Подбор оборудования руками ИИ (ChatGPT)
Любая компания, которая продает хотя бы слегка сложные товары или имеет большой ассортимент однотипных товаров, сталкивается с проблемой подбора. Когда приходит клиент, описывает свою проблему и просит подобрать инструменты для ее решения. Конечно, бывают и другие ситуации, когда клиент просит подобрать аналог инструмента, которым он уже пользовался. Особо это стало актуально после того, как с рынка РФ ушла значительная доля зарубежных поставщиков. Запросы на аналоги появились практически во всех сферах.
Почему так важны подборы?
Когда ты работаешь с B2B рынком, все B2C проблемы утраиваются :). Придя в магазин (например, строительный), ты видишь перед собой огромный ассортимент инструментов. Кто-то заранее, кто-то в самом магазине пытается найти отзывы по нужным инструментам, кто-то ищет, какими вообще типами инструментов решить свою проблему. Но намного быстрее и надежнее — это обратиться к продавцу-консультанту. К консультанту, который не просто знает, на какой полке лежит тот или иной товар, а знает, что это за товар, для чего он нужен, как его применять, а самое ценное, что он даже сам им пользовался или может посоветовать товар, которым он пользовался. Именно по этой причине так популярен "зеленый" строительный магазин.
Люди всегда хотят получить товар, который будет идеален по соотношению цена-качество и без затрат личного времени на поиски. В B2B рынке такая же ситуация. Отделы закупки получают ТЗ на оборудование. Далеко не всегда это ТЗ содержит конкретную номенклатуру или даже характеристики оборудования. Конечно, сотрудник отдела закупки не будет тратить дни на то, чтобы найти на просторах интернета какое оборудование подходит под это ТЗ, отзывы о оборудовании и т.д. Он просто делает веерную рассылку по основным поставщикам и ждет, чье предложение будет с лучшим соотношением цена-качество. Если поставщик отправляет всегда дорогие товары или ненадлежащего качества, то таких поставщиков просто исключают. А при лучшем соотношении цена-качество, поставщик может выйти на прямые закупки, несмотря на конкурсный вид закупок...
Поэтому подбор — это неотъемлемая часть продаж на B2B сектор, и его качество влияет на объемы продаж самым прямым образом :)
Как сейчас делаются подборы инженерами?
В нашей ситуации подборы делятся на следующие типы:
- Клиенту нужен аналог товара, который ранее продавали.
- Клиенту нужен аналог товара, который не продавали.
- Клиент просит подбор по четко описанным характеристикам товара.
- Клиент описывает только свою проблему и просит подобрать инструмент.
- Вопросы по конкретному товару.
Как сейчас решают эти типы подборов инженеры:
- Чаще инженер уже сразу знает характеристики нашего товара и быстро предлагает аналог. Или берет аналог с нашего сайта. Иногда прибегает к информации о товаре у вендора. Получается, в большинстве случаев он использует личную БД (в голове).
- Инженеру приходится изучить описание товара на просторах интернета, потому что это не наш товар, и после этого определить аналог из нашей номенклатуры. Тут получается гибрид - Интернет+личная БД.
- Хорошо зная нашу номенклатуру, инженеру не составляет труда быстро подобрать товар по характеристикам. Использование личной БД.
- Чаще всего требуются уточнения у клиента деталей. Если клиент не описывает характеристики товара, значит, он ранее не часто решал описанную проблему и не знает нюансов по оборудованию. Консультация + личная БД.
- Чаще всего это непростые вопросы по оборудованию. Инженеру требуется информация из документации, от продакта или запрос вендору.
Делегируем задачи ChatGPT
Задачи, которые надо решить перед этим:
- Анализ запроса клиента.
- Поиск наиболее подходящих товаров среди нашей номенклатуры на основе запроса клиента (сужаем поиск для ChatGPT).
- Преобразование суженной выборки в формат для ChatGPT.
- Отправляем — получаем ответ от ИИ в нужном нам формате.
- Обогащаем ответ ИИ информацией из наших учетных систем для оформления КП.
Анализ запроса клиента
Все, что касается анализа контекста, ChatGPT справляется отлично! Т.е., мы без труда можем вытащить из любого оформления запроса клиента список оборудования, который он хочет, в удобном нам формате и основных характеристик.
Что мы и сделали.
На первом шаге мы, используя отдельный промпт, формируем таблицы товаров и их описание в MarkDown (MD) формате для использования ее на следующих шагах.
