Wyszukiwanie produktów AI w sklepie internetowym: jak pomóc klientowi znaleźć to, czego szuka

Klient wpisuje w wyszukiwarkę „kurtka na deszczową jesień”. W katalogu ten model opisano jako „kurtkę membranową przejściową z klejonymi szwami”. Ani jednego wspólnego słowa — i zwykła wyszukiwarka pokazuje pustą stronę, choć produkt leży w magazynie. Człowiek idzie do konkurencji, a sklep nawet się nie dowiaduje, że stracił sprzedaż.

Wyszukiwanie produktów AI działa inaczej: próbuje zrozumieć, co klient ma na myśli, i dopasować intencję do cech produktów. Deszczowa jesień oznacza wodoodporność, użycie przejściowe i być może kaptur. Jakość takiego wyszukiwania zależy jednak nie tyle od „inteligencji” modelu językowego, co od tego, jak dobrze opisany jest katalog.

Trzy typy klientów w Twojej wyszukiwarce

Najłatwiej projektować wyszukiwanie nie od technologii, lecz od ludzi, którzy z niego korzystają. W większości sklepów są to trzy różne scenariusze.

Ten, kto wie dokładnie

Wpisuje numer katalogowy, model albo nazwę marki: „Bosch GSR 12V-15”. Potrzebuje wyniku przewidywalnego, a nie „inteligentnego” — dokładnego dopasowania w pierwszym wierszu. Działa tu klasyczne wyszukiwanie leksykalne i nie wolno go psuć „rozumieniem sensu”.

Ten, kto opisuje problem

Pisze „cichy klimatyzator do sypialni” albo „buty do biegania zimą”. Tych słów nie ma w katalogu, są za to poziom hałasu, bieżnik i ocieplenie. To właśnie ten klient najwięcej zyskuje na wyszukiwaniu semantycznym, które porównuje sens zapytania i produktu, a nie pojedyncze słowa.

Ten, kto jeszcze wybiera

Wpisuje po prostu „laptop” i dostaje tysiąc pozycji. Potrzebuje nie wyników, lecz zawężenia: do pracy czy do gier, jaki budżet, czy ważna jest waga. Przy takim zapytaniu przydają się pytania doprecyzowujące i filtry dobrane do intencji.

Dlaczego wyszukiwarka wewnętrzna tak wpływa na sprzedaż

Z wyszukiwania korzystają ludzie, którzy już sformułowali potrzebę. To najgorętsza grupa klientów sklepu: osoby, które skorzystały z wyszukiwarki, zwykle zauważalnie częściej kupują niż te, które tylko przeglądają katalog. Pusta strona wyników to więc utrata klienta dokładnie w momencie, gdy był gotów zapłacić.

Problemy są zwykle typowe. Wyszukiwarka nie rozumie literówek i transliteracji. Synonimy nie są ze sobą powiązane. Wyniki nie uwzględniają dostępności, a na początku stoją produkty, których nie ma. A zapytania bez wyników nikt nie analizuje.

Schemat hybrydowy i dlaczego wygrywa

W praktyce dla e-commerce optymalne okazuje się wyszukiwanie hybrydowe, łączące oba mechanizmy. Dokładne dopasowanie obsługuje numery katalogowe, kody i modele, semantyka — język naturalny, a system rankingowy decyduje, czyj wynik pokazać wyżej.

Łańcuch wygląda tak: poprawa literówek i normalizacja zapytania, rozpoznanie intencji, dobór kandydatów oboma mechanizmami, filtry, ranking, sprawdzenie dostępności i finalna lista wyników.

Jedna zasada jest tu ważniejsza niż technologia: priorytet handlowy nie może psuć trafności. Jeśli system zawsze wypycha produkty o najwyższej marży, klienci szybko przestaną ufać wyszukiwarce. Bezpieczniej najpierw odrzucić nietrafione pozycje, potem sprawdzić dostępność, a dopiero w grupie trafnych lekko wzmocnić to, co ważne dla biznesu.

Jakie dane są potrzebne

Model językowy nie wie, dlaczego jedna kurtka nadaje się na podróż, a inna nie, jeśli nie ma tego w danych. Podstawą inteligentnego wyszukiwania w sklepie internetowym są poprawne nazwy i opisy, kategorie, marki, wypełnione atrybuty, warianty, kompatybilność, aktualne ceny i dostępność oraz słownik synonimów.

Osobno warto zbierać sygnały behawioralne: czego szukano, w co kliknięto, co trafiło do koszyka. Pomagają rankingowi bardziej niż jakikolwiek dodatkowy model. Jak połączyć to wszystko w jedną strukturę, opisaliśmy w artykule o przygotowaniu katalogu produktów, a zasady pracy z zapytaniami — w materiale o semantyce sklepu internetowego.

