„Vízálló túracipőt keresek 50 ezer forint alatt hosszabb túrákhoz.”
„Olyan kutyatáp kellene, ami érzékeny emésztésű nagytestű kutyának való, és nincs benne csirke.”
„Keskeny íróasztalt keresek kis lakásba, maximum 120 centi szélességgel.”
Egy hagyományos webshopkereső számára ezek problémás keresések lehetnek. A vásárló ugyanis nem feltétlenül használja ugyanazokat a kifejezéseket, amelyek a termék nevében, kategóriájában vagy adatlapján szerepelnek.
Pedig pontosan tudja, mire van szüksége.
Az AI webshop kereső egyik legnagyobb előnye éppen ez: a keresést nem egyszerű karaktersorozatként kezeli, hanem megpróbálja megérteni a vásárló szándékát.
Ezzel a webshop keresője fokozatosan egy egyszerű navigációs eszközből valódi termékfelfedezési felületté válhat.
De ehhez nem elég egy AI-modellt bekötni a webáruházba. Jó termékadatokra, megfelelő szűrésre, rangsorolásra és folyamatos mérésre is szükség van.
Mi a probléma a hagyományos webshopkeresővel?
A klasszikus keresők jellemzően azt próbálják megtalálni, hogy a vásárló által begépelt szavak szerepelnek-e a termék nevében, leírásában, cikkszámában vagy egyéb indexelt mezőiben.
Ez tökéletesen működhet például erre:
„Nike Pegasus 41”
A vásárló pontosan ismeri a terméket, ezért az egzakt egyezés a megfelelő megoldás.
A vásárlások jelentős részénél azonban nem konkrét terméknevet keresünk, hanem egy problémára próbálunk megoldást találni.
Például:
„kényelmes futócipő aszfaltra kezdőknek”
Itt már több dolgot kell értelmezni. A rendszernek fel kell ismernie, hogy futócipőről van szó, a felhasználás helye aszfalt, fontos szempont a kényelem, a vásárló pedig valószínűleg nem professzionális versenycipőt keres.
Egy egyszerű kulcsszavas kereső ezekből csak szavakat lát.
Egy jelentésalapú kereső viszont megpróbálja értelmezni az összefüggést.
Mit jelent a természetes nyelvű keresés egy webáruházban?
A természetes nyelvű keresés lényege, hogy a vásárlónak nem kell megtanulnia a webshop termékkatalógusának nyelvét.
Nem neki kell tudnia, hogy egy adott tulajdonság milyen néven szerepel az adatbázisban.
Írhatja azt, hogy:
„könnyű kabát tavaszi túrázáshoz, ami esőben is jó”
miközben a termékadatok között ezek szerepelnek:
„softshell”, „vízlepergető”, „10 000 mm vízállóság”, „lélegző anyag”, „tavaszi-őszi használat”.
A kereső feladata az, hogy kapcsolatot teremtsen a vásárló hétköznapi megfogalmazása és a webshop strukturált termékadatai között.
Ez különösen értékes azokban az áruházakban, ahol a megfelelő termék kiválasztásához sok paramétert kell figyelembe venni.
Ilyen lehet például egy műszaki webshop, állateledel-áruház, sportbolt, barkácswebshop, autóalkatrész-kereskedés, lakberendezési webshop vagy szépségápolási webáruház.
Az AI webshop kereső nem egyszerűen egy ChatGPT a keresőmező mögött
Az AI-alapú keresést könnyű összekeverni egy chatbot beépítésével.
A kettő azonban nem ugyanaz.
Egy jól felépített webshopkeresőnél továbbra is egy kontrollált termékkatalógusból kell kiválasztani a releváns termékeket. Ár, készlet, kategória, márka, méret vagy kompatibilitás esetén pedig strukturált adatokat és pontos szűrési szabályokat kell használni.
