Esta página serve como um guia para implementar a filtragem de produtos conversacional na AI Commerce Search. Este documento apresenta práticas recomendadas baseadas em dados para garantir uma implementação bem-sucedida da filtragem de produtos por conversa em empresas de varejo de médio a grande porte.
A filtragem conversacional de produtos da AI Commerce Search é uma ferramenta com tecnologia de IA que transforma a pesquisa em uma experiência guiada para acompanhar os compradores quando eles interagem com catálogos de produtos grandes. Quando um usuário do site faz uma pesquisa ampla (como mesa de centro ou vestido vermelho) que retorna milhares de resultados, a filtragem de produtos por conversa faz perguntas de acompanhamento de forma inteligente para restringir rapidamente as opções.
Caso de uso empresarial
A filtragem conversacional de produtos na pesquisa guiada foi projetada especificamente para consultas de pesquisa amplas, ambíguas ou muito sutis. Aplicar filtros para restringir os resultados aumenta significativamente a receita e o engajamento do usuário.
O objetivo principal da filtragem conversacional de produtos é ajudar os compradores a encontrar os itens certos de forma rápida e intuitiva.
As empresas usam a filtragem conversacional para:
- Acelere a descoberta de produtos: ajude os compradores a reduzir rapidamente as vastas seleções de produtos (por exemplo,de 5.000 tapetes de área para algumas centenas de resultados segmentados) fazendo perguntas relevantes.
- Refinar a personalização: as perguntas e opções de múltipla escolha são personalizadas para cada consulta com base nos dados históricos de uso de filtros para essa consulta específica. Por exemplo, mesa de centro é filtrada por cor com mais frequência do que por tamanho. Portanto, a cor pode ser perguntada primeiro.
- Simplifique a implementação: as perguntas são pré-designadas para atributos de produtos, como cor e largura, com uma pergunta por atributo.
Conversa unilateral
A filtragem conversacional de produtos funciona como uma conversa unilateral que acompanha o comprador durante a jornada de pesquisa em um site de e-commerce. O modelo de IA faz uma pergunta ao comprador, e ele responde.
O comprador inicia uma consulta de pesquisa, como tapetes de área.
O site de varejo retorna mais de 80 páginas de resultados de produtos.
AI Commerce Search faz uma pergunta ao comprador no site para ajudar a restringir a pesquisa. Exemplo: Qual cor você está procurando?
O comprador seleciona uma resposta em uma lista de opções de múltipla escolha. Exemplo: azul
Os resultados de produtos na página são filtrados imediatamente com base na seleção do comprador.
Em seguida, a Pesquisa apresenta a próxima pergunta complementar mais relevante. Exemplo: Qual formato você está procurando?
Figura 1. Jornada do usuário de filtragem conversacional.
Geração de perguntas
A IA examina os nomes e valores de atributos do catálogo de produtos e gera uma pergunta por atributo.
Exemplo
- Nome do atributo:
Coffee table shape - Valores:
"Round","Square","Oval" - Pergunta gerada: Qual formato de mesa você quer?
Editar e aprovar perguntas
Os varejistas revisam e editam as perguntas geradas para garantir relevância e tom adequados.
Exemplo
- Pular pergunta: Qual é o seu peso? (Irrelevante/inseguro)
- Editar pergunta: Qual
formato de tabela você quer?→ Qual formato você quer comprar? (Melhoria na frase)
Planejamento de conversas
A IA usa dados de uso de filtros de clientes para determinar a ordem ideal das perguntas e as melhores opções de múltipla escolha.
Exemplo
- Consulta do cliente: Mesa de centro
- Pergunta 1: forma (o filtro mais usado)
- Opções de múltipla escolha: Oval, Square e Round
Veiculação de perguntas
As perguntas e opções de múltipla escolha geradas são retornadas ao usuário na mesma resposta da API que os resultados do produto.
Exemplo visual na interface de chat
- IA:
Que forma você está procurando?
- Opções:
Redondo Retangular Oval Quadrado Triângulo Canto
Processamento de respostas
O sistema processa as seleções de múltipla escolha e as respostas inseridas pelo usuário.
