W ostatnich latach Morele.net intensywnie inwestuje w nowoczesne technologie, takie jak sztuczna inteligencja (AI), modele językowe (LLM) oraz uczenie maszynowe, aby zwiększyć efektywność operacyjną, poprawić jakość obsługi klienta i zoptymalizować koszty.
Technologie te wspierają kluczowe obszary działalności firmy, w tym obsługę klienta, marketing, tworzenie oraz tłumaczenie treści, a także szeroko pojętą logistykę. Dzięki temu firma konsekwentnie podnosi jakość swojej oferty oraz dynamicznie reaguje na zmieniające się potrzeby rynku. Codziennie pracownicy Morele.net korzystają z zaawansowanych rozwiązań AI, maksymalizując wydajność i skuteczność swoich działań. Przedstawiamy szczegółowe omówienie wdrożeń technologicznych, które znacząco wpłynęły na sposób funkcjonowania firmy.
Personalizacja doświadczenia zakupowego
Naszym celem jest precyzyjne dostosowanie doświadczenia zakupowego do indywidualnych preferencji klientów. Aby to osiągnąć, wdrożyliśmy zaawansowane narzędzia AI oraz systemy rekomendacyjne, które analizują historię zakupów i przeglądane produkty, co umożliwia generowanie spersonalizowanych rekomendacji zakupowych.
Punkt wyjścia: pierwotnie korzystaliśmy z prostych systemów rekomendacyjnych opartych na bazach grafowych oraz wyszukiwarki elasticsearch, które łączyły produkty z użytkownikami na podstawie podstawowych zależności. Były to proste powiązania – produkty były proponowane głównie na bazie wcześniejszych zakupów, co zapewniało podstawowy poziom personalizacji. Organizacja doszła jednak do wniosku, że zaawansowane rozwiązania mogą umożliwić bardziej precyzyjne dopasowanie oferty do oczekiwań klientów.
Poszukiwania: w procesie poszukiwań zdecydowaliśmy się na modele rekomendacyjne oparte na sieciach neuronowych, dostarczane przez Google na platformie GCP. Po uzyskaniu pozytywnych wyników z pierwszego testowanego modelu, który zwiększył CTR o 50%, przeprowadziliśmy dalsze testy innych rozwiązań, aby wybrać najlepsze dla naszego ekosystemu. Finalnie wdrożyliśmy model „Polecane produkty”, co przełożyło się na wzrost CTR o 150% względem poprzedniego systemu. Korzystając już z rozbudowanego ekosystemu rekomendacyjnego w GCP, zdecydowaliśmy się również na przetestowanie silnika wyszukiwania Google opartego na tych samych źródłach danych. Jego wdrożenie pozwoliło na zwiększenie liczby przejść z wyszukiwarki na karty produktowe o 40% oraz wzrost CTR o 15%. Dzięki temu stworzyliśmy system, który w sposób ciągły dostosowuje ofertę do dynamicznie zmieniających się potrzeb klientów.
Optymalizacja procesu integracji produktów – rewolucja w automatyzacji indeksacji
Jako organizacja stanęliśmy przed wyzwaniem usprawnienia procesu integracji produktów i zmniejszenia liczby indeksów oczekujących na przetworzenie. Indeksy te, dostarczane przez zintegrowanych dostawców, stanowią podstawę do tworzenia nowych produktów. Niestety, dostarczane dane były ograniczone – zawierały jedynie kod EAN, nazwę oraz sporadyczne informacje o producencie, co wymagało czasochłonnego ręcznego uzupełniania przez operatorów, powodując zatory i ograniczając możliwości. To oznaczało, że dodanie nowej oferty mogło trwać nawet sześć miesięcy.
Punkt wyjścia: wcześniej procesy integracyjne opierały się na pracy ręcznej oraz prostych skryptach. Pracownicy ręcznie dodawali miesięcznie ok. 40 000 indeksów, podczas gdy skrypty przetwarzały kolejne 200 000. Mimo to miesięczny przyrost nowych indeksów przekraczał 350 000, a kolejka indeksów osiągnęła poziom 1 850 000. System działał na granicy przepustowości, a zaległości stale narastały.
Projekt i wdrożenie: w kwietniu rozpoczęliśmy projekt pełnej automatyzacji procesu integracji, wykorzystując narzędzia uczenia maszynowego oraz modele językowe LLM, które umożliwiły automatyczne przypisywanie indeksów do odpowiednich kategorii oraz producentów, eliminując konieczność ręcznego sortowania. Projekt ten, skupiony na maksymalnym wykorzystaniu AI, przyniósł automatyzację na skalę dotąd niespotykaną w branży.
Rezultaty po zakończeniu projektu
We wrześniu automatycznie dodano 430 000 indeksów, a w październiku kolejne 290 000. Dzięki temu liczba indeksów oczekujących na przetworzenie zmniejszyła się z 1 850 000 do poniżej 100 000, a nowo dodawane indeksy są przetwarzane na bieżąco i bez opóźnień.
Korzyści i dalsze kroki
Wdrożenie projektu zautomatyzowanej indeksacji przyniosło znaczącą poprawę efektywności operacyjnej oraz umożliwiło pełne zarządzanie procesem indeksacji w czasie rzeczywistym. Udoskonalenie to wzmocniło przewagę konkurencyjną firmy i otworzyło nowe perspektywy, w tym możliwość automatyzacji generowania treści produktowych, co z pewnością będzie przedmiotem kolejnego studium przypadku.
Czytaj też: