluruhan fitur. Metrik utama yang perlu dipertimbangkan meliputi:
- Rasio konversi: Persentase pengguna yang menyelesaikan tindakan yang ditargetkan, seperti melakukan pembelian.
- Skor kepuasan pengguna (seperti NPS, CSAT): Masukan langsung dari pengguna tentang pengalaman mereka dengan fitur AI yang memberikan insight kualitatif tentang kegunaan dan nilai yang dirasakan.
- Rasio adopsi: Persentase pembeli yang secara aktif menggunakan pemfilteran produk percakapan yang menunjukkan visibilitas dan kegunaannya yang dirasakan.
Pertanyaan lanjutan dalam penelusuran
Jika pemfilteran produk percakapan diaktifkan, pertanyaan lanjutan di situs akan mendorong percakapan yang terjadi hingga salah satu dari tiga skenario berikut terjadi:
- Jumlah produk minimum yang telah dikonfigurasi sebelumnya tercapai (percakapan tidak berguna jika hanya dua produk yang muncul).
- Pengguna mengklik produk dan menambahkannya ke keranjang (tujuan).
- Pemfilteran produk percakapan kehabisan pertanyaan yang dibuat AI.
Gunakan sebagai alternatif untuk aspek dinamis
Faset dinamis dikaitkan dengan kueri luas dan menghasilkan jumlah hasil penelusuran yang tinggi, sehingga menghasilkan pendapatan per kueri yang rendah. Pengguna akhir dapat merasa kewalahan saat melihat puluhan ribu hasil dan mengabaikan penelusuran. Penelusuran berbasis percakapan dapat mempertajam kueri dan dapat digunakan dengan aspek dinamis. Pemfilteran produk percakapan menawarkan beberapa keunggulan dibandingkan aspek dinamis, karena lebih mirip manusia, lebih interaktif, dan menggunakan lebih sedikit ruang di halaman.
Untuk mengetahui informasi selengkapnya, lihat halaman Faset.
Mengedit pertanyaan generatif
Pemfilteran produk percakapan mendorong interaksi human-in-the-loop dengan pertanyaan AI generatif dengan memungkinkan retailer mengedit, menimpa, atau membatalkan pilihan pertanyaan yang dihasilkan AI sesuai preferensi mereka, berdasarkan katalog yang diupload. Pertanyaan dapat diedit atau dinonaktifkan satu per satu atau secara massal di konsol AI Commerce Search di Gemini Enterprise for Customer Experience atau API untuk menyesuaikan pertanyaan yang ingin ditampilkan dalam penelusuran.
Kesimpulan
Integrasi pemfilteran produk percakapan dalam platform e-commerce Anda memberikan cara untuk meningkatkan pengalaman pengguna secara signifikan dan mendorong peningkatan rasio konversi pengguna yang substansial. Hal ini berlaku untuk kueri kategori luas, di mana pengguna Anda sering kali menghadapi banyak pilihan yang membingungkan dan kesulitan mempersempit preferensi mereka dengan cepat.