Produktanbefalingsmotor

Samarbejdende filtrering anbefaler, hvad folk med lignende adfærd har købt eller set. Amazons vare-til-vare samarbejdende filtrering, beskrevet af Linden, Smith og York i 2003, gjorde mønsteret “kunder, der købte dette, købte også” berømt. Indholdsbaseret filtrering anbefaler produkter, hvis egenskaber ligner dem, som shopperen kunne lide. Regler og merchandising — bedst sælgende, marginer, nye ankomster — er lagdelt ovenpå i de fleste butikker.

Hver tilgang har en kendt svaghed: samarbejdende filtrering har brug for mange adfærdsdata og har problemer med nye produkter og nye besøgende, mens indholdsbaseret filtrering har brug for rene, konsistente produktegenskaber.

En nyere tilgang lader shoppere angive, hvad de har brug for med ord: “en gave til en 10-årig, der kan lide videnskab, under 40 euro”, “en støvsuger til en lejlighed med kæledyr”. En AI-assistent fortolker anmodningen, søger i kataloget efter betydning og med strukturerede filtre — pris, lager, størrelse, mærke — og forklarer, hvorfor hvert forslag passer.

Dette fungerer godt for førstegangsgæster uden historik og for overvejede køb, hvor shoppere har spørgsmål. Det afhænger stærkt af produktdataens kvalitet: hvis størrelser, materialer eller kompatibilitet mangler i kataloget, kan assistenten ikke bruge dem.

At anbefale udsolgte produkter, produkter der ignorerer en angivet begrænsning, eller den samme bedst sælgende til alle underminerer hurtigt tilliden. Priser vist i en anbefaling skal matche det live katalog. Og anbefalinger bør vurderes ud fra kundens resultat — fandt de, hvad de havde brug for? — ikke kun på klik.

AI SmartTalk indekserer produktkataloger fra Shopify, PrestaShop, WooCommerce og Joomla, samt produkter importeret gennem sin API. Assistenten søger dem efter betydning og med filtre på prisinterval, lager, mærke, kategori og variantattributter, kan udelukke termer, som shopperen udelukker, og viser resultaterne som produktkort med lager- og rabatoplysninger i chatten.