Transformer les achats numériques à travers des conversations / blogs alimentés par l’IA

Bien que le modèle traditionnel nous ait bien servi, les clients ont désormais des attentes exceptionnellement élevées en matière de service dans une expérience de commerce électronique. Malgré la complexité de la création de catalogues de produits, développant un frontend sans tête avec UX de niveau supérieur, des moteurs de promotion et une personnalisation basée sur les segments, les clients s’attendent toujours à des informations de haute qualité livrées instantanément, d’une manière qui minimise le temps nécessaire pour effectuer un achat.

Le commerce conversationnel est une solution révolutionnaire qui combine l’intelligence artificielle avec le traitement du langage naturel pour guider les utilisateurs vers les produits qu’ils recherchent aussi efficacement que possible.

Le problème et l’opportunité

Les achats en ligne traditionnels donnent souvent l’impression de naviguer dans un labyrinthe aux yeux bandés. Les clients sont confrontés à des catalogues de produits écrasants, à des systèmes de filtrage complexes et à des recherches frustrantes exactement ce dont ils ont besoin. Pendant ce temps, les entreprises luttent avec des taux d’abandon élevés de CART (en moyenne de 70% dans toutes les industries), de faibles taux de conversion et une incapacité à saisir de précieuses informations sur les clients pendant le parcours d’achat.

L’opportunité est importante: le commerce conversationnel comble le fossé entre la commodité numérique et l’assistance humaine, créant une expérience d’achat à la fois évolutive et profondément personnelle. Les entreprises mettant en œuvre des solutions de commerce conversationnelles représentent une augmentation de 35% des taux de conversion et une amélioration de 25% des scores de satisfaction des clients.

Contexte

Le commerce électronique B2C traditionnel suit un parcours client standard: Page d’accueil → PLP (page de liste de produits) → PDP (page de détail du produit) → Cart d’achat → Checkout → Confirmation de commande. Le défi a toujours été de concevoir la meilleure expérience pour chaque étape. Cela nécessite de définir correctement le catalogue de produits et d’identifier tous les attributs pertinents pour le PDP, y compris les spécifications techniques, les étiquettes et les étiquettes (par exemple, sport, familial, casual professionnel). Les clients doivent être en mesure de trouver tous les détails du produit nécessaires sur une seule page plutôt que de rechercher ailleurs.

De plus, la définition de la hiérarchie des produits est cruciale. Un produit configurable (comme le connu dans Adobe Commerce) doit être associé à des produits simples pour la couleur et la taille. Cela permet aux clients de filtrer les produits sur le PLP en utilisant ces attributs (appelés variantes dans SAP Commerce Cloud). Même après avoir correctement structuré le catalogue, le défi demeure: exposer efficacement ces informations à un frontend sans tête pour une expérience de découverte de produits intuitive.

Le problème

Même lorsque toutes les informations sur les produits pertinentes sont disponibles, les clients ont souvent des questions non résolues, telles que:

• «Ces vêtements de coton sont-ils confortables pour quelqu’un qui transpire beaucoup?»
• «Est-ce que ça s’estompe?»
• «Je vis dans une zone froide mais je veux l’utiliser pour courir – ça marchera?»

Un vendeur dans un magasin physique pourrait facilement répondre à ces préoccupations, mais les canaux numériques ne parviennent souvent pas à fournir des conseils similaires. Les expériences en magasin sont également limitées par la capacité du personnel.

Autre cas d’utilisation: simplifier les recherches de produits

Le filtrage des attributs du produit ne doit plus être compliqué. Auparavant, les clients ont navigué sur les menus sans fin – «Catégorie> Sous-catégorie> Couleur> Taille> Prix». Maintenant, ils peuvent simplement décrire ce qu’ils recherchent: « J’ai besoin d’un bon ordinateur portable pour l’édition vidéo, avec une excellente carte graphique, moins de 2 000 $. »

Un autre cas d’utilisation: rationalisation des achats B2B

Les transactions commerciales impliquent souvent des produits complexes CPQ (configurer, prix, citation) avec de nombreuses options. Les configurateurs traditionnels, remplis de détails techniques, peuvent être écrasants. Au lieu de cela, les utilisateurs devraient être en mesure de décrire leurs besoins sans avoir à être des experts dans le domaine.

Solution

L’objectif n’est pas de remplacer l’interaction humaine par les chatbots, mais de permettre aux chatbots d’étendre les capacités consultatives, en soutenant plusieurs clients simultanément. Ces chatbots connaissent profondément le catalogue de produits et peuvent également aider le personnel en magasin en générant de meilleures questions pour les clients, en surveillant les réponses du système et en améliorant continuellement l’apprentissage du chatbot. De plus, les chatbots servent d’outil de formation du personnel précieux – un sujet pour une autre discussion.

De plus, les assistants de l’IA s’intègrent parfaitement aux flux de travail d’automatisation du marketing, permettant une personnalisation en temps réel. Cet article expliquera comment nous mettons en œuvre le commerce conversationnel chez Perfesivet et partagera les meilleures pratiques pour votre adoption.

Fondation technologique: Assistants Openai Commerce Conversation

L’API assistant d’OpenAI (Beta) fournit un cadre puissant pour les intégrations de commerce conversationnelles sophistiquées. Avec cet outil, les entreprises peuvent:

1. Configurez l’assistant avec un seul but.
2. Connectez l’assistant à leur backend de commerce à l’aide de fonctions.
3. Améliorez les connaissances de l’assistant sur les détails du commerce à l’aide de fichiers vectoriels.
4. Maintenir un contexte isolé pour chaque client via des threads de conversation séparés.
5. Préserver le contexte à travers de longues interactions.
6. Gérer les requêtes complexes nécessitant un raisonnement en plusieurs étapes.
7. Assurer une voix de marque cohérente dans toutes les interactions.

