AI personalizace homepage a kategorií: jak na ni a jak ji změřit
Homepage a kategorie jsou výloha e-shopu. AI je umí přizpůsobit každému návštěvníkovi, ale jen když má data, souhlas a kontrolní skupinu. Ukážeme, jak na to bez iluzí.
Homepage většiny e-shopů vypadá pro všechny stejně. Stejné bannery, stejné kategorie, stejné bestsellery. Návštěvnice, která u vás třikrát kupovala dětské oblečení, vidí na úvodní stránce akci na pánské boty. Kategorie „Kuchyňské potřeby“ je seřazená podle data přidání, takže nahoře jsou novinky, které nikoho nezajímají.
AI personalizace tohle mění. Upraví obsah homepage a pořadí produktů v kategorii podle toho, co o návštěvníkovi víte. Zní to jednoduše, ale v praxi rozhodují tři věci: kvalita dat, souhlas návštěvníka a poctivé měření. V článku vysvětlujeme, jak personalizace homepage a kategorií funguje, kde se vyplatí a kde ne a jak ji nasadit tak, aby šel přínos doložit. Obecný přehled personalizace napříč e-shopem najdete v článku Personalizace ecommerce zážitku, doporučování doplňků v košíku řešíme v článku o AI upsellu a cross-sellu.
Co se dá na homepage a v kategoriích personalizovat
Personalizace neznamená, že každý návštěvník vidí úplně jiný web. Obvykle se mění několik konkrétních bloků. Zbytek stránky zůstává stejný, což je dobře pro SEO i pro orientaci zákazníka.
| Místo | Co se mění | Z jakých dat |
|---|---|---|
| Hlavní banner homepage | Pořadí nebo výběr bannerů podle zájmu | Prohlížené kategorie, zdroj návštěvy |
| Blok kategorií na homepage | Pořadí dlaždic kategorií | Historie návštěv a nákupů |
| Produktové boxy na homepage | „Pro vás“, „Naposledy prohlížené“, „Pokračujte v nákupu“ | Aktuální i minulé návštěvy |
| Řazení v kategorii | Výchozí pořadí produktů | Pravděpodobnost zájmu, sklad, marže |
| Filtry v kategorii | Předvybraná velikost nebo značka | Dříve použité filtry, nákupy |
Nejčastěji začínáme u řazení kategorií. Kategorie mají velkou návštěvnost, mění se jen pořadí produktů a změna se dobře testuje. Homepage je citlivější, protože na ni přichází nejvíc lidí, kteří o vás nic nevědí.
Jak AI rozhoduje, co ukázat
Za personalizací stojí kombinace několika přístupů. Každý řeší jinou situaci:
- Obsahová podobnost. Model porovná produkty podle atributů a popisů a najde ty, které se podobají tomu, co si návštěvník prohlížel. Popisy se převádějí na vektory pomocí embedding modelů. Funguje i u nových produktů bez historie prodejů.
- Kolaborativní filtrování. Využívá chování ostatních zákazníků. Lidé, kteří si prohlíželi stany, se často dívali i na karimatky. Potřebuje hodně dat, jinak doporučuje pořád dokola bestsellery.
- Session modely. Reagují na chování v aktuální návštěvě: kliknutí, filtry, zdroj z kampaně. Jsou klíčové u nových návštěvníků, kterých je na homepage většina.
- Obchodní pravidla. Nad modelem vždy leží pravidla: neukazovat vyprodané zboží, respektovat minimální marži, nechat v kategorii vždy několik pevných pozic pro strategické produkty.
U vracejících se zákazníků můžete personalizaci navázat i na hodnotu zákazníka. Zákazník s vysokou LTV a pravidelnými nákupy spotřebního zboží ocení na homepage rychlý návrat k tomu, co kupuje. Nového návštěvníka z kampaně na zimní bundy zase nezajímají doporučení podle historie, protože žádnou nemá.
Na platformě Shoptet je základem nastavení souvisejících a podobných produktů. Personalizaci podle chování konkrétního návštěvníka řeší specializované nástroje nebo vlastní řešení napojené přes API. Výběr závisí na objemu dat a rozpočtu, ne na tom, který nástroj má nejlepší prezentaci.
Kdy se personalizace nevyplatí
Personalizace má své náklady: licenci nástroje, implementaci, údržbu pravidel a čas na testování. Nevyplatí se všude. Typické situace, kdy doporučujeme začít jinde:
- Úzký sortiment. E-shop se třiceti produkty nepotřebuje řadit kategorie podle AI. Stačí dobře zvolené pořadí ručně.
- Nízká návštěvnost. Bez dostatku dat nejde personalizaci spolehlivě naučit ani změřit. Viz modelový výpočet níže.
- Málo vracejících se zákazníků. Pokud většina lidí nakoupí jednou za pár let, historie chování toho moc neřekne.
- Špatná produktová data. Chybějící parametry a nejednotné kategorie znamenají, že model nemá z čeho určit podobnost. Nejdřív data, pak personalizace.
- Nefunkční vyhledávání a filtry. Pokud zákazník nenajde, co hledá, personalizovaná homepage mu nepomůže. Často je lepší investice AI sémantické vyhledávání.
GDPR, cookies a pravidla pro ceny
Personalizace podle chování je profilování ve smyslu GDPR. Z toho plyne několik povinností, které je potřeba vyřešit před spuštěním, ne po něm.
Souhlas s cookies. Od 1. 1. 2022 platí v Česku podle § 89 odst. 3 zákona o elektronických komunikacích pro cookies, které nejsou technicky nezbytné, princip opt-in. Personalizace, která si ukládá identifikátor návštěvníka a jeho historii, mezi nezbytné obvykle nepatří. Musí proto být navázaná na cookie lištu. Jak lištu nastavit správně, popisujeme v článku Cookie lišty a consent management.
Právní titul a informace. Kromě souhlasu s cookies potřebujete pro samotné profilování právní titul a srozumitelnou informaci v zásadách zpracování osobních údajů. Evropský sbor pro ochranu osobních údajů se oprávněným zájmem u profilování a přímého marketingu zabývá v pokynech 1/2024 a upozorňuje, že zmínka o přímém marketingu v recitálu 47 GDPR není obecné povolení. Zákazník má navíc právo vznést námitku proti profilování pro účely přímého marketingu.
Personalizované ceny. Novela občanského zákoníku účinná od 6. 1. 2023 (zákon č. 374/2022 Sb.) převzala pravidlo ze směrnice Omnibus: pokud je cena přizpůsobena spotřebiteli na základě automatizovaného rozhodování, musí o tom e-shop informovat před uzavřením smlouvy. Personalizace obsahu homepage a řazení kategorií se to netýká. Jakmile ale začnete měnit cenu nebo slevu podle profilu, informační povinnost vzniká.
Marketplace je zvláštní případ. Pokud na webu prodávají i jiní obchodníci, přibývají povinnosti ke transparentnosti řazení výsledků vyhledávání podle pravidel Omnibus a u online platforem i čl. 27 nařízení o digitálních službách (DSA) o doporučovacích systémech. Běžný e-shop, který prodává vlastní zboží, platformou ve smyslu DSA obvykle není. U hybridních modelů doporučujeme právní posouzení.
Evropská komise navíc připravuje návrh Digital Fairness Act, který se má týkat i manipulativní personalizace. Podle legislativního plánu Evropského parlamentu je návrh očekávaný na druhou polovinu roku 2026. Konkrétní pravidla zatím neznáme, proto doporučujeme stavět personalizaci tak, aby byla vysvětlitelná a šla vypnout. Více k datům zákazníků v článku AI a GDPR.
Co ukázat návštěvníkovi bez souhlasu a bez historie
Tohle je nejčastěji podceněná část projektu. Na homepage přichází velký podíl lidí poprvé nebo bez souhlasu s cookies. Pro ně potřebujete dobrou výchozí verzi:
- Kontext aktuální návštěvy: kategorie, ze které přišli, použité filtry, parametry kampaně v URL.
- Bestsellery a novinky v kategorii, kterou si právě prohlížejí.
- Sezónní priority, například vánoční dárky od listopadu.
- Ručně zvolené strategické produkty na pevných pozicích.
Kontext aktuální stránky a parametry kampaně lze obvykle zpracovat bez ukládání identifikátoru do prohlížeče. Konkrétní řešení ale vždy posuzujeme s ohledem na vaši cookie lištu a zásady zpracování.
Jak přínos změřit: modelový výpočet
Personalizace bez kontrolní skupiny je jen dojem. Statistiky „tržby z doporučení“ v nástrojích dodavatelů často započítávají i nákupy, které by proběhly tak jako tak. Jediný spolehlivý důkaz je A/B test: část návštěvníků vidí původní verzi, část personalizovanou, a porovnáte konverzní poměr, průměrnou objednávku a tržbu na návštěvu.
Kolik návštěv na test potřebujete? Následující výpočet je modelový. Používá běžné přiblížení pro test se spolehlivostí 95 % a silou testu 80 %: potřebný počet návštěv na variantu ≈ 16 × p × (1 − p) / d², kde p je výchozí konverzní poměr a d absolutní rozdíl, který chcete zachytit.
| Předpoklad | Hodnota v modelu |
|---|---|
| Výchozí konverzní poměr kategorie | 2 % |
| Rozdíl, který chceme zachytit | 10 % relativně, tedy 0,2 procentