顾客只能购买他们找到的商品。通过超个性化，他们能找到自己想要的东西。为此，商家必须识别他们的意图。
无论是首次还是再次访问在线商店，用户通常不会立即购买。数据显示，超过三分之一的用户在完成购买前会访问3至4次，甚至有40%的用户访问5次及以上。
这究竟是坏消息还是好消息？Lucidworks在对超过120家在线商家的调查中得出结论：答案取决于店主如何利用这一点。
解读并评估线索
好消息是，用户在每次访问时都会留下大量线索。即使未登录或未提供个人信息，仅凭搜索行为也能产生可被收集评估的信号：用户在搜索框输入了什么？对哪些商品感兴趣？使用了哪些过滤器？点击或忽略了哪些内容？在哪些页面跳出？巧妙设计的聚类和分类算法能帮助商家更好地理解客户意图。
若希望利用这些知识提升销售额，商家还需确保客户在第4或第5次回访时最终完成购买，而非流失到只需一键即可到达的竞争对手店铺。
深入了解每一位客户
当顾客感到被理解时，便会反复光顾。因此，关键不仅在于了解每个人的意图和需求，更在于据此提供购物体验。艺术之处在于让顾客不将其视为刻意表演，而是理所当然的体验，个性化的店铺推荐最能实现这一点。
需明确的是，仅根据地区需求推送优惠（如在降雪地区显示雪铲）远非真正的个性化，这只是基础逻辑。针对当前感兴趣商品的推荐也尚显不足，常见的“看过此商品的人也看了”是基于全体用户行为分析得出的，并未反映具体客户的个人偏好。
如今电商中的个性化指的是“超个性化”（Hyper-Personalization）。例如，喜欢蓝色且常去健身房的客户，在访问网店和接收资讯时，应获得与其需求和习惯完全匹配的优惠。这需要系统收集、汇总并通过AI方法分析评估其留下的所有信号。
购买始于搜索与发现
回到起点——顾客首次访问并迈出购买第一步的场景。许多人首选搜索功能，但往往因无结果或结果不相关而失望离开，且很可能不再回头。
因此，商店搜索功能必须展现最佳状态。这不仅关乎长期客户忠诚度，更是为了切实提升导向产品页的转化率。毕竟，顾客只能购买他们能够找到的商品。
解决方案同样在于理解顾客意图。单纯匹配关键词易导致误解：拼写错误无结果是运气不佳；若输入“Auto”（汽车）却只有输入“Pkw”（乘用车）才有结果，零售商错过的将不止一次机会。
为识别顾客真实需求，可采用多种自然语言处理（NLP）方法。深度学习便是其一：商店可根据用户对搜索结果的反馈，学习输入词语的含义。随着越来越多用户输入完整问题而非单个词汇，该方法将愈发重要。
缺乏容错能力只是搜索缺陷之一。为让顾客快速轻松找到所需而非感到沮丧，商家应对搜索结果进行排序优化，例如按类别排序并将最相关内容优先展示。
客户体验不是可有可无的附加项
特殊情况绝不能成为忽视购物体验的借口，这必须始终处于最高优先级。若顾客找不到想要的东西就无法购买；若无量身定制的推荐，他们会转向精通此道的商店。
近年来，在线购物普及度显著提升。现在比以往任何时候都更重要的是，让顾客能快速、简单地找到所需产品，使在线购物过程令人愉悦，从而转化为忠实客户。
关于作者
Michael Marheineke 是 SHI GmbH 的管理层成员，四十年来一直致力于帮助希望借助 IT 拓展业务的企业。他运用自己多方面的能力，确保这些企业实现可持续增长。自 2013 年起，他在 SHI 负责搜索与分析领域。