Kunder søger ikke altid med de ord, der står i produktkataloget. De skriver “en stille støvsuger til lejlighed”, “sko til ømme fødder” eller “gave til en 12-årig”. AI kan hjælpe med at forstå hensigten, men produktfakta skal stadig komme fra godkendte data.
Den bedste løsning kombinerer semantisk forståelse med filtre, lagerstatus og klare forretningsregler.
Hvor almindelig webshop-søgning fejler
Klassisk søgning matcher ofte konkrete ord. Hvis kunden bruger et synonym eller beskriver et behov, kan resultatet blive tomt eller irrelevant. Samtidig kan dårlige produktnavne, manglende attributter og uens kategorier gøre selv en moderne søgemotor svag.
AI kan ikke reparere et produktkatalog, virksomheden ikke selv forstår. Start derfor med data.
Gør produktdata klar
- ensartede kategorier og mærker
- mål, farver, materialer og kompatibilitet i egne felter
- klare beskrivelser uden modstridende oplysninger
- opdateret pris og lagerstatus
- synonymer og kundernes egne ord
Læs mere i vores guide om AI til produktdata og kundeservice.
Brug AI til at forstå behovet
AI kan udtrække egenskaber fra en naturlig sætning. “Let regnjakke til cykling under 1.000 kroner” kan blive til kategori, aktivitet, vægt, vejr og prisgrænse. Derefter søger systemet i de faktiske produktfelter.
Modellen bør ikke selv opfinde, hvilke produkter der passer. Den skal oversætte behovet til kontrollerede filtre og hente resultater fra kataloget.
Kombinér semantisk søgning og filtre
Semantisk søgning finder produkter med lignende betydning. Filtre sikrer hårde krav som størrelse, lager, pris og kompatibilitet. Rangeringen kan derefter tage højde for relevans, tilgængelighed og virksomhedens regler.
Vis aktive filtre til kunden, så det er tydeligt, hvordan søgningen er forstået. Giv mulighed for at ændre en antagelse med ét klik.
Forklar anbefalingen uden at overdrive
Skriv eksempelvis “Matcher dit ønske om lav vægt og vandafvisende materiale”. Brug kun egenskaber, der findes i produktdata. Undgå superlativer og helbredspåstande, som kataloget ikke dokumenterer.
Mål om søgningen faktisk hjælper
- andel søgninger uden resultater
- klik på de første resultater
- brug af filtre efter søgning
- tilføjelser til kurv og køb
- returneringer på grund af forkert match
- henvendelser til kundeservice efter søgning
En høj klikrate er ikke nok, hvis kunderne ender med at returnere varen.
Test svære forespørgsler
Lav et testsæt med stavefejl, synonymer, meget brede ønsker, uforenelige krav og produkter, der ikke findes. Systemet skal kunne sige, at der ikke er et præcist match, og foreslå en ærlig afgrænsning.
Personalisering kræver omtanke
Historik kan forbedre anbefalinger, men brug kun data med et klart formål og gyldigt grundlag. Lad ikke følsomme antagelser styre resultatet. Giv kunder mulighed for at forstå og nulstille personaliseringen.
Start med de søgninger, der allerede taber kunder
Find de hyppigste søgninger uden resultater og de kategorier, hvor kunder bruger mange filtre. Test en ny søgelogik på en begrænset del af webshoppen. Sammenlign med den eksisterende løsning, før den rulles bredt ud.
Læs også om konverteringsoptimering og API-integrationer. I AI Problem Lab kan I beskrive webshoppen og få et forslag til en testbar søgepilot.