Em seguida, o usuário realiza uma destas ações:
- O cliente escolhe múltipla escolha →
<Add a filter> - O cliente digita a própria resposta →
<Run synthetic query>
Melhoria iterativa com testes
A filtragem de produtos por conversa é uma otimização que exige refinamento contínuo e decisões baseadas em dados. O objetivo é maximizar a capacidade do recurso de coletar insights do usuário, entendendo o comportamento de compra e adaptando o design para promover a tração do usuário.
Influenciados por vários fatores, como tendências de mercado, ofertas da concorrência e mudanças nas preferências pessoais, os comportamentos de compra são dinâmicos e evoluem com o tempo. É importante continuar experimentando e iterando no design, além de testar novas abordagens à medida que você coleta mais dados e observa como os compradores interagem com os recursos de IA. Esse ciclo contínuo de experimentos, análise de dados e refinamento ajuda a garantir que os recursos de IA permaneçam relevantes, eficazes e otimizados para sua base de usuários em constante evolução.
Analise regularmente as métricas de performance, faça pesquisas com usuários e analise o feedback para identificar áreas de melhoria e novas oportunidades de inovação. Esse compromisso com a iteração contínua é fundamental para o sucesso a longo prazo na implantação de recursos de IA.
Lições aprendidas
As seguintes lições aprendidas ocorrem após testes sucessivos:
- Teste continuamente: o resultado ideal geralmente não é o primeiro design que você tenta.
- Iterar e adaptar: o comportamento do usuário evolui. Continue iterando nos seus designs e testando novas abordagens à medida que você coleta mais dados e observa como os compradores interagem com o recurso.
- Além do teste A/B: não se limite apenas ao teste A/B, que compara duas versões. Em vez disso, faça muitos testes A/B/C/D/E/F para explorar uma variedade maior de designs UI e opções de posicionamento.
Principais métricas para otimização
Para otimizar a Pesquisa de comércio com IA de maneira eficaz, é fundamental definir e acompanhar as métricas relevantes que fornecem insights sobre o engajamento e a satisfação do usuário, além do impacto geral dos recursos. As principais métricas a serem consideradas incluem:
- Taxa de conversão: a porcentagem de usuários que concluem a ação segmentada, como fazer uma compra.
- Pontuações de satisfação do usuário (como NPS, CSAT): feedback direto dos usuários sobre as experiências deles com o recurso de IA, que fornece insights qualitativos sobre usabilidade e valor percebido.
- Taxa de adoção: a porcentagem de compradores que usam ativamente a filtragem conversacional de produtos, o que indica a visibilidade e a utilidade percebida.
Perguntas complementares na pesquisa
Se a filtragem conversacional de produtos estiver ativada, as perguntas de acompanhamento no site vão gerar uma conversa que continua até que um dos três cenários a seguir ocorra:
- Uma contagem mínima de produtos pré-configurada é atingida (uma conversa não é útil quando apenas dois produtos aparecem).
- O usuário clica em um produto e o adiciona ao carrinho (o objetivo).
- A filtragem conversacional de produtos fica sem perguntas geradas com IA.
Usar como alternativa aos filtros de atributos dinâmicos
Os atributos dinâmicos estão associados a consultas amplas e a um grande número de resultados de pesquisa, o que leva a uma baixa receita por consulta. Os usuários finais podem ficar sobrecarregados ao ver dezenas de milhares de resultados e abandonar a pesquisa. A pesquisa conversacional pode refinar consultas e ser usada com atributos dinâmicos. A filtragem conversacional de produtos oferece algumas vantagens em relação às facetas dinâmicas, sendo mais humana, mais interativa e usando menos espaço na página.
Para mais informações, consulte a página Refinamentos.
Editar perguntas generativas
A filtragem conversacional de produtos incentiva uma interação humana no loop com as perguntas da IA generativa, permitindo que os varejistas editem, substituam ou desmarquem preliminarmente as perguntas geradas pela IA de acordo com as preferências deles, com base no catálogo enviado. As perguntas podem ser editadas ou desativadas individualmente ou em massa no console da AI Commerce Search no Gemini Enterprise for Customer Experience ou na API para personalizar as perguntas que aparecem na pesquisa.
Conclusão
A integração da filtragem conversacional de produtos na sua plataforma de comércio oferece uma maneira de melhorar significativamente a experiência do usuário e impulsionar um aumento substancial nas taxas de conversão. Isso é verdade para consultas de categorias amplas, em que os usuários geralmente enfrentam uma variedade enorme de opções e têm dificuldade em restringir rapidamente as preferências.