AI bevæger sig fra et eksperimentelt shoppingværktøj til en pålidelig kilde til trafik for detailhandlere, og de shoppere med høj købsintention, som den sender til mærkernes hjemmesider, køber.
AI-genereret trafik til amerikanske detailhjemmesider steg med 62 procent år-for-år i juli, mens disse besøg konverterede ved en konverteringsrate, der var 60 procent højere end trafikken fra ikke-AI-kilder, ifølge nye data fra Adobe offentliggjort onsdag.
Det markerede den ellevte måned i træk, hvor AI-trafik overgik andre kanaler i konverteringsrater.
“Det handler ikke kun om opdagelse, men de mennesker, der kommer til et mærkes egen hjemmeside eller butik, konverterer de ved en højere rate,” sagde Loni Stark, vicepræsident for strategi og produkt hos Adobe.
Du kan også lide
AI-viaeret trafik for mennesker der lander gennem AI er også mere engagerede, viste Adobes data. Baseret på mere end 1 billion besøg på amerikanske detailhjemmesider fandt man, at AI-henvendte besøgende tilbragte 59 procent længere tid på detailhandlernes websites og var 33 procent mindre tilbøjelige til at forlade siden. De tilføjede også produkter til deres indkøbsvogne med 28 procent højere sandsynlighed.
Skiftet ændrer den måde, mærkerne skal tænke på, hvordan forbrugere opdager produkter, sagde Kimberly Smith Carney, grundlægger af Impakt-konferencerne med fokus på AI, handel og detailhandel, samt administrerende direktør for The Wires, en markedsplads for mode-, skønheds- og kæledyrsbrands.
“Vi bevæger os fra en verden drevet af søgning til en verden drevet af opdagelse,” sagde Carney.
i stedet for at søge, rulle og filtrere gennem hundreder af produkter, kan forbrugere i stigende grad beskrive, hvad de forsøger at opnå, inklusive deres budget, præferencer og måldestination, og bede et AI-system om at fremvise relevante muligheder.
For modemærker kunne det betyde at konkurrere om AI-systemets anbefaling såvel som kundens opmærksomhed.
“Den næste kamp bliver ikke kun om forbrugerens opmærksomhed. Den bliver om AI’ens anbefaling, fordi du ønsker, at AI anbefaler dig — men hvordan får man den store sprogmodel (LLM) til at anbefale dig? Det bliver nøglen,” sagde Carcone.
Det giver nye udfordringer for modemærker, sagde Stark, som vil være nødt til at tilpasse deres hjemmesider, så de kan læses og forstås af maskiner for at understøtte produktanbefalinger.
Den gennemsnitlige amerikanske detailhjemmeside fik kun 61 procent i AI-læsbarhed, hvilket betyder, at næsten 40 procent af indholdet ikke var fuldt læsbart af store sprogmodeller, ifølge Adobes data. Beklædningsbranchen klarede sig bedst blandt de studerede detailkategorier med 76 procent, efterfulgt af elektronik med 70 procent.
For modemærker, der har brugt år på at optimere SEO, betyder det, at de har et solidt fundament for AI-æraen med produktopdelinger (taksonomier), detaljerede beskrivelser og struktureret information om farver, pasform og materialer allerede tilgængelig.
“Modebranchen har været så fokuseret og så dygtig til at markedsføre og merchandisere til mennesker, og nu handler det om, ‘Hvordan oversætter du al den information til ting, der er AI-læsbare?’” sagde Stark.
Den oversættelse bliver stadig vigtigere, eftersom forbrugerne ikke længere kun bruger AI til at finde produkter, men også til at stille mere detaljerede og specifikke spørgsmål om dem. En kunde kunne tidligere have søgt efter “rød sommerkjole.” En AI-assistent kan håndtere en meget mere detaljeret anmodning, der indbefatter pris, materialer, anvendelse, vejr, placering, personlige præferencer og andre detaljer i en anbefaling.
Forhandlere vil skulle gøre deres produktoplysninger mere beskrivende og strukturerede. Modebrands tilføjer i stigende grad metadata, tydeligere beskrivelser og flere lag af information, sagde Stark. En kjole kan beskrives ikke kun ud fra silhuetten og stoffet, men også ud fra, om den passer til en fest eller bryllup, eller hvordan den fungerer i daglig brug eller ved vask.
