Merchandising IA et découverte de produits pour les équipes de commerce électronique

Séparez la découverte de produits en tâches spécifiques avant de choisir un outil. La recherche sur site aide les acheteurs qui savent déjà ce qu'ils veulent.

Le merchandising de la collection décide quels produits apparaissent en premier pendant que l'acheteur navigue. Les recommandations orientent l'acheteur vers un produit, un accessoire, un lot, une recharge ou une alternative mieux adapté.

La vente guidée aide les acheteurs à affiner une catégorie lorsqu'ils ne connaissent pas le bon vocabulaire. Chaque flux de travail comporte des risques différents.

Un système de recherche a besoin de synonymes, d'attributs, de fautes d'orthographe et d'intention. Un module de recommandation nécessite des règles de compatibilité, d'inventaire, de fourchette de prix et de marque.

Un système de marchandisage nécessite des contrôles humains pour les lancements, les priorités saisonnières, les contraintes de marge et les positions des stocks. N'achetez pas une vague capacité de découverte de l'IA jusqu'à ce que vous puissiez nommer le moment exact pour l'acheteur où elle devrait s'améliorer.

La plupart des projets de marchandisage d’IA qui ont échoué sont des projets de données de catalogue déguisés. Titre de l'audit, type de produit, catégorie, fournisseur, couverture d'image, prix, état des stocks, options de variantes, taille, couleur, matériau, ajustement, cas d'utilisation, compatibilité, champs d'ingrédients ou de spécifications, bande de marge, risque de retour, saisonnalité, étape du cycle de vie et règles d'exclusion.

Marquez les champs destinés au client, ceux qui sont internes et ceux qui ne doivent jamais être exposés. Un magasin de meubles peut avoir besoin du type de pièce, des dimensions, du rembourrage, du mode de livraison, des exigences d'assemblage et des instructions d'entretien.

Un magasin de produits de beauté peut avoir besoin du type de peau, du fini, du problème, des exclusions d'ingrédients, de la famille de nuances et de l'étape de routine. Si ces attributs sont manquants ou incohérents, l’IA produira des expériences de découverte fluides mais faibles.

Le classement de l’IA ne doit pas être optimisé aveuglément pour les clics. Créez une couche de politique de merchandising avant le lancement.

Définissez les produits qui doivent être supprimés: articles en rupture de stock, produits discontinués, produits restreints, articles de vente finale dans des parcours sensibles, articles à faible marge lors de flux d'acquisition payants, produits avec des problèmes de qualité non résolus et articles avec des taux de retour élevés pour un ajustement ou un cas d'utilisation spécifique. Définissez les produits qui peuvent être boostés: nouveaux lancements, produits phares à forte marge, articles saisonniers, surstock, best-sellers, accessoires compatibles, produits de réapprovisionnement ou produits avec une forte densité d'avis.

Séparez ensuite les règles strictes des préférences souples. La compatibilité est une règle stricte.

Un coup de pouce saisonnier est une préférence douce. Un bon marchandisage de l’IA est un classement contrôlé selon des règles que les humains peuvent inspecter.

Cartographiez la découverte autour de l'intention de l'acheteur plutôt que des étiquettes de catégorie internes. Un acheteur à la recherche d'une robe noire pour un mariage a besoin de l'occasion, de la couleur, de la taille, de la coupe, du prix, de la date de livraison et de la confiance en soi.

Un acheteur qui parcourt des chaussures de course peut avoir besoin du terrain, de la démarche, de l'amorti, de la taille, de la largeur et de l'objectif d'entraînement. Un acheteur comparant des produits de soins de la peau peut avoir besoin de s'inquiéter, du type de peau, des exclusions d'ingrédients, de l'étape de routine et de la sensibilité.

Pour chaque catégorie intéressante, créez une matrice d'intention avec la phrase de l'acheteur, les attributs requis, les règles de classement, les options de filtrage et le chemin de secours. Si le catalogue ne peut pas satisfaire la demande, l'expérience doit montrer des alternatives proches, expliquer la contrainte manquante ou poser une question restrictive au lieu de montrer silencieusement des produits non pertinents.

N'évaluez pas le merchandising de l'IA avec des requêtes de démonstration raffinées. Utilisez vos propres journaux de recherche, recherches sans résultat, sorties de collection, utilisation des filtres, sorties PDP, motifs de retour et questions des clients.

Créez des groupes de test pour les recherches de produits exactes, les recherches de catégories larges, les recherches comportant de nombreux attributs, les recherches de compatibilité et les recherches impossibles ou risquées. Incluez les fautes d'orthographe, les termes régionaux, les expressions vagues, les produits abandonnés, les produits en rupture de stock et le langage du client que votre équipe ne mettrait jamais dans une taxonomie.

Notez la pertinence, la couverture, la qualité du classement, la connaissance des stocks, la conformité aux règles commerciales, la qualité des explications et l'effort client. Un taux de clics plus élevé ne suffit pas si le système propose des produits que les clients reviennent plus tard ou ne peuvent pas acheter.

Commencez là où le risque est le plus facile à observer. Tout d’abord, utilisez l’IA en interne pour enrichir les attributs des produits, identifier les champs de catalogue manquants, regrouper les termes de recherche et résumer les requêtes sans résultat.

Deuxièmement, testez les synonymes assistés par l'IA, l'expansion des requêtes et les suggestions de filtrage sans modifier le classement des collections. Troisièmement, introduisez des recommandations contrôlées sur les PDP, les accessoires de chariot ou les invites de réapprovisionnement.

Quatrièmement, testez la vente guidée par l'IA pour une catégorie où l'équipe de marchandisage peut examiner chaque chemin de décision. Le classement des collections devrait intervenir plus tard, car il affecte les revenus, les mouvements des stocks et la présentation de la marque auprès de nombreux acheteurs à la fois.

Conservez les plans de restauration pour la configuration de recherche précédente, le tri de collection et la logique de recommandation.

La découverte de l'IA doit être testée par rapport au langage des acheteurs, et non par rapport à des noms de catégories clairs. Créez un ensemble de diffusion à partir des journaux de recherche, des termes sans résultat, des questions PDP, des motifs de retour et des tickets d'assistance.

Incluez les recherches de SKU exactes, les recherches avec de nombreux attributs, les recherches d'occasions, les questions de compatibilité, les requêtes basées sur des contraintes, les questions de comparaison, les requêtes en langage problématique, les intentions négatives et les demandes impossibles ou risquées. Pour chaque requête, évaluez si le système comprend l'intention, mappe le langage aux attributs, respecte les contraintes strictes, gère les états de rupture de stock, évite les réclamations non prises en charge et fournit une solution de secours utile lorsque le résultat parfait n'existe pas.