电子商务与 AI¶

历史上的产品列表

随着时间推移，产品所有者越来越受益于实体搜索这一概念。随着 AI 处理技术的引入，Google（以及其他搜索引擎）已将内容向量化为各种概念，正如第 3 章“搜索、个性化与 SEO”所介绍的那样。

知识图谱出现后，网站不再需要为每种颜色、尺寸和商品的组合分别设置独特的 URL、独特的文案，以及独特的标题和元标签，才能在 Google 中针对这些属性获得排名。不同 URL 之间的重复内容可以通过 rel="canonical" 标签进行控制。如果你不熟悉这个标签，它可以让网站所有者将相似内容归为一组。比如，你有一件提供蓝色、黑色、红色和绿色的衬衫，就可以为这件衬衫创建一个页面，并使用规范化回基础 URL 的参数来标识衬衫的不同颜色。

例如，https://www.site.com/shirt?color=green 会规范化为：rel canonical="https://www.site.com/shirt"。

然后，当 Google 针对“green shirt”这样的查询为这件衬衫排序时，它可以决定将访客引导至已选择绿色衬衫的页面，或者引导至尚未选择颜色、但显示可选择绿色选项的主页面。

这至少消除了为每种颜色创建带有定制文案和标签的专门页面的需要，但款式怎么办？一件衬衫可以有多种款式（例如女款剪裁、T 恤、背心、长袖），但你是否需要为每种款式分别创建页面？不同的衬衫设计又该如何处理？和 SEO 中的许多问题一样，答案是“视情况而定”。你必须考虑其他因素，例如是否需要分别跟踪每种款式和颜色，是否希望提供可分享且对应特定款式或颜色的链接，以及某种商品缺货时该如何处理。

借助 AI 的产品列表

AI 可以帮助处理所有这些问题。支持 AI 的电子商务平台可以根据库存、供货情况、配送时间、销售情况，或所需的任何变量组合，向客户生成相应的信息。尽管一些优秀的电子商务平台在 AI 出现之前就已具备这项功能，但实现方式并不一致，而且需要大量手动配置。网站所有者能够使用的配置数量和组合也受到限制。借助支持 AI 的电子商务，配置不再是预先选定的；它们可以即时构建，甚至可以包含个性化信息，例如“你已经购买了这件绿色 T 恤”（前提是客户之前购买过该商品）。

营销团队应利用 AI 的能力，简化编写标题和元描述标签、将用户行为或购买历史与客户进行匹配，以及生成简单产品描述等流程。和 AI 的其他应用一样，这也需要人工监督。下面是一个例子：当我们要求 ChatGPT 为 12 种产品组合生成“标题和元描述”时，它为长袖衫撰写了以下内容（图 9.1）。这些描述或许可以用于介绍 T 恤，但并不十分吸引人。它们没有包含关键的价值主张，还提出了一些可疑的说法，例如长袖 T 恤“适合全年叠穿”。

我们可以向生成式 AI 工具提供更多信息，让它更好地围绕我们的价值主张来组织内容，但它仍可能提出奇怪的说法。例如，图 9.2 中称背心“适合工作场合”，这就不太可能成立。大多数工作环境都不够休闲，不会允许男性穿白色背心。此外，ChatGPT 突然认定（产生了幻觉）这件背心是罗纹面料，而我们并没有提供这一信息。

正如这两个简单例子所示，即使只是编写元标签，也不能让生成式 AI 工具自行创作内容。人工事实核查仍然必不可少。不过，只要设置严格的参数，进行一些预训练（例如品牌训练），并持续纠正错误，就可以让生成式 AI 工具快速生成大量标题标签和元描述。只要由熟悉产品和品牌的人在上线前进行审核，就能节省大量时间。

