Pomiędzy kupującym a sprzedawcą od zawsze toczy się swoista święta wojna. Pierwszy chce nabyć produkt, płacąc możliwie najmniej: pieniędzmi, czasem, uwagą i danymi. Drugi chce natomiast sprzedać drożej, częściej i najlepiej ponownie temu samemu klientowi. Aby to osiągnąć, sprzedawca zbiera informacje pozwalające zrozumieć kupującego. Wszystko jest w porządku, dopóki pozostaje doradcą. Problem zaczyna się, gdy zmienia się w myśliwego, a klient zamiast o produkcie myśli: „Skąd oni to wiedzą?”. Personalizacja może pogodzić oba interesy, jeżeli naprawdę pomaga. Klient otrzymuje mniej przypadkowych ofert, a sklep zwiększa koszyk, LTV i lepiej zarządza zapasami.
Co właściwie wnosi AI?
Personalizacja nie zaczęła się wraz z rozwojem sztucznej inteligencji. Wcześniej opierała się na prostych regułach „kupił X, pokaż Y”, segmentacji RFM czy komunikatach kierowanych do powracających klientów. Takie rozwiązania nadal działają, jednak przy tysiącach produktów nie da się każdej zależności rozpisać ręcznie.
I w tym miejscu pojawia się AI. Dzięki wykorzystaniu m.in. embeddingów, czyli zapisu produktów i zachowań konsumentów jako liczb, modele potrafią wychwytywać podobieństwa, których nie da się dostrzec w tradycyjnej strukturze kategorii. Co więcej, AI może też analizować sesję i reagować na to, czego klient szuka teraz, nie tylko na dawny zakup.
Warstwa generatywna przygotuje z kolei warianty nagłówka, opisu czy e-maila. Nie oddawałbym jej pełnej kontroli: AI znacząco przyspiesza pracę, ale odpowiedzialność za prawdziwość informacji oraz spójność z tonem komunikacji marki nadal pozostaje po stronie człowieka.
Dane, czyli paliwo dla modelu
Skuteczne dopasowanie oferty opiera się na trzech grup danych. Pierwszą stanowią dane behawioralne, pokazujące, jakie produkty użytkownik przeglądał, czego szukał i co dodał do koszyka. Drugą są dane transakcyjne, obejmujące informacje o zakupach – co, kiedy i za jaką kwotę zostało kupione oraz czy produkt został później zwrócony. Trzecią grupę tworzą dane kontekstowe, takie jak urządzenie, z którego korzysta klient, pora dnia, źródło ruchu, sezonowość, dostępność produktów czy aktualna zawartość koszyka.
Kliknięcie może oznaczać zainteresowanie, zakup potwierdza preferencję, a zwrot ją podważa. Nie wystarczy więc kupić dobrego modelu – jeżeli zdarzenia są niepełne albo źle opisane, będzie się mylił, tyle że z dużą pewnością siebie.
Segment czy pojedyncza osoba?
Czy posiadanie danych oznacza, że musimy budować profil każdego klienta? Niekoniecznie. Często wystarczy segment, np. „osoby porównujące pierwsze buty do biegania”, uzupełniony bieżącą sesją. Segment określa strategię, a model wybiera produkt dla konkretnego miejsca i momentu.
Personalizacja 1:1 ma sens jedynie przy odpowiedniej liczbie interakcji. Bez nich algorytm de facto zgaduje, choć bardziej przekonująco niż zwykła reguła. Dlatego warto zacząć od modelu hybrydowego: segment daje punkt wyjścia, a bieżąca sesja koryguje rekomendację.
Gdzie przebiega granica prywatności?
Im bardziej zbliżamy się do personalizacji 1:1, tym łatwiej przekroczyć cienką granicę pomiędzy wygodą a inwigilacją. Warto zrobić prosty test: czy bez zakłopotania powiedzielibyśmy klientowi, dlaczego widzi daną rekomendację? „Oglądałeś buty, dlatego pokazujemy skarpety” brzmi logicznie. Problem pojawia się wtedy, gdy system wywnioskuje wrażliwą sytuację życiową i ujawni ją poprzez treści prezentowane na stronie.
Dlatego celem nie powinno być gromadzenie wszystkich danych, które technicznie da się pozyskać. Potrzebujemy określonego celu, podstawy prawnej, ograniczonego czasu przechowywania oraz zgody tam, gdzie jest wymagana. W praktyce oznacza to również wyznaczenie granic personalizacji. Nawet jeśli model potrafi wywnioskować informacje dotyczące zdrowia czy sytuacji rodzinnej klienta, nie oznacza to, że sklep powinien z tego korzystać.
Jak sprawdzić, czy rekomendacje działają?
Przetestowanie modelu offline warto zacząć od danych historycznych, a dopiero później online na części rzeczywistego ruchu. Potrzebujemy też grupy kontrolnej z dotychczasowymi regułami albo bez personalizacji. Inaczej nie wiemy, czy AI zwiększyła sprzedaż, czy przypisała sobie zakup, który i tak by nastąpił.
Oceniając skuteczność modelu, nie warto ograniczać się wyłącznie do wskaźnika CTR. Rekomendacja może generować kliknięcia, a jednocześnie obniżać marżę lub zwiększać zwroty. Liczą się więc także konwersja, przychód na sesję, wartość koszyka, ponowne zakupy, rezygnację z komunikacji i kliknięcia „nie pokazuj mi tego”. Test powinien obejmować pełny cykl zakupowy, a nie tylko kilka pierwszych dni.
Transparentność w praktyce
Nawet trafna rekomendacja może niepokoić, jeżeli klient nie rozumie, skąd się wzięła. Wyjaśnienie nie powinno więc znajdować się tylko w polityce prywatności. Znacznie lepszym rozwiązaniem są krótkie, czytelne komunikaty przy rekomendacjach, np. „Na podstawie produktów oglądanych w tej sesji” albo „Ponieważ kupiłeś ekspres”. Obok powinny pojawić się opcje „Dlaczego to widzę?”, „Nie interesuje mnie to”, wyczyszczenie historii, czy całkowite wyłączenie personalizacji.
Tego rodzaju kontrola wpływa również na wyższą jakość danych. Jedno świadome „nie pokazuj mi tego” może być więcej warte niż kilkanaście przypadkowych kliknięć.
Personalizacja z pomocą AI powinna działać jak dobry sprzedawca: znać ofertę, pamiętać wcześniejsze wybory i oszczędzać czas, ale nie wyciągać notatnika z historią klienta. Jeżeli kupujący zaczyna myśleć nie o produkcie, ale o tym, skąd sklep posiada daną wiedzę, system zrobił już o jeden krok za dużo, a granica skutecznej personalizacji została przekroczona.
