Több száz termék tudása egy rendszerben, AI-ra készen

Van az a kérdés, amit egy forgalmazó ügyfélszolgálata hetente többször megkap: „Ehhez a vérnyomásmérőhöz milyen mandzsetta való, és hol találom hozzá a használati utasítást?” A válasz létezik. Csak éppen három helyen: egy PDF-ben valamelyik mappában, a webshop termékoldalán, és annak a kollégának a fejében, aki a leggyorsabban vágja rá. Ez az esettanulmány arról szól, hogyan lett ebből a szétszórt tudásból egyetlen rendszer.

Hol élt a terméktudás, mielőtt rendszer lett belőle?

Ott, ahol a legtöbb hasonló méretű webshopnál: mindenhol egy kicsit, egyben sehol.

A termékleírások és a műszaki tulajdonságok a webshop adminban éltek, termékenként külön-külön szerkesztve. A használati utasítások PDF-ekben, részben a gyártói oldalakon, részben helyi mappákban. A marketinganyagok (termékfotók, hirdetési szövegek, a kampányokban visszatérő kiemelt tulajdonságok) megint máshol. A legfontosabb réteg pedig, a „melyik modellt ajánljuk, mire figyelj, mi a tipikus vásárlói kérdés”, jórészt a tapasztalt kollégák fejében.

Ebből három konkrét fájdalom lett. Az ügyfélszolgálat újra és újra ugyanazokra a kérdésekre válaszolt, és a válasz minősége attól függött, éppen ki vette fel a szálat. Egy új kolléga betanítása hónapokig tartott, mert a tudást nem lehetett odaadni, csak ellesni. És amikor marketinganyag készült, a képek és szövegek összevadászása minden alkalommal elölről kezdődött.

Volt egy negyedik, alattomosabb probléma is: senki nem tudta megbízhatóan, egy adott termék még forgalmazott-e. Egy kifutott modell leírása ugyanúgy nézett ki, mint egy aktívé. Ez pontosan az a hiba, ami egy ügyfélszolgálati válaszban vagy egy hirdetésben a legtöbbe kerül.

Miért strukturált szövegfájlok, és miért nem egy új szoftver?

A kézenfekvő reflex egy ilyen helyzetre az, hogy „vezessünk be egy tudásmenedzsment-rendszert”. Mi tudatosan nem ezt tettük.

A tudásbázis sima, strukturált markdown-fájlokból épült fel, egy Obsidian-alapú rendszerben. Ennek három oka volt:

Arról, hogy egy AI tudásbázis miben más, mint egy közös mappa, és miért nem talál ki dolgokat, ha jól épül fel, külön cikkben is írtunk. Ez az esettanulmány az ottani elveket mutatja meg élesben.

Mi került bele pontosan?

A rendszer gerince a teljes katalógus: több száz termék leírása és műszaki tulajdonságai, a webshopból egységes szerkezetre hozva. Nem másolás volt, hanem strukturálás: minden termék ugyanazokat a mezőket kapta (kategória, tulajdonságok, kompatibilitás, gyakori kérdések), így a tartalom nemcsak olvasható, hanem gépileg is értelmezhető.

Erre épült rá a használati utasítások rétege. Az egyik kiemelt márka teljes termékpalettájának útmutatói bekerültek, egy másik márkánál a legkeresettebb termékeké: mindegyik strukturált szöveggé alakítva, nem beszkennelt PDF-ként. Ez a különbség döntő. Egy PDF-ben az információ el van temetve; egy strukturált fájlban kereshető, idézhető, és egy chatbot pontosan meg tudja találni benne a mandzsettaméretet.

Minden termék kapott egy forgalmazási státuszt: aktív vagy kifutott. Apró mező, nagy hatás. Egy termék kivezetésekor nem törölni kell semmit, csak átállítani a státuszt, és minden ráépülő felhasználás (ügyfélszolgálati válasz, marketinganyag, később a chatbot) tudja, hogy az a modell már nem rendelhető, de a meglévő vásárlóknak még kell hozzá támogatás.

A negyedik réteg a marketing-adatbázis: minden termékhez a termékfotók, a bevált hirdetési szövegek és a kampányokban rendszeresen használt kiemelt tulajdonságok, egy helyen. Amikor legközelebb hirdetés, poszt vagy terméklap készül, nem mappákban kell keresgélni: minden anyag egy konzisztens forrásból jön.

Mit old meg ez már ma?

Az első fázis lezárultával a cég teljes terméktudása egyetlen, kereshető, egységes szerkezetű rendszerben él. Ha egy kérdésre válasz kell, egy helyen van. Ha egy termék státusza változik, egy helyen kell átírni. Ha marketinganyag készül, a képek, szövegek és tulajdonságok készen várják. És egy új kolléga nem hónapok alatt lesi el a tudást, hanem az első naptól ugyanabból a forrásból dolgozik, mint a legtapasztaltabb munkatárs.

Mi a következő lépés?

A második fázisban erre a tudásbázisra köt rá egy ügyfélszolgálati chatbot. Mivel a tudás már strukturált, ellenőrzött és naprakész, a chatbot nem az internetről és nem a saját általános tudásából válaszol majd, hanem kizárólag a cég saját termékadatából. A státuszkövetés miatt kifutott terméket sem fog ajánlani. A sorrend nem véletlen: előbb az alap, aztán az AI. Egy chatbot pontosan annyira jó, amennyire a tudás, amiből dolgozik.

És van ennek egy tágabb tanulsága is, ami minden webshopra igaz. A strukturált, konzisztens, gépileg értelmezhető termékadat nemcsak a saját chatbotodat szolgálja ki, hanem ugyanez az alapja annak is, hogy a ChatGPT, a Perplexity és a többi AI-felület megtalálja és pontosan ajánlja a termékeidet. Aki ma rendbe teszi a terméktudását, az egyszerre készül fel a saját AI-asszisztensére és az AI-keresés korszakára.

Mit jegyezz meg

Egy több száz termékes webshop terméktudása is beférhet egyetlen strukturált rendszerbe: leírások, használati utasítások, marketinganyagok és forgalmazási státusz egy helyen. Ehhez nem kell új szoftvert bevezetni és nem kell a meglévő rendszerekhez nyúlni; a tudásbázis egy réteg a működés mellett. A helyes sorrend: előbb strukturált, ellenőrzött tudás, utána AI. A chatbot és az AI-láthatóság is ugyanarra az alapra épül.

Ha nálad is több helyen él a céges tudás, mint ahány helyen kellene, foglalj egy ingyenes AI auditot. Egy 30 perces híváson végignézzük, hol tart most, és mi lenne az első értelmes lépés.