产品描述也是如此。借助生成式 AI 工具，可以快速生成质量尚可且具有足够差异化的文案。不过，仍然需要人工监督，以避免类似问题：相似产品之间的内容重复、伦理和法律方面的考量，以及无关紧要的问题解决方案，例如在 160 度的高温下夜间驾车（第 4 章“真实性与权威性”）。

支持 AI 的网站导航

实时个性化最令人兴奋的地方，或许在于它让品牌真正开始将产品视为内容簇，而不是一个个独立实体。在大多数电子商务公司中，构建扁平的网站架构和导航始终是一项挑战。以地板为例，地板有乙烯基地板、木地板和瓷砖等类型，之后还有子类型和具体用途类型。在乙烯基地板这一类型中，可能有豪华乙烯基 plank（LVP）这一子类型，同时还具备防水这一用途类型。在为单个产品设计导航结构时，往往需要将它归入多个类别。例如，某种乙烯基产品可能属于 LVP、防水且耐刮擦（但并非完全适合宠物家庭），并且自带垫层。对于这样的产品，传统的导航布局可能如图 9.3 所示。

借助 AI 驱动的客户细分，可以根据多个因素缩小客户的需求范围。例如，客户可能知道自己想要防水乙烯基地板，却不确定具体选择哪种产品。通过客户的其他数据，我们知道他们已经确定要选择棕色系的产品。因此，我们不必再向他们展示以产品为中心的体验，而是可以根据其具体需求，实时呈现经过优化的页面。用于构建页面的元素可能会变成类似图 9.4 的样子。

过去从未有可能为每一种组合都创建一个页面，但随着由 AI 驱动的新技术出现，个性化客户细分成为可能。

你可能会想，这与更传统的筛选选项侧边菜单有什么不同。答案是，其实并没有本质区别；只是你替客户完成了筛选工作，而不是让他们自己筛选。

如果将这一理念扩展到把页面内导航用作一种轮毂辐条式结构，你就可以根据客户的需求，在每个类别区块中提供不同的精选商品。

Gap Inc. 已经在这样做了。两名不同的用户在两个不同的会话中与同一页面互动：一名用户将鼠标悬停在长款连衣裙上，另一名用户则将鼠标悬停在短款连衣裙上。随着用户向下滚动页面，系统会根据他们之前悬停查看的商品加载更多产品。Gap 会根据这些用户行为，实时替换每一行中加载的产品。图 9.5 和图 9.6 展示了两个会话中显示的产品。正如你所见，两个会话中每一行的前两件产品存在明显差异。

通过关注用户点击了哪些色样，以及将鼠标悬停在了哪些产品上，系统已经识别出图 9.6 中的用户对蓝色短款连衣裙感兴趣。如果再将这些信息与已登录用户的详细客户数据结合起来，可以想象产品选择会强大得多。利用 AI 预测客户需求，并在单个会话中调整产品选择，体验将会更加精准；而随着客户满意度提高，销售额也必然会随之增长。

个性化体验

Sephora 在此前所描述的个性化网站体验方面表现出色，但其产品覆盖各种肤质、需求和颜色，范围之广有时令人应接不暇。分析数据显示，即使是回头客，也很难在如此丰富的产品中进行浏览。Sephora 原有传统的排序和筛选导航系统，但仍不足以满足客户需求的特定组合，例如抗衰老与干性皮肤，或只选择纯素产品。通过使用 AI 神经网络和深度学习分析所有可用数据，Sephora 得以创建几种常见的客户画像，从而提供真正个性化的体验。

与更传统的用户画像创建方式不同，这些画像不会一直保持不变，直到营销团队对其进行调整。相反，AI 技术会根据可用数据，甚至根据季节和客户所在位置，持续实时更新并重新创建这些画像。Sephora 还会纳入 Beauty Insider 计划中的数据，从而为长期客户提供定制化体验。他们可以根据客户试用过或最近购买的产品、肤质、年龄或习惯来定制体验。