Appel de fonction: intégrer les conversations avec les données du commerce

La fonctionnalité d’appel des fonctions permet aux assistants de récupérer les informations pertinentes des infrastructures de commerce existantes si nécessaire.

Premièrement, il est essentiel de classer correctement les produits et d’appliquer un étiquetage approprié (par exemple, convivial, portable, rentable). Sans étiquetage approprié, les clients peuvent éprouver de la confusion ou de la frustration lors de l’interaction avec le chatbot. Un catalogue mal étiqueté, c’est comme discuter avec Chatgpt d’une manière générique – il manque de précision.

Fonctions communes utilisées:

• Recherche et filtrage de produits basés sur les requêtes en langage naturel.
• Vérification des stocks et confirmation de disponibilité.
• Calculs de prix, y compris les remises et les promotions.
• Recommandations de produits basées sur le marquage.

Les entreprises n’ont pas besoin d’exposer des numéros d’inventaire réels, mais peuvent simplement fournir des drapeaux de disponibilité en fonction de l’emplacement du client et de la stratégie promotionnelle.

Fichiers vectoriels

Toutes les données de commerce ne doivent pas être récupérées via des fonctions. Bien que les appels de fonction peuvent fournir des informations spécifiques demandées par le client, ils peuvent parfois ralentir les temps de réponse en raison de retards d’exécution.

Pour les détails statiques liés au commerce – tels que les politiques de retour, les délais de livraison, les garanties, les préférences de marque et les systèmes de catégorie – les fichiers vectorisés offrent une approche plus efficace. Ces fichiers font partie du contexte de l’assistant, éliminant la nécessité de fournir ces informations dans chaque fil de conversation.

Intégration de l’architecture Mach

Les implémentations du commerce moderne suivant les principes Mach (microservices, API-First, Cloud-Native, sans tête) sont naturellement adaptées aux intégrations du commerce conversationnel. Même les plates-formes héritées comme SAP Commerce, Adobe Commerce et HCL peuvent tirer parti de cette fonctionnalité, car toutes les plates-formes modernes exposent des API.

L’adoption d’une approche Mach simplifie considérablement le développement des écosystèmes, la surveillance des performances, les intégrations multicanaux et l’évolutivité globale.

Défis de développement des conversations

La mise en œuvre des expériences conversationnelles implique plusieurs défis:

1. Concurrence: Échec des travailleurs en haut ou en baisse efficacement pour gérer des milliers de conversations.
2. Verrouillage du fil: S’assurer qu’un seul travailleur gère une conversation à la fois pour éviter d’inonder les clients de messages qui se chevauchent.
3. Rythme de conversation: Soutenir les utilisateurs de type rapide sans manquer de messages entrants pendant le temps de réponse de l’assistant.

Optimisation des coûts

Le commerce conversationnel implique plusieurs facteurs de coût, notamment l’utilisation d’assistants d’OpenAI, qui est facturé par jeton traité. Les conversations coûtent généralement entre 0,05 $ et 0,10 $, selon la complexité et la longueur.

Pour réduire les coûts, les entreprises peuvent:

• Optimiser leur stratégie assistante avec une ingénierie rapide.
• Minimiser les charges utiles de l’appel de fonction.
• Fournissez des informations essentielles via des fichiers vectorisés au lieu d’appels de fonction fréquents.

Alors que l’assistant d’OpenAI offre l’une des meilleures expériences d’utilisateur, les alternatives incluent les outils vocaux ElevenLabs AI, Azure Openai, AWS Bedrock et Google Vertex AI. Le prix varie légèrement selon les fournisseurs.

Une fois que les entreprises valident l’amélioration de l’expérience utilisateur, ils peuvent explorer la formation de modèles personnalisés et l’hébergement de solutions d’IA dans le cloud pour un meilleur contrôle et une meilleure rentabilité. Des modèles comme Mistral ou Llama peuvent être configurés en utilisant Olllama pour une optimisation supplémentaire.

Retour sur investissement

Au-delà de l’amélioration de l’expérience client, les entreprises peuvent former des modèles d’IA pour capturer les e-mails clients et les intégrer dans des campagnes de marketing automatisées.

Surveiller les meilleures pratiques

Métriques de performance:

• Taux d’achèvement de la conversation
• Temps de résolution
• Scores de satisfaction du client
• Taux de conversion (collection de courriels)
• Coût par interaction réussie

L’avenir du commerce est conversationnel

Il y a quelques années à peine, ce concept n’était qu’un rêve – quelque chose dans une publicité de voiture futuriste. Aujourd’hui, la technologie est là, et les clients s’attendent à des réponses claires et éducatives sur la façon d’utiliser un produit et quelle option convient le mieux à leurs besoins spécifiques.

La personnalisation n’est plus une amélioration agréable à avoir – c’est une fonctionnalité obligatoire, tout comme le bouton «Ajouter au panier».

Chez Perficient, nous croyons que la façon dont nous nous connectons avec nos clients, comment nous apprenons leurs besoins et comment nous résolvons leurs problèmes qui forment le fondement de tout canal de commerce réussi.