Übersicht über die dialogbasierte Produktfilterung

Auf dieser Seite finden Sie eine Anleitung zur Implementierung der dialogbasierten Produktfilterung für AI Commerce Search. Dieses Dokument enthält datengestützte Best Practices, um eine erfolgreiche Implementierung der dialogbasierten Produktfilterung für mittelständische und große Einzelhandelsunternehmen zu gewährleisten.

Die dialogbasierte Produktfilterung von AI Commerce Search ist ein KI-basiertes Tool, das die Suche in eine geführte Suche umwandelt, um Käufer bei der Interaktion mit großen Produktkatalogen zu unterstützen. Wenn ein Website-Nutzer eine allgemeine Suche durchführt (z. B. Couchtisch oder rotes Kleid), die Tausende von Ergebnissen liefert, werden ihm durch die dialogbasierte Produktfilterung auf intelligente Weise Folgefragen gestellt, um die Auswahl schnell einzugrenzen.

Geschäftlicher Anwendungsfall

Die Funktion zur dialogbasierten Produktfilterung in der geführten Suche wurde speziell für allgemeine, mehrdeutige oder sehr detaillierte Suchanfragen entwickelt. Durch das Anwenden von Filtern zum Eingrenzen der Ergebnisse werden sowohl der Umsatz als auch das Nutzer-Engagement deutlich gesteigert.

Das Hauptziel der dialogbasierten Produktfilterung ist es, Käufern zu helfen, die richtigen Artikel schnell und intuitiv zu finden.

Unternehmen nutzen die dialogbasierte Filterung, um:

  • Produktfindung zu beschleunigen: Käufern dabei zu helfen, die große Produktauswahl schnell einzugrenzen (z. B. von 5.000 Teppichen auf einige Hundert gezielte Ergebnisse), indem sie relevante Fragen stellen.
  • Personalisierung zu verfeinern: Die Fragen und Multiple-Choice-Optionen sind für jede Abfrage benutzerdefiniert und basieren auf den Daten zur bisherigen Filternutzung für diese spezifische Abfrage (Couchtisch wird in der Regel häufiger nach Farbe als nach Größe gefiltert, daher kann zuerst nach der Farbe gefragt werden).
  • Implementierung zu vereinfachen: Fragen sind für Produktattribute wie Farbe und Breite vordefiniert, wobei es für jedes Attribut eine Frage gibt.

Einseitige Unterhaltung

Die dialogbasierte Produktfilterung funktioniert als einseitige Unterhaltung, die den Käufer während der Suche auf einer E-Commerce-Website begleitet. Das KI-Modell stellt dem Käufer eine Frage und der Käufer antwortet.

  1. Der Käufer initiiert eine Suchanfrage, z. B. Teppiche.

  2. Die Einzelhandelswebsite gibt mehr als 80 Seiten mit Produktergebnissen zurück.

  3. AI Commerce Search stellt dem Käufer auf der Website eine Frage, um die Suche einzugrenzen. Beispiel: Welche Farbe suchen Sie?

  4. Der Käufer wählt eine Antwort aus einer Liste mit Multiple-Choice-Optionen aus. Beispiel: Blau

  5. Die Produktergebnisse auf der Seite werden sofort basierend auf der Auswahl des Käufers gefiltert.

  6. Die Suche präsentiert dann die nächste relevante Folgefrage. Beispiel: Welche Form suchen Sie?

User Journey für die dialogbasierte Suche 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 der Tisch haben?

Fragen bearbeiten und genehmigen

Einzelhändler prüfen und bearbeiten die generierten Fragen hinsichtlich Relevanz und Ton.

Beispiel

  • Frage überspringen: Wie viel wiegen Sie? (Irrelevant/unsicher)
  • Frage bearbeiten: Welche Form soll der Tisch haben? → Welche Form suchen Sie? (Verbesserte Formulierung)

Unterhaltung planen

Die KI verwendet Daten zur Filternutzung durch Kunden, um die optimale Reihenfolge der Fragen und die besten Multiple-Choice-Optionen zu bestimmen.

Beispiel

  • Kundenanfrage: Couchtisch
  • Frage 1: Form (der am häufigsten verwendete Filter)
  • Multiple-Choice-Optionen: Oval, Quadratisch und Rund

Fragen bereitstellen

Die generierten Fragen und Multiple-Choice-Optionen werden in derselben API-Antwort wie die Produktergebnisse an den Nutzer zurückgegeben.

Visuelles Beispiel in der Chat-Oberfläche

  • KI:

Welche Form suchen Sie?

  • Optionen:

Rund Rechteckig Oval Quadratisch Dreieckig Eckig

Antworten verarbeiten

Das System verarbeitet sowohl Multiple-Choice-Auswahlen als auch vom Nutzer eingegebene Antworten.

Der Nutzer führt dann eine der folgenden Aktionen aus:

  • Kunde wählt Multiple-Choice-Option aus → <Add a filter>
  • Kunde gibt eigene Antwort ein → <Run synthetic query>

Iterative Verbesserung durch Tests

Die dialogbasierte Produktfilterung ist eine Optimierung, die eine kontinuierliche Verfeinerung und datengestützte Entscheidungen erfordert. Ziel ist es, die Funktion so zu optimieren, dass sie möglichst viele Nutzerinformationen erfasst, indem das Käuferverhalten analysiert und das Design so angepasst wird, dass die Nutzerinteraktion gefördert wird.

Das Kaufverhalten wird von verschiedenen Faktoren beeinflusst, z. B. von Markttrends, Angeboten der Mitbewerber und Änderungen der persönlichen Vorlieben. Es ist dynamisch und entwickelt sich im Laufe der Zeit. Es ist wichtig, weiterhin zu experimentieren und das Design zu optimieren sowie neue Ansätze zu testen, während Sie mehr Daten erfassen und beobachten, wie Käufer mit den KI-Funktionen interagieren. Dieser kontinuierliche Zyklus aus Tests, Datenanalyse und Verfeinerung trägt dazu bei, dass die KI-Funktionen relevant, effektiv und für Ihre wachsende Nutzerbasis optimiert bleiben.

Prüfen Sie regelmäßig Leistungsmesswerte, führen Sie Nutzerumfragen durch und analysieren Sie Feedback, um Bereiche mit Verbesserungspotenzial und neue Möglichkeiten für Innovationen zu ermitteln. Dieses Engagement für kontinuierliche Iteration ist entscheidend für den langfristigen Erfolg bei der Bereitstellung von KI-Funktionen.

Erkenntnisse

Die folgenden Erkenntnisse wurden nach aufeinanderfolgenden Tests gewonnen:

  • Kontinuierlich testen: Das optimale Ergebnis ist oft nicht das erste Design, das Sie ausprobieren.
  • Iterieren und anpassen: Das Nutzerverhalten entwickelt sich. Optimieren Sie Ihre Designs weiter und testen Sie neue Ansätze, während Sie mehr Daten erfassen und beobachten, wie Käufer mit der Funktion interagieren.
  • Mehr als A/B-Tests: 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 Auswahl an UI-Designs und Platzierungsoptionen zu testen.

Wichtige Messwerte für die Optimierung

Um AI Commerce Search effektiv zu optimieren, ist es entscheidend, relevante Messwerte zu definieren und zu verfolgen, die Aufschluss über das Nutzer-Engagement, die Zufriedenheit und die Gesamtwirkung der Funktionen geben. Wichtige Messwerte sind unter anderem:

  • Conversion-Rate: Der Prozentsatz der Nutzer, die die Zielaktion ausführen, z. B. einen Kauf tätigen.
  • Nutzerzufriedenheitswerte (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.
  • Adoptionsrate: Der Prozentsatz der Käufer, die die dialogbasierte Produktfilterung aktiv nutzen. Dieser Wert gibt Aufschluss über die Sichtbarkeit und den wahrgenommenen Nutzen.

Wenn die dialogbasierte Produktfilterung aktiviert ist, führen Folgefragen auf der Website zu einer Unterhaltung, die so lange fortgesetzt wird, bis eines der folgenden drei 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 Ziel).
  • Die dialogbasierte Produktfilterung hat keine KI-generierten Fragen mehr.

Als Alternative zu dynamischen Facetten verwenden

Dynamische Facetten sind mit allgemeinen Abfragen und einer hohen Anzahl von Suchergebnissen verbunden, was zu einem niedrigen Umsatz pro Abfrage führt. Endnutzer können von Zehntausenden von Ergebnissen überfordert sein und die Suche abbrechen. Die dialogbasierte Suche kann Abfragen 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 mit den generativen KI-Fragen, indem Einzelhändler KI-generierte Fragen vorläufig bearbeiten, überschreiben oder abwählen können. Dies basiert auf dem hochgeladenen Katalog und ihren Präferenzen. Fragen können einzeln oder in großen Mengen in der Konsole von 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 E-Commerce-Plattform können Sie die Nutzerfreundlichkeit erheblich verbessern und die Conversion-Raten der Nutzer deutlich steigern. Dies gilt insbesondere für allgemeine Kategorieabfragen, bei denen Ihre Nutzer oft mit einer überwältigenden Auswahl konfrontiert sind und Schwierigkeiten haben, ihre Präferenzen schnell einzugrenzen.