根据 Digital Defynd 发布的案例研究，这套 AI 驱动的系统取得了很大成功：

• ◆ 平均订单金额（AOV）提高了 25%

• ◆ 回头客增加了 17%

• ◆ 购买完成率提高了 3.2 倍

• ◆ 跨品类销售额增加

• ◆ 根据客户调查，客户满意度提高了 20%

不久，丝芙兰希望增加对客户可能已经用完、需要补货的产品的推荐。这将预判客户需求，并有望随着时间推移提高平均订单金额（AOV）。

AI 驱动的搜索

站内搜索工具借助自然语言处理（NLP），能主动识别拼写错误、同义词和语义相关关键词之间的联系与相似之处，无须人工逐一添加。较好的工具还会记录用户搜过什么，以及 AI 将用户引向了哪些页面，供人工检查结果是否准确，并向 AI 提供反馈，帮助它改进后续搜索。最好的工具还会结合用户行为调整搜索结果，例如留意用户是否立即离开页面、重新搜索，或对搜索结果提供反馈。

AI 图像处理

利用 AI 改进站内搜索的另一大好处，是它处理图像的能力。虽然 AI 生成图像的效果仍有很大的提升空间，但它识别图像内容已相当出色。因此，如果用户搜索“棕色斗柜”，而商品标注的颜色名称是“栗色”，AI 仍能判断图片中的家具是棕色斗柜。若采用非 AI 搜索方式，商品运营人员就得为该商品手动添加“棕色”这个关键词，才能实现同样的搜索体验。

结构化数据

对于任何企业级搜索解决方案，结构化数据都是影响站内搜索的关键因素。人们通常称其为 schema，尽管严格来说，schema 只是结构化数据的一种。Schema 是应用最广泛的结构化数据形式，其规范见 schema.org。Schema 标签用于向爬虫提供机器可读的数据；这些爬虫可能来自搜索引擎，也可能服务于生成式 AI 工具。Schema 写在网页的底层代码中。

正如第 3 章所述，结构化数据是运用生成式 AI 工具的一个重要机会。尤其在电子商务领域，为图像添加清晰的标签，可以显著提升站内搜索工具的效果。虽然大多数图像结构化数据标记旨在优化富媒体搜索结果，让图像随食谱、文章作者等搜索结果一同显示，但使用替代文本（alt text）等清晰的标签来优化图像，仍然十分重要。Google 的帮助文档介绍了如何实现图像结构化数据⁴，同时也引导读者参阅更一般性的“文本中的图像优化”文档。⁵

4 https://developers.google.com/search/docs/appearance/structured-data/recipe#recipe-properties

5 https://developers.google.com/search/docs/appearance/google-images

总之，可以通过结构化数据、标签和图像最佳实践等多种方式来优化图像与内容。这些方法都能让网站内容更容易被索引和搜索到。利用 AI 工具简化这些标签添加流程，可以节省大量时间。

语音搜索与视觉搜索

可搜索性的最后一个方面，是让内容能够通过语音搜索和 Google Lens 等视觉搜索引擎被发现。图像搜索对电商购物和比价至关重要，而语音搜索对所有搜索用户都很重要。使用结构化数据，尤其是 schema，可以显著提高品牌在 Google Home、Amazon Alexa 和 Apple Siri 等语音搜索应用，以及 Google Lens、TinEye 和 Lenso.ai 等图像搜索应用中被发现和收录的机会。这些标签同样能提高品牌出现在生成式 AI 结果中的可能性，这并非巧合。

随着用户越来越多地使用具备语音搜索和视觉搜索功能的应用与工具，有效使用这些结构化数据和 schema 标签将变得更加重要。虽然这些搜索方式可能还要过一段时间才会大规模普及，但利用 AI 辅助编写 schema，也能帮助你的网站更频繁地出现在 AI 搜索结果中。

