Bridging Search and CRM: Productionizing AI Product Research Agents for Customer Re-Engagement
Dieses Paper präsentiert ein produktiv eingesetztes Framework, das Such- und CRM-Systeme unter Verwendung von KI-gestützten Produktforschungs-Agenten integriert, um Nutzer mit explorativer Absicht zu identifizieren und personalisierte, fundierte Produktempfehlungen via WhatsApp zu liefern, was zu signifikanten Verbesserungen der Klickraten, des Engagements und des nachgelagerten Umsatzes führt.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der weiten digitalen Landschaft des modernen Shoppings geht oft eine stille Reibung unbemerkt verloren. Wenn ein Kunde eine vage, explorative Frage wie „bestes Smartphone für Gaming“ in eine Suchleiste eingibt, reagiert das System meist mit einer statischen Liste von Produkten, die nach Umsatz oder Schlüsselwörtern sortiert sind. Dieser Ansatz funktioniert gut bei spezifischen Anfragen, wie etwa der Suche nach einer bestimmten Modellnummer, stößt aber bei subjektiven Bedürfnissen an seine Grenzen, bei denen der Nutzer nach Orientierung, Vergleich und Vertrauen sucht. Infolgedessen verlassen viele Käufer die App, um externe Rezensionen, Video-Kanäle oder Foren zu konsultieren, bevor sie zurückkehren, um zu kaufen. Diese Reise ist fragmentiert und unterbricht die Verbindung zwischen der Plattform und dem Nutzer. Um diese Lücke zu schließen, wenden sich Forscher zunehmend KI-Systemen zu, die in der Lage sind, Informationen zu recherchieren, zu suchen und zu synthetisieren, ganz so wie ein menschlicher Experte. Diese Systeme, die oft als Agenten bezeichnet werden, rufen nicht nur Daten ab; sie verstehen die Absicht, sammeln Belege aus mehreren Quellen und konstruieren eine kohärente Antwort. Die Frage, die diese neue Arbeit antreibt, ist, ob ein solches intelligentes System in einem massiven Maßstab eingesetzt werden kann, um nicht nur diese komplexen Fragen zu beantworten, sondern auch proaktiv Kunden zu kontaktieren, die abgeschweift sind, um sie mit personalisierter, vertrauenswürdiger Beratung zurückzugewinnen.
Ein Team von Forschern bei Flipkart, einem großen Online-Einzelhändler in Indien, hat genau ein solches System entwickelt und getestet. Sie haben ein Framework geschaffen, das die Suchmaschine, in der Nutzer Fragen stellen, mit den Customer-Relationship-Management-Tools verbindet, die Nachrichten an Nutzer senden. Ihr Ziel war es, Käufer zu identifizieren, die Anzeichen von Verwirrung oder Zögern zeigten – also jene, die nach subjektiven Begriffen suchten, aber kein Ergebnis angeklickt hatten – und sie dann durch eine hilfreiche, KI-generierte Empfehlung, die direkt über ihre WhatsApp-Messaging-App gesendet wurde, wieder zu binden. Das von ihnen gebaute System ist nicht ein einzelnes Programm, sondern ein koordiniertes Team spezialisierter digitaler Arbeiter oder Agenten, von denen jeder eine spezifische Aufgabe hat. Ein Agent hört sich die Frage des Nutzers an und findet heraus, was dieser wirklich braucht, wie etwa ein Budgetlimit oder eine Vorliebe für eine bestimmte Marke. Ein anderer Agent geht in das breitere Internet, um Expertenrezensionen, Vergleichsartikel und Community-Diskussionen zu finden, um die besten Kandidaten zu identifizieren. Ein dritter Agent gleicht diese Kandidaten mit der eigenen internen Datenbank des Einzelhändlers ab, um sicherzustellen, dass die Artikel tatsächlich auf Lager, für den Standort des Nutzers lieferbar und preislich korrekt mit etwaigen Rabatten verfügbar sind. Schließlich fungiert ein vierter Agent als strenger Editor, der alle Fakten, Daten und Spezifikationen überprüft, um sicherzustellen, dass der Rat präzise und frei von Fehlern ist, bevor er jemals einem Menschen gezeigt wird.