Ha valaki azt keresi:
„fekete futócipő 45-ös méretben 40 ezer forint alatt”
akkor a „fekete”, „45-ös” és „40 ezer forint alatt” nem pusztán jelentésbeli hasonlóság.
Ezek konkrét feltételek.
A keresőrendszernek ezért külön kell tudnia kezelni a vásárlói szándékot és a pontos korlátozásokat.
A gyakorlatban ezért sok esetben hibrid keresés működik jól: a hagyományos kulcsszavas keresés és a jelentésalapú, vektoros keresés együtt dolgozik. Így egy pontos cikkszám vagy márkanév továbbra is erős találat lehet, miközben a rendszer a természetes nyelven megfogalmazott igényeket is felismeri. A hibrid keresés ma az Elastic és a Google keresési rendszereiben is alkalmazott megközelítés.
Egy konkrét keresésen keresztül: mit kell megértenie a rendszernek?
Vegyük ezt a példát:
„Gabonamentes száraztápot keresek érzékeny emésztésű nagytestű kutyának 25 ezer forint alatt.”
Egy jól működő AI webshop kereső több különálló információt tud ebből kinyerni.
| A vásárló kérése | A rendszer által értelmezhető adat |
|---|---|
| gabonamentes | tulajdonság |
| száraztáp | terméktípus |
| érzékeny emésztés | felhasználási igény |
| nagytestű kutya | célcsoport |
| 25 000 Ft alatt | maximális ár |
Ezután nem egyszerűen azokat a termékeket kell előre helyezni, amelyek leírásában sokszor szerepel a „kutya” vagy a „táp” szó.
Azokat kell megtalálni, amelyek ténylegesen megfelelnek a kérésnek.
Itt válik különösen fontossá a webáruház termékadatainak minősége.
Az AI kereső csak annyira jó, amennyire jók a termékadatok
Az AI webshop kereső bevezetése előtt az egyik első feladat gyakran nem maga az AI-integráció.
Hanem a termékkatalógus rendbetétele.
Ha egy futócipőről csak ennyi információ található:
„Nike férfi cipő, fekete”
akkor abból sem egy hagyományos kereső, sem egy AI-rendszer nem fogja biztosan megállapítani, hogy hosszútávfutásra alkalmas, aszfaltra tervezték, milyen a csillapítása, mekkora a dropja vagy milyen futótípusnak ajánlható.
A megfelelő adatmodellben nem kizárólag egy hosszú termékleírásra érdemes támaszkodni.
A termékekhez strukturált attribútumokat is célszerű rendelni: felhasználási területet, anyagot, méretet, kompatibilitást, célcsoportot, műszaki tulajdonságokat és minden olyan jellemzőt, amely alapján a vásárlók ténylegesen választanak.
Az AI ebben is segíthet. Meglévő leírásokból például javasolhat strukturált attribútumokat, kategóriákat vagy címkéket, de a kritikus termékadatoknál továbbra is fontos az ellenőrizhető, megbízható adatforrás.
Mi történik a szinonimákkal?
A webshopkeresők egyik klasszikus problémája, hogy a vásárló és a kereskedő más szót használ ugyanarra a dologra.
A katalógusban például:
„vezeték nélküli fülhallgató”
szerepel, a vásárló pedig ezt írja:
„bluetooth füles”
Vagy a webshop „kanapéágy” kategóriát használ, miközben a vásárló „kihúzható kanapéra” keres.
A hagyományos keresőknél ehhez sokszor manuálisan létrehozott szinonimaszótár szükséges.
A jelentésalapú keresés sok ilyen kapcsolatot automatikusan képes felismerni.
Ez azonban nem jelenti azt, hogy minden szinonimakezelést érdemes megszüntetni.
Az iparágspecifikus rövidítések, márkanevek, cikkszámok, helyi elnevezések vagy különleges szakmai fogalmak esetében továbbra is értékes lehet a saját szinonimaszótár.
Az AI tehát nem feltétlenül kiváltja ezt a réteget, inkább kiegészíti.
A jelentésalapú találat még nem feltétlenül jó találat
Ez az AI webshop kereső egyik legfontosabb kérdése.
Tegyük fel, hogy a vásárló ezt keresi:
„olcsó vízálló túracipő”
A rendszer találhat tíz jelentésében releváns túracipőt.
De milyen sorrendben jelenjenek meg?
A legolcsóbb legyen elöl?
A legnépszerűbb?
A legjobb értékelésű?
Az, amelyiken éppen nagyobb az árrés?
Vagy az, amelyikből van megfelelő méret raktáron?
A relevancia és az üzleti rangsorolás két külön problémát jelent.
Egy fejlett keresőrendszerben ezért a szemantikus hasonlóság csak az egyik ranking signal.
Mellé kerülhet a kulcsszavas egyezés, a készlet, a népszerűség, a konverziós arány, az értékelések, a frissesség vagy akár az adott vásárló számára becsült relevancia.
A vektorosan legközelebbi termék tehát nem feltétlenül az, amelyet elsőként érdemes megjeleníteni. A modern keresési architektúrák ezért a visszakeresés után külön rangsorolási vagy újrarangsorolási lépést is használhatnak.
A szűrésről sem szabad megfeledkezni
A természetes nyelvű keresés nem azt jelenti, hogy nincs többé szükség szűrőkre.
Elakadtál a témában?
Kérj ingyenes, 30 perces konzultációt, átbeszéljük a konkrét helyzeted.
Éppen ellenkezőleg.
A kereső értelmezheti a mondatból automatikusan a szűrési feltételeket, majd a felületen meg is jelenítheti ezeket.
Például a következő keresésnél:
„Sony fejhallgató 100 ezer alatt, zajszűréssel”
a rendszer felismerheti:
márka = Sony
ár ≤ 100 000 Ft
aktív zajszűrés = igen
A vásárló ezután módosíthatja vagy törölheti ezeket a feltételeket.
Ez UX szempontból is fontos, mert a felhasználó látja, hogyan értelmezte a webshop a kérését.
A jelentésalapú keresés és a strukturált szűrés kombinációja különösen nagy termékkatalógusnál működhet jól. A kereskedelmi keresőrendszerek is külön kezelik a szemantikus relevanciát és az olyan strukturált korlátozásokat, mint az ár, kategória vagy terméktulajdonság.
Mit csináljon a kereső, ha nincs pontos találat?
A „0 találat” az egyik legértékesebb adat egy webshopban.
Azt jelenti, hogy egy potenciális vásárló elmondta, mit szeretne megvenni, a webshop pedig nem tudott neki megfelelő terméket mutatni.
Ezt nem érdemes egyszerűen egy „Nincs találat” üzenettel lezárni.
Ha például valaki azt keresi:
„Salomon vízálló túracipő 30 ezer forint alatt”
de ilyen termék nincs a kínálatban, többféle stratégia alkalmazható.
A rendszer megmutathat 35 ezer forint alatti Salomon modelleket, más márkájú vízálló túracipőket 30 ezer alatt, vagy közeli alternatívákat.
Fontos azonban világosan jelezni, hogy ezek már alternatív találatok.
A keresési feltételek fokozatos lazítását query expansionnek is nevezik. Ennek célja, hogy egy túl szűk vagy hosszú keresés ne feltétlenül végződjön üres találati oldallal.
Ehhez kapcsolódó gyakorlati optimalizálási pont a Webeditor Tudástárban a „A nincs találat oldal is konvertálhat” útmutató.
A sikertelen keresésekből derül ki, mit szeretnének a vásárlók
Az AI webshop kereső egyik legnagyobb üzleti értéke nem feltétlenül maga a keresőmező.
Hanem az adat, amely mögötte keletkezik.
Érdemes legalább a következőket mérni:
- milyen keresések történnek a legtöbbször;
- mely keresések adnak nulla vagy nagyon kevés találatot;
- milyen keresés után kattintanak termékre;
- milyen keresés után kerül termék a kosárba;
- milyen keresések vezetnek vásárláshoz;
- mely kereséseket módosítják rögtön egy második keresésre;
- mely kifejezések után hagyják el az oldalt.
A keresési napló így nemcsak technikai analitika.
Piackutatási adat.
Ha például száz vásárló keres havonta „cukormentes” termékekre, de ilyen attribútum nincs a katalógusban, akkor lehet, hogy nem keresési problémáról van szó.
Lehet, hogy a termékkínálat vagy a termékadat-struktúra hiányosságára derült fény.
Hogyan mérhető, hogy jobb lett-e az új webshopkereső?
Egy AI kereső bevezetését nem érdemes pusztán az alapján sikeresnek tekinteni, hogy technikailag működik.
Azt kell vizsgálni, javítja-e a vásárlási folyamatot.
Az egyik alapmutató a zero-result rate, vagyis a találat nélküli keresések aránya.
De önmagában ennek csökkenése még nem jelent sikert.
Egy olyan kereső is produkálhat kevés nulla találatot, amely minden kérdésre sok, de irreleváns terméket ad vissza.
Érdemes ezért együtt vizsgálni több mutatót: keresés utáni termékkattintás, keresésből kosárba helyezési arány, keresést használók konverziós aránya és keresés utáni bevétel.
A cél nem az, hogy minden keresésre legyen találat.
A cél az, hogy a megfelelő termék kerüljön a megfelelő vásárló elé.
AI kereső vagy klasszikus kereső: melyikre van szüksége egy webáruháznak?
Nem minden webáruházban indokolt rögtön komplex AI keresőt építeni.
Egy ötven terméket tartalmazó webshopnál valószínűleg sokkal fontosabb a jól kialakított kategóriastruktúra, az autocomplete és a pontos termékadat.
Tízezer vagy százezer terméknél azonban teljesen más a helyzet.
Minél nagyobb a katalógus, minél több tulajdonság alapján választanak a vásárlók, és minél nehezebb szakmai ismeret nélkül megtalálni a megfelelő terméket, annál értékesebbé válhat a természetes nyelvű keresés.
Különösen jó jelölt lehet az a webshop, ahol az ügyfélszolgálat rendszeresen olyan kérdéseket kap, hogy „melyik termék való nekem?”, vagy ahol az analitika szerint sok látogató használja a keresőt, mégis gyakoriak a sikertelen keresések.
Hogyan érdemes bevezetni az AI webshop keresőt?
A bevezetést nem azzal kezdeném, hogy kiválasztunk egy AI-modellt.
Először a jelenlegi keresési adatokat érdemes elemezni.
Mit keresnek az emberek? Mire nincs találat? Hol rossz a relevancia? Milyen szavakat használnak a vásárlók, amelyek nem szerepelnek a katalógusban?
Ezután következhet a termékadatok felmérése és strukturálása.
Csak ezután érdemes megtervezni, hogy a keresés mely részeit kezelje hagyományos full-text keresés, melyeket jelentésalapú vektorkeresés, milyen szűrők szükségesek, és milyen üzleti szabályok határozzák meg a találatok sorrendjét.
A bevezetés után pedig folyamatosan vissza kell csatolni a valódi keresési és vásárlási adatokat.
Az AI kereső nem egy egyszer elkészített funkció.
Inkább egy folyamatosan optimalizálható e-commerce rendszer.
A következő lépés már nem feltétlenül keresőmező lesz
A természetes nyelvű termékkeresés és az AI-asszisztens közötti határ egyre kevésbé éles.
A vásárló ma még beírhatja:
„könnyű túracipőt keresek nyárra 50 ezer alatt”
A következő lépésben azonban a rendszer vissza is kérdezhet:
„Inkább könnyű egynapos túrákhoz keresel cipőt, vagy többnapos használatra?”
Majd a válasz alapján tovább szűkítheti a kínálatot.
A keresés így fokozatosan párbeszéddé válik.
A lényeg azonban ugyanaz marad: a rendszernek kizárólag valódi termékekből, valós árakból, aktuális készletből és ellenőrizhető termékadatokból kell dolgoznia.
Az AI itt nem azért értékes, mert beszélgetni tud.
Hanem azért, mert kisebb távolságot teremt a vásárló igénye és a megfelelő termék között.
Összefoglalás
A hagyományos webshopkeresők abból indulnak ki, hogy a vásárló tudja, milyen szót kell beírnia.
A vásárlók azonban egyre gyakrabban nem terméknevet, hanem megoldást keresnek.
„Milyen futócipő jó kezdőként?”
„Melyik kutyatápban nincs csirke?”
„Milyen laptopot vegyek videóvágásra 500 ezer alatt?”
Egy jól megvalósított AI webshop kereső ezeket a kérdéseket képes termékparaméterekké, keresési feltételekké és relevanciarangsorrá alakítani.
Ehhez azonban önmagában az AI kevés.
Jó termékadatokra, hibrid keresési architektúrára, strukturált szűrésre, üzleti rangsorolásra és folyamatos keresési analitikára van szükség.
Ha ezek megfelelően működnek együtt, a kereső már nem egyszerűen abban segít, hogy a vásárló megtaláljon egy terméket.
Abban segít, hogy megtalálja a számára megfelelő terméket.
Kapcsolódó tartalmak
A témához érdemes belső linkként kapcsolni az „AI alapú webáruház fejlesztés: 8 terület, ahol az AI valódi üzleti előnyt adhat” cikket, az „Adj azonnali javaslatot a keresőben” és „A nincs találat oldal is konvertálhat” tudástár-bejegyzéseket, valamint a Webeditor AI Commerce bemutatóoldalát.
Gyakori kérdések az AI webshop keresőről
Mi az az AI webshop kereső?
Az AI webshop kereső olyan termékkeresési rendszer, amely nem kizárólag a begépelt kulcsszavak pontos egyezését vizsgálja, hanem a keresés jelentését, a vásárló szándékát és a termékek tulajdonságait is figyelembe tudja venni.
Mi a különbség a szemantikus keresés és a hagyományos keresés között?
A hagyományos kereső elsősorban szavak és karakterek egyezését keresi. A szemantikus keresés ezzel szemben jelentés alapján is képes kapcsolatot találni a keresés és a termékadatok között.
Kell hozzá mesterséges intelligencia?
A jelentésalapú keresés jellemzően gépi tanulási modelleket és vektoros reprezentációkat használ, de egy jó webáruházas keresőrendszerben ezek gyakran klasszikus keresési, szűrési és rangsorolási technológiákkal együtt működnek.
Kiválthatja az AI kereső a webshop szűrőit?
Általában nem. Inkább kiegészíti őket. A természetes nyelvű keresésből a rendszer automatikusan felismerhet szűrési feltételeket, például márkát, árat, méretet vagy terméktulajdonságot.
Milyen webáruházaknál érdemes AI keresőt bevezetni?
Elsősorban nagyobb termékkatalógusoknál, összetett termékeknél és olyan területeken, ahol a vásárlók sok paraméter alapján választanak. Különösen indokolt lehet, ha gyakoriak a sikertelen keresések vagy sok vásárlónak segítségre van szüksége a megfelelő termék kiválasztásához.
Hogyan lehet mérni az AI webshop kereső eredményességét?
Érdemes vizsgálni többek között a találat nélküli keresések arányát, a keresés utáni kattintást, a kosárba helyezést, a keresést használók konverziós arányát és a keresésből származó bevételt.