For luksusbrands kunne det også betyde at oversætte elementer af brandets historie og håndværk til konkrete, verifiable oplysninger, som et AI-system kan læse, når det besvarer en forbrugers spørgsmål. Oprindelsen af et stof, hvor det blev lavet eller hvordan et produkt blev konstrueret kan blive data for LLM.
Tredjepartsinformation vil også være vigtig. Adobes undersøgelse bemærkede, at LLM’er trækker på eksterne kilder for at give oplysninger om brands, deres omdømme og produkter, hvilket gør troværdig redaktionel dækning og anmeldelser potentielt vigtige dele af et brands digitale fodaftryk.
Carney sagde også, at brands bør tænke ud over blot at tilføje AI-værktøjer og afgøre, hvad de vil have teknologien til at opnå for forbrugerne i stedet for at hoppe med på vognen bare fordi deres konkurrenter gør det.
“Det er ikke strategi blot at anvende AI og bruge AI,” sagde hun. “Det vigtigste spørgsmål i mine øjne er, ‘Hvad bruger I det til at løse for forbrugeren?’”
Det betyder også at modstå fristelsen til at gøre AI-drevet personalisering for snæver. Hvis et system kun anbefaler produkter baseret på, hvad en forbruger tidligere har købt eller søgt, risikerer det at eliminere den tilfældighed, der gør mode sjov.
“Målet behøver ikke at være at forudsige mig perfekt. Målet bør være at forstå mig tilstrækkeligt til at hjælpe mig med at opdage,” sagde Carney.
Modeforbrugere vil måske have anbefalinger, der passer til deres smag, men de vil også gjerne støde på en ny designer, silhouette eller mærke, som de ikke vidste, at de skulle søge efter.
Øgningen af AI kan også give den fysiske oplevelse en ny relevans. Da forbrugere ikke længere behøver at besøge en butik blot for at gennemføre en handel, fordi de kan købe næsten alt fra deres telefoner, er en fysisk butik “nødt til at give dem en grund til at møde op,” sagde hun og pegede på oplevelse, opdagelse, fællesskab og menneskelig forbindelse.
Carney, der tidligere ejede en detailbutik i 17 år, sagde, at hun tror, fysisk og oplevelsesbaseret detailhandel vil få en ny betydning, efterhånden som AI overtager flere af de transaktionsmæssige og forskningsrelaterede aspekter af shopping.
“For brands og detailhandlere skaber AI en mulighed for at forstå deres forbrugere i realtid,” sagde Carney. “Handel vender tilbage. Du kan ikke genskabe følelsen af at røre ved et produkt. Så virkelig at opdage et mærke eller opleve deres verden personligt vil blive en dybtgående oplevelse, mens vi fortsætter med at udvikle os i denne AI-verden.”
Adobes data viser, at AI-henvendte shoppere stadig klikker videre til detailhandlernes egne websites, hvor de kan se rigere billeder og videoer, vurdere produkter og i sidste ende gennemføre deres køb. LLM-baseret køb er stadig i en tidlig fase, sagde Stark.
Det efterlader modemærker med to behov: at gøre tilstrækkelig information tilgængelig for AI-systemer til at forstå og anbefale deres produkter, samtidig med at de visuelle, følelsesmæssige og fysiske elementer bevares, som gør mode svært at reducere til data.
For luksusmærker er den udfordring særligt akut.
Modehuse vil også skulle gøre deres arv, håndværk og kvalitet lettere for AI-systemer at forstå. Oplysninger om, hvor et materiale kommer fra, hvordan et produkt er lavet, og historien bag en kollektion kan hjælpe AI-systemer med at besvare spørgsmål om et brand og anbefale dets produkter.
“Fortællingen begynder at blive dette AI-lag,” sagde Stark. “Der er meget, som ikke kan kommunikeres blot med ord, som for eksempel hvor lommerne sidder, hvilken kurve lommerne følger. Der er så meget i mode, og det er så personligt.”
