Jak AI poprawia trafność wyszukiwania w sklepie internetowym

Problem: wyszukiwarka zwraca wszystko oprócz tego, czego szuka klient

W e-commerce trafność wyszukiwania to fundament doświadczenia klienta. Wyszukiwarki typu fuzzy search dopasowują zapytanie do opisów produktów na podstawie podobieństwa słów, dzięki czemu wybaczają literówki. Problem w tym, że dopasowują się do wszystkiego, co pojawia się w opisie — także do informacji marketingowych, danych o dostawie czy cech, których produkt nie posiada.

Rozwiązanie? Stworzyć osobną, zoptymalizowaną wersję opisu przeznaczoną wyłącznie dla wyszukiwarki. To, co widzi klient, i to, po czym wyszukiwarka indeksuje produkt, mogą być dwiema różnymi rzeczami. Na przykładzie wdrożenia w Stylion.pl pokazujemy kluczowe techniki preprocessingu danych, które to umożliwiają.

Normalizacja i czyszczenie danych

Pierwszym krokiem jest normalizacja — ujednolicanie i usuwanie szumu z opisów produktów. AI identyfikuje i odrzuca informacje niezwiązane z cechami produktu: język marketingowy, dane o dostępności, koszty dostawy, promocje czy przewidywany czas wysyłki.

Gdy w indeksie wyszukiwania zostają wyłącznie kluczowe atrybuty produktu, wyszukiwarka dopasowuje szybciej i trafniej — nie myli się, trafiając na słowa kluczowe w kontekście promocji zamiast faktycznych cech.

Zrozumienie negacji — „Polaryzacja: NIE" to nie „polaryzacja"

Jednym z poważniejszych problemów jest brak rozumienia negacji przez wyszukiwarki. W sklepie Stylion.pl okulary bez polaryzacji miały w opisie frazę „Polaryzacja: NIE". Gdy klient wpisywał „zerówki polaryzacja", wyszukiwarka zwracała 1000 produktów — w tym wszystkie okulary, które polaryzacji nie mają, bo słowo „polaryzacja" występowało w każdym opisie.

Po zastosowaniu preprocessingu opartego na AI frazy zawierające negacje zostały usunięte z indeksu wyszukiwania. Efekt? Liczba wyników spadła do 243 produktów, a klient otrzymuje wyłącznie okulary, które faktycznie posiadają polaryzację.

Po lewej: natywna wyszukiwarka zwraca 1000 wyników na frazę „zerówki polaryzacja", w tym produkty bez polaryzacji. Po prawej: po preprocessingu — 243 trafne wyniki.

Synonimy i wzbogacanie danych

Klienci szukają tego samego produktu na wiele sposobów. AI generuje synonimy i powiązane frazy dla każdej informacji w opisie, dzięki czemu produkt można znaleźć niezależnie od sformułowania zapytania.

Przykład: opis mówi „zapewnia pełną ochronę przed promieniowaniem słonecznym". AI automatycznie dodaje do indeksu warianty, po których klient może szukać: „okulary ochronne", „okulary z filtrem UV", „okulary przeciwsłoneczne". Produkt staje się widoczny dla wszystkich tych zapytań, choć oryginalne słowa nigdy nie pojawiły się w opisie.

Synonimy w Witly powstają z trzech źródeł: automatycznie per produkt podczas pipeline'u preprocessingu, cyklicznie na podstawie analityki wyszukiwań (frazy bez wyników i popularne zapytania) oraz ręcznie — właściciel sklepu może dodać własne grupy synonimów w panelu. Więcej o tym mechanizmie piszemy w artykule Automatyczne synonimy wyszukiwania.

Inteligentne sugestie wyszukiwania

Funkcja autocomplete znacząco poprawia doświadczenie klienta — pozwala szybciej dotrzeć do poszukiwanych produktów. Najlepsze sugestie powstają na podstawie historii zapytań, ale w nowym sklepie tych danych brak. AI rozwiązuje problem zimnego startu, generując trafne sugestie na podstawie danych produktowych.

Dodatkowa korzyść: sugestie wygenerowane przez AI są „spięte" z konkretnymi produktami. Przed wdrożeniem fraza „okulary czerwone soczewki" zwracała okulary z czerwonymi oprawkami, ale szarymi szkłami — bo słowo „soczewki" występowało w opisie każdego produktu. Po wdrożeniu mechanizmu sugestii fraza działa precyzyjnie: klient najpierw otrzymuje okulary faktycznie z czerwonymi soczewkami.

Po lewej: „okulary czerwone soczewki" zwraca okulary z czerwonymi oprawkami i szarymi szkłami. Po prawej: autocomplete prowadzi klienta do dokładnych dopasowań.

Wzbogacanie danych ze zdjęć produktowych

Właściciele sklepów często pomijają w opisach cechy, które wydają im się oczywiste, bo są widoczne na zdjęciach — np. „cienka oprawka", „okrągłe szkła" czy „matowe wykończenie". AI analizuje zdjęcia produktowe i dodaje takie cechy do indeksu wyszukiwania, dzięki czemu klient może je znaleźć nawet gdy właściciel zapomniał o nich napisać.

Tę technikę szczegółowo opiszemy w kolejnym studium przypadku, na przykładzie branż, gdzie ma ona szczególnie duże znaczenie — moda i meble.