Dieser gesamte Prozess ist darauf ausgelegt, effizient und skalierbar zu sein. Anstatt zu versuchen, diese komplexe Recherche für jede einzelne Suchanfrage durchzuführen, filtert das System die Daten zuerst, um nur die vielversprechendsten Gelegenheiten zu finden. Es sucht nach spezifischen Mustern, wie etwa Nutzern mit hoher Kaufkraft, die jedoch kein Suchergebnis angeklickt haben, und konzentriert seine Bemühungen auf diese Fälle. Sobald ein Nutzer mit hohem Potenzial identifiziert wurde, arbeiten die Agenten gemeinsam asynchron zusammen, um eine Empfehlung zu erstellen. Das Ergebnis ist eine prägnante, personalisierte Nachricht, die via WhatsApp versendet wird und einige Produktvorschläge, deren Preise sowie eine klare Erklärung enthält, warum diese ausgewählt wurden. Das Team testete dieses System in einer Live-Umgebung über einen Zeitraum von dreiundzwanzig Tagen. Während dieser Zeit versendete das System etwa fünfzehntausend Nachrichten an verschiedene Nutzer, wobei der Fokus primär auf Mobiltelefonen lag. Die Ergebnisse waren beeindruckend. Die Nachrichten generierten eine Click-Through-Rate, die fast dreimal höher war als bei früheren Kampagnen, die traditionelle Empfehlungsmethoden nutzten. Noch aussagekräftiger war das Verhalten der Nutzer, die die Nachrichten erhielten; an vielen Tagen war die Anzahl der Personen, die die Links anklickten, höher als die Anzahl der versendeten Nachrichten. Dies deutete darauf hin, dass die Nutzer die Nachrichten nicht nur lasen, sondern sie aktiv mit Freunden und Familie teilten, die dann wiederum die Links anklickten, wodurch die Kunden effektiv zu einem sekundären Distributionsnetzwerk wurden.
Der Erfolg der Kampagne beschränkte sich nicht nur auf Klicks; er schlug sich in realer wirtschaftlicher Aktivität nieder. Die Forscher verfolgten die Nutzer, die die Nachrichten erhielten, und stellten fest, dass eine signifikante Anzahl von ihnen die empfohlenen Produkte letztendlich kaufte, was dem Unternehmen beträchtliche Umsätze einbrachte. Um sicherzustellen, dass das System zuverlässig arbeitet, führte das Team eine rigorose manuelle Überprüfung von tausenden der produzierten Empfehlungen durch. Sie überprüften die technischen Spezifikationen und die Veröffentlichungsdaten der Telefone gegen reale Daten. Das System erwies sich als bemerkenswert genau, wobei über neunundneunzig Prozent der Spezifikationen und Veröffentlichungsdaten korrekt waren. Diese hohe Ebene der faktischen Korrektheit war größtenteils auf den abschließenden „Review“-Agenten zurückzuführen, der als Sicherheitsnetz fungierte, um Inkonsistenzen oder Fehler abzufangen, bevor die Nachricht versendet wurde. Die Forscher verglichen zudem zwei verschiedene Arten der Organisation des Agenten-Teams. Sie fanden heraus, dass eine Struktur, in der ein zentraler Manager die Arbeiter koordiniert, weitaus überlegen war gegenüber einer Struktur, in der die Arbeiter Aufgaben einfach ohne Aufsicht weiterreichen. Der zentralisierte Ansatz reduzierte Fehler erheblich und stellte sicher, dass das System alle notwendigen Regeln befolgte, wie etwa Veröffentlichungsdaten nur dann anzugeben, wenn der Nutzer nach den „neuesten“ Modellen fragte.
Diese Arbeit zeigt, dass Künstliche Intelligenz über eine einfache Automatisierung hinausgehen und zu einem proaktiven Partner im Kundenerlebnis werden kann. Durch die Kombination der Fähigkeit, das offene Web zu durchsuchen, mit der Präzision der internen Daten eines Einzelhändlers und der Einbettung in einen vertrauenswürdigen Kommunikationskanal, gelang es dem System, Nutzer erfolgreich wieder zu binden, die zuvor das Interesse verloren hatten. Die Studie zeigt, dass KI, wenn sie genutzt wird, um fundierte, erklärbare und faktengeprüfte Beratung zu bieten, die Verbindung zwischen einem Käufer und einer Plattform wiederherstellen kann. Die Ergebnisse legen nahe, dass die Zukunft des E-Commerce nicht nur darin bestehen könnte, mehr Produkte zu zeigen, sondern eine bessere, intelligentere Anleitung zu bieten, die das Bedürfnis des Nutzers nach Kontext und Vertrauen respektiert. Die Forscher haben bewiesen, dass ein solches System gebaut, eingesetzt und skaliert werden kann, um die Komplexität eines realen Marktplatzes zu bewältigen und so ein fragmentiertes Einkaufserlebnis in eine kohärente und produktive Reise zu verwandeln.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.