Важное замечание
Использование форматов JSON, CSV, XLS и т.д. приводит к трате огромного количества токенов в запросе в ChatGPT. В эти форматы входит очень большое количество вспомогательных символов, которые добавляют объема и замедляют работу модели. ChatGPT отлично понимает структуру MD. Поэтому MD заменяет сложную вложенность JSON, табличное представление XLS и CSV и т.д. Вложения из запросов мы также преобразовываем в табличное представление MD.
Поиск наиболее подходящих товаров среди нашей номенклатуры на основе запроса клиента (сужаем поиск для ChatGPT)
Эту задачу мы пробовали решать тремя подходами:
- По аналогии с нашей предыдущей задачей, применяя text to SQL, делать сложные запросы к БД. Использовать характеристики товаров как критерии выборки из БД.
- Используя инструмент поиска на сайте, делать выборку товаров.
- Работа с каталогом товаров.
Text to SQL BD
Для реализации этого подхода нужно иметь оцифрованные характеристики всех товаров. Оказалось, что у нас характеристики на сайте хранятся в HTML таблице. Эта информация есть и в БД.
Поэтому был план тотальной оцифровки характеристик, используя HTML таблицу.
План действий следующий:
- Группируем товары по схожим техническим характеристикам.
- Начинаем преобразовывать HTML таблицу в MD у первого товара из группы, отдаем ChatGPT для формирования "начальной" таблицы.
- По следующему товару также получаем обработанные характеристики от ChatGPT по формату "начальной" таблицы и заполняем характеристики. Если появляются новые характеристики - дополняем "начальную таблицу".
По такому сценарию проходим все группы товаров.
В процессе реализации появился ряд преград, для преодоления которых будут неоправданные траты ресурсов:
- У нас 400 тыс. товаров. Серия запросов на оцифровку характеристик 1 товара в ChatGPT выходит примерно на 0.1$. Итого, оцифровка всех товаров нам выйдет в 40 тыс. $.
- Есть вероятность ошибочного определения однотипных характеристик. Ошибки в неверных характеристиках критичны (возвраты товаров, сильное снижение лояльности покупателей и т.д.). Чтобы избежать ошибок в описании характеристик, нужен человек. Проверить 40 тыс. товаров - это очень много человеко-часов...
- Это не масштабируемое решение. Далеко не у всех наших клиентов есть оцифрованные характеристики, и структуры БД очень различные.
- Данный подход решили отложить и искать новые.
Используя инструмент поиска на сайте, делать выборку товаров
Для того чтобы использовать поиск, нам необходимо преобразовать запрос клиента по каждому товару в поисковую фразу.
Как ищет человек на сайте (переход на следующий этап, если поиск ничего не вернул):
- Вводим максимально широкий запрос с характеристиками и т.д.
- Уменьшаем запрос до наименования и модели.
- Уменьшаем запрос до наименования.
- Заменяем запрос на группу товаров, в которые входит этот товар.
- Иными словами, мы не можем сразу получить нужный нам поисковой запрос через ChatGPT. Мы должны пробовать - анализировать - формировать новый запрос.
Анализ полученных результатов при использовании одного из поисковых запросов может выдать до 1000 позиций. Мы не можем определить критерий, по которому мы сможем сказать, что это конечный поисковой запрос, и товары в выборке ближе всего относятся к запросу клиента.
Таким подходом мы не можем сделать максимально узкую выборку для дальнейшего анализа ChatGPT.
Работа с каталогом товаров
В данном подходе мы заранее формируем таблицу из конечных категорий товаров (категории, внутри которой находятся товары, а не дочерняя категория) из каталога на сайте и во втором столбце URL этой категории.
В нашем случае мы сформировали эту таблицу из БД.
С другими клиентами - это можно делать, используя парсинг сайта.
Данные категории являются самыми постоянными. Другие категории на сайте - используются для различных акций, маркетинговых страниц и т.д.
По данному подходу алгоритм следующий:
- Берем первый товар из запроса клиента и определяем через ChatGPT, в какой конечной категории он относится.
- Получаем из таблицы URL этой категории.
- Парсим HTML характеристики товаров по этому URL и преобразовываем в MD.
- Отдаем и получаем ответ от ChatGPT. Где просим сделать подбор из списка товаров с их характеристиками на основе запроса клиента.
- Насыщаем дополнительной информацией из нашей учетной системы ответ ChatGPT для формирования КП.
- Более детальное описание данного подхода вы можете найти в обновлении этой статьи или в нашем телеграм-канале https://t.me/devchlog
Вступайте в Telegram канал проекта NetworkGuru, чтобы не пропустить интересные статьи и вебинары.
Появились вопросы или нужна консультация? Обращайтесь!
Вечный параноик, Антон Кочуков.
См. также:
Авторизуйтесь для этого