Doplnit chybějící parametr nebo navrhnout související zboží vypadá jako jednoduchý úkol pro AI. Skutečná práce ale začíná až ve chvíli, kdy mají být data správná, sjednocená, zkontrolovaná a připravená k importu.
Pět projektů ukazuje rozdíl mezi působivým demem a řešením, které může e-shop skutečně používat.
| Případ | Co AI udělala | Stav přínosu |
| Cyklistické brašny | doplnila 8 parametrů u 80 produktů | ověřeno: 2 hodiny místo 2 dnů |
| Katalog nářadí | sjednotila 131 údajů z 362 sloupců | nasazeno pro 16 obchodů ve 13 jazycích |
| Neumann | obohatila 2 772 produktů daty výrobce | auditovatelný a opakovatelný proces |
| Související zboží | návrhy vazeb podle výrobce a atributů | hypotéza +8–18 % k objednávce, měří se přes UTM |
| Sněhové řetězy | kompatibilita pro 40+ značek aut | očekávaný benefit, ověří provoz rádce |
Hodnota není v klikání, ale v dotažení
O AI se často mluví přes rychlost. Jenže rychle vytvořený výstup může být stále plný duplicit, různých jednotek a hodnot, které se nedají bezpečně použít ve filtru. „Postavit prototyp něčeho, co funguje, je hrozně jednoduchý. Dovézt to do finále, aby to bylo funkční, je mnohem složitější,“ říká Miroslav Novák, náš SEO a obsahový specialista. Právě proto jsme se na jednotlivé projekty nepodívali jako na ukázku nástroje, ale jako na celý proces – od získání dat přes normalizaci a kontrolu až po import a měření.
Chcete AI, která se dostane z dema do provozu?
Pomůžeme vám s daty od extrakce přes normalizaci až po import – a rovnou navrhneme, jak přínos změřit.
1. Osm parametrů u osmdesáti cyklistických brašen
U velké části brašen chyběl objem, nosnost, způsob uchycení, barva nebo systém zavírání. AI přečetla produktové popisy i podklady výrobce, doplnila všech osm povinných parametrů u 80 produktů a zhruba polovinu hodnot sama dohledala.
Nové údaje barevně odlišila pro rychlou lidskou kontrolu a příslušenství vyřadila, aby nekazilo filtry. Časový benefit potvrdil i Mirek: „Dvě hodiny místo dvou dnů.“
- Mohlo by vás zajímat! Jak rozvíjet obsah e-shopu pro uživatele i vyhledávače
2. Když je 131 údajů rozházených do 362 sloupců
V katalogu nářadí se stejná vlastnost během let ukládala pod různými názvy. Filtr „barva“ tak neviděl hodnoty z parametru „barevné odstíny“ a podobný chaos vznikal i u jednotek a formátů. AI pomohla parametry spojit, sjednotit jejich hodnoty a připravit data pro 16 obchodů ve 13 jazycích. „Nestačí sjednotit název parametru. Musíte sjednotit i hodnoty. Klient je nejdřív unesený tím, že hodnoty získal. Před importem ale potřebuje vědět, že jsou správně,“ upozorňuje Mirek.
Jinak se jen přejmenuje nepořádek. Čas se přitom nešetří jen jednorázovým úklidem: jednu řízenou sadu lze použít napříč všemi jazykovými verzemi, místo aby se stejná chyba opravovala v každé zvlášť.
3. Neumann: obohacení 2 772 existujících produktů
U Neumanna nešlo o zalistování nového zboží, jak zněl první pracovní návrh, ale o obohacení produktů, které už v e-shopu byly. Protože dodavatelský feed neobsahoval potřebný detail, získali jsme z webu výrobce Thule parametry, fotografie, popisy, kategorie i produktové vazby.
Data jsme spárovali podle kódů, přeložili, znormalizovali a připravili k importu. Výstup zůstal auditovatelný: bylo vidět, co se spárovalo automaticky a co má zkontrolovat člověk. Proces navíc není jednorázový. Při nových produktech se spustí znovu, takže se nezačíná od nuly při každé další aktualizaci.
4. Související zboží nemá být náhoda
Prázdná sekce souvisejícího zboží znamená nevyužitou příležitost. AI proto nevybírala doplňky náhodně: porovnala vazby výrobce s atributy produktů a rozdělila návrhy na ponechat, doplnit a zvážit k odebrání. Kolo s galuskovým ventilkem tak dostane správnou pumpičku; k drahému červenému kolu lze doporučit odpovídající helmu ve stejné cenové hladině.
Odhadujeme možnost zvýšení průměrné hodnoty objednávky o 8 až 18 %. Nejde o změřený výsledek této případovky, ale o obchodní hypotézu. Prokliky a prodeje z vazeb proto měříme pomocí UTM parametrů. Člověku zůstává finální schválení.
5. Sněhové řetězy podle konkrétního auta
U řetězů zákazníka zajímá jediná otázka: budou pasovat na moje auto? AI prošla nabídku pro více než 40 značek vozů a připravila kompatibilní vazby mezi modely a řetězy. Místo obří ručně udržované tabulky tak může vzniknout jednoduchý rádce „vyberte auto – ukážeme, co koupit“.
Smyslem není jen pohodlnější výběr, ale také méně dotazů na podporu a menší riziko špatné objednávky. Přínos lze následně ověřovat podle používání rádce, počtu dotazů, chybných objednávek a vratek. Bez těchto dat zůstává očekávaným benefitem, nikoli změřeným výsledkem.
Případovka má ukázat i cestu a kontrolu
Společným jmenovatelem těchto projektů není jeden univerzální postup. Data lze získat z vlastních popisů, od výrobce nebo z dalších veřejných zdrojů; někdy je hlavní problém v extrakci, jindy v normalizaci nebo kompatibilitě. „Ke každému cíli existuje několik cest,“ říká Mirek.
Hodnota zkušenosti spočívá v tom, že umíme vybrat správnou, vyhnout se slepým uličkám a výstup dovést až do provozu. A také navrhnout, jak se přínos změří – protože cílem není AI nasadit, ale vrátit klientovi investované peníze.