Zapytania bez wyników to darmowe źródło wniosków

Strona „nic nie znaleziono” to lista tego, czego klienci chcą, ale nie dostają. Przeglądaj takie zapytania co miesiąc. Część oznacza, że produktu faktycznie nie ma w ofercie — to podpowiedź dla zakupów. Część oznacza, że produkt jest, ale brakuje synonimu. Bywa, że nie wypełniono atrybutu, według którego ludzie szukają, albo zapytanie dotyczy dostawy czy statusu zamówienia.

W jednych przypadkach wystarczy uzupełnić słownik, w innych karty produktów, w jeszcze innych pokazać stronę informacyjną zamiast pustego ekranu. Nawet bez AI ta rutyna zauważalnie zmniejsza liczbę traconych klientów.

Przykład: jak zmieniają się wyniki

Wyobraźmy sobie sklep AGD i zapytanie „cichy klimatyzator do sypialni”. Przed zmianami wyszukiwarka szuka słowa „cichy” w nazwach i nie znajduje nic. Po zmianach system rozpoznaje intencję, sięga do atrybutu poziomu hałasu, wybiera modele do 24 dB, sprawdza dostępność i pokazuje pięć opcji z wyjaśnieniem różnic. Dodatkowo proponuje doprecyzować metraż pokoju, bo od niego zależy moc.

Technicznie zmieniło się niewiele: pojawiły się znormalizowany atrybut hałasu, słownik synonimów i warstwa semantyczna. Dla klienta to jednak różnica między pustą stroną a gotowym rozwiązaniem.

Jak mierzyć efekt

Główne wskaźniki to udział sesji wyszukiwania zakończonych kliknięciem, częstotliwość zapytań bez wyników, dodania do koszyka po wyszukiwaniu, konwersja sesji wyszukiwania i przychód z takiej sesji. Przydatnym sygnałem jest przeformułowanie: jeśli ktoś zmienia zapytanie dwa-trzy razy, wyszukiwarka go nie zrozumiała.

Same liczby nie wystarczą. Raz w miesiącu warto ręcznie sprawdzić trafność na zestawie kilkudziesięciu typowych zapytań. Wysoka konwersja nie usprawiedliwia systematycznie dziwnych wyników: klienci mogli znaleźć produkt mimo wyszukiwarki, a nie dzięki niej.

Kolejność wdrożenia

Zacznij nie od wyboru platformy, lecz od analityki: zbierz realne zapytania z kilku miesięcy i wszystkie zapytania bez wyników. Potem uporządkuj atrybuty i słowniki oraz dopracuj wyszukiwanie dokładne — to samo w sobie da wzrost bez żadnego modelu.

Krok trzeci to wyszukiwanie semantyczne dla języka naturalnego, czwarty — ranking hybrydowy i test A/B wobec starej wersji. Pytania doprecyzowujące i tryb konwersacyjny dodaje się na końcu: to logiczny most do pełnego asystenta AI dla sklepu internetowego. Google Cloud nazywa taki scenariusz zawężania wyboru conversational filtering.

Często zadawane pytania

Czy mały sklep potrzebuje wyszukiwania AI?

Jeśli katalog ma kilkaset produktów, zwykle wystarczy dobrze skonfigurowana zwykła wyszukiwarka ze słownikiem synonimów. Największy efekt AI daje w katalogach od kilku tysięcy pozycji z wieloma parametrami.

Czy wyszukiwanie AI może pokazać produkt, którego nie ma?

Poprawnie zbudowany system — nie. Wyniki powstają z realnego katalogu ze sprawdzeniem dostępności, a model tylko pomaga zrozumieć zapytanie.

Ile trwa wdrożenie?

Podstawowa konfiguracja wyszukiwania hybrydowego na przygotowanym katalogu zajmuje kilka tygodni. Najdłużej trwa porządkowanie danych, a nie podłączenie technologii.

Czy AI zastąpi filtry?

Nie. Filtry pozostają głównym narzędziem zawężania wyboru, a wyszukiwarka pomaga do nich trafić. O tym, jak przy okazji nie zepsuć SEO, pisaliśmy w artykule o nawigacji fasetowej.

Wyszukiwanie AI to produkt, który stale uczy się na danych sklepu. Zespół GL.ua może zintegrować mechanizm wyszukiwania z katalogiem, stanami magazynowymi, analityką i asystentem AI, aby klient przechodził od zapytania do właściwego produktu bez zbędnych kroków. Więcej na stronie tworzenie sklepu internetowego.