标记可疑交易

电商中一种非常常见的欺诈形式是假交易。恶意行为者会在网站上发起购买，却从未打算完成交易；或者完成交易，却根本无意付款。有时，开始使用购物车是为了自动收集价格数据、抓取网站上可用的优惠码，甚至测试从暗网获得的信用卡号码。这会在分析数据中制造大量噪声，让人误以为购物车放弃率或交易流失率远高于实际水平。

在这些情况下，AI 可能成为出人意料的盟友，帮助发现一些模式，而这些模式并不是虚假用户代理或与真实用户不匹配的 IP 地址等典型指标。某些 CDN 会在第一道防线中使用 AI，识别多个网站上的这类模式，并据此更新其在所有网站上的检测系统。在 LL Flooring 工作期间，我们有幸与一位出色的数据分析师合作，她能够发现 CDN 遗漏的这类模式。一个例子是，她发现某个恶意行为者不断更换 IP 地址攻击网站，而其使用的不同用户代理却始终采用同一种异常的显示分辨率：1400 x 1300。她在 Google Analytics 中设置了细分受众群体，将这些会话从所有报告中过滤掉，从而让数据清晰了许多。

虽然我们无法彻底阻止这个恶意行为者，但我们通过 CDN／主机设置了“挑战”机制，限制其能够访问的内容。这种带有异常关联的人工欺诈检测案例，为 AI 工具大规模发现类似关联提供了绝佳机会。不过，和 AI 的其他应用一样，务必确保 AI 工具的任何更改都经过人工监督，否则你可能会屏蔽一大批重要客户，甚至误伤搜索引擎。

保护数据免受 AI 爬虫抓取

品牌还必须考虑一个问题：他们愿意让 AI 抓取多少数据。生成式 AI 工具通过抓取信息并将其添加到自己的大语言模型中来运作，因此最终形成的通常是一组经过匿名化处理的信息；即使它们想要追溯，也无法将这些信息与特定网站关联起来。

Cloudflare 最近宣布了一种可能的解决方案。他们计划默认阻止 AI 爬虫。对于希望被生成式 AI 工具发现的品牌来说，这并不是好主意；但与此同时，他们也为出版商提出了一个有趣的可能解决方案。

Cloudflare 的设想是建立一套“按抓取次数付费”机制：AI 工具每次从网站抓取内容，都必须支付费用。我们同意，内容创作者应当以某种方式获得劳动回报，而 AI 抓取网上的通用信息，再通过大语言模型复述出来，并非良性的长期方案。不过，向 AI 爬虫收取部分网络内容的访问费，也可能带来不少问题，包括内容更新频率、潜在的恶意行为者，以及 AI 工具与出版商之间由此形成的“胆小鬼博弈”。谁会先让步？是希望 AI 工具在回答用户问题时引用其内容的出版商，还是需要这些内容来提供优质产品的工具开发商？我们以前见过类似的博弈，最终获胜的是 Google。

致企业高管：现在就开始权衡其中的风险与回报。确定对你的网站和公司来说，哪一种更重要：允许 AI 工具开放获取信息，还是通过付费模式控制访问，而 AI 工具可能选择不参与这种模式。

我们的建议是，认可内容被 AI 工具和 AIO（AI 概览）收录的价值；为探索新的衡量方式而暂时承受一些麻烦，是值得的。第 8 章对此提供了更多思考。

声誉风险

对电商至关重要的另一类风险与欺诈问题是评论。评论既包括平台上的第一方产品评论，也包括第三方网红评测，甚至社交媒体上的评论。

正如第 4 章所述，声誉是影响搜索表现的关键因素；在生成式 AI 中，它的重要性有望不减，甚至可能更高。

因此，企业必须密切关注品牌舆情的变化趋势，并竭尽所能防止虚假评论蔓延。多年来，企业一直可以使用社交媒体和评论监测工具，留意包含负面信息的提及和链接。AI 带来的新技术让这种能力更进一步。生成式 AI 工具相当擅长识别负面情绪，也能发现虚假评论并主动报告。