当一位顾客网购了一双初冬大衣，交易完成后，接下来的三周里每条推荐位几乎都在展示相同产品。系统正确识别了一种兴趣，但它忽略了意图的变化。这位顾客现在可能需要手套、护理产品、配套穿搭，或者什么都不需要了。
这就是"识别行为"和"理解顾客"之间的区别。
多年来，零售商一直使用推荐引擎来提升商品发现、交叉销售和转化率。生成式人工智能（GenAI）为将这些体验变得更加敏捷提供了新的机会——通过综合购买历史、浏览行为、商品信息、评论、搜索活动和顾客上下文。目标不应止步于产生更多推荐。零售商需要的系统，能够在恰当的时机识别出什么是有用的，而不会让购物体验变得狭窄或让顾客觉得被过度监控。
个性化的商业价值取决于相关性、时机、多样性和信任。
个性化应解读意图，而非重复历史
传统推荐系统通常通过识别相似性来运作。顾客可能会被展示那些浏览或购买模式相似的人所购买的商品。这些方法可以很有效，尤其是当零售商拥有大量交易数据时。但过去的行为并不总能解释当前的意图。
一位顾客可能在多次访问同一款昂贵家电的页面后，仍未准备好购买。一位父母购买的童装可能并不反映他们自身的偏好。一次礼物购买可能会扭曲顾客的画像。季节性需求、预算和一次性事件都会使历史活动对下一次决策的参考价值变得有限。
人工智能系统可以整合更广泛的信息，包括商品描述、评论、顾客提问、搜索语言和情感倾向。这些信号能帮助系统理解一款商品为什么可能有价值，而不只是依赖顾客之前点击了什么。
美国零售联合会已经指出零售商如何运用AI进行商品发现、客户服务、推荐和更个性化的数字体验。最有价值的应用是帮助顾客完成一个决策，而不是简单地增加他们面前的商品数量。
因此，零售商应该衡量的不仅仅是点击率。他们还应考察个性化是否减少了搜索时间、改善了商品匹配度、支持了发现、提升了复购率或减少了可避免的退货。
零售商还必须区分两类信号：一类反映顾客当下想要什么，另一类描述长期偏好。实时行为——如搜索、筛选、加入购物车和浏览商品的时间——能够揭示即时意图，可能比更早期的购买历史更有权重。这正是实时事件流（real-time event streaming）的价值所在。顾客的实时行为不再等待批量处理，零售商可以在关键行为发生时立即更新推荐。如果有人购买了一件初冬大衣，系统可以立即降低大衣的推荐权重，转而推荐配套商品或购买后的相关信息。
更好的推荐需要更好的零售数据
AI 并不能解决商品和顾客数据碎片化的问题。它往往更快地暴露出这些弱点。推荐系统依赖于准确的商品信息、实时库存、一致的顾客身份和可靠的行为信号。当商品描述不完整或品类分类不一致时，系统可能理解顾客，却仍然推荐了错误的商品。
渠道割裂会制造另一个问题。一位顾客可能在线上研究、在实体店购买、联系了客服，但随后收到的推荐却无视了大部分这些历史。这种体验让人觉得重复，因为零售商的系统之间没有共享足够的上下文。
因此，个性化应被视为一种零售数据和架构能力，而非一个网站功能。顾客画像可能需要整合搜索行为、商品浏览、交易、会员互动、客服对话、退货和门店活动等（视情况而定）。商品数据也需要足够的细节来支撑有意义的比较。时装零售商可能需要尺码、面料、风格和场合的信息。家居零售商可能需要尺寸、兼容性、材质和房间场景信息。
这些数据集之间连接的质量，决定了推荐的有效性。坚实的数据基础还可以支持需求预测、库存分配、本地化商品策划和客户服务。
数据还需要保持实时性。顾客偏好会变化，商品会售罄，价格会波动，趋势发展迅速。基于过时信息训练的系统，可能继续推广已不可用或不相关的商品。
推荐系统还应该能够处理不确定性。新顾客、匿名访客、共享账号和相互矛盾的信号永远不会产生完美的画像。在这些情况下，更广泛的商品发现可能比强行给出一个狭窄的预测更有用。
相关性不能以牺牲信任为代价
当顾客不理解他们的信息如何被使用，或觉得体验已越界进入监控时，个性化就失去了价值。
零售商可以获取详细的信号——包括购买记录、浏览行为、位置、被放弃的购物车、设备行为和会员历史。但能够收集一个信号，并不意味着它适合用于每一条推荐、促销或定价决策。
美国联邦贸易委员会（Federal Trade Commission）曾审查企业如何利用个人特征和行为来定制价格和优惠，引发了对隐私、透明度和公平性的关注。零售商应该明确区分两种用途：利用顾客信息来改善商品相关性，与利用这些信息做出顾客可能视为隐蔽或歧视性的决策。
同意机制和控制方式需要易于理解。顾客应该知道自己的信息如何改善推荐，并拥有管理这些偏好的实际途径。为一个目的收集的数据，不应自动被视为可用于未来的每一个AI用途。
零售商还需要监控推荐系统是否出现了过度收窄。持续展示同一种风格、价格段或品类，可能限制发现并强化对顾客的不完整认知。多样性应当被设计到体验之中。这既是商业问题，也是合规问题。
随着顾客随时间提供更多信号，个性化会得到改善。但当信任受损时，顾客可能选择退出、提供更少的信息，或转向那些做法感觉更透明的零售商。
顾客还应该能够轻松更改偏好、关闭某些类型的个性化，或重置不代表其通常兴趣的临时行为（例如为礼物购物）。将这些控制机制视为顾客体验的一部分，而非藏匿在隐私政策中，能让个性化感觉更有用而更少侵入性。
人工智能可以让零售推荐变得更敏捷、更具对话性、更有用。从中受益的零售商将把技术与一个明确的顾客问题连接起来，以可靠的数据支撑它，并以审慎的方式使用行为信息。
最好的个性化体验，是帮助顾客用更少的精力做出更好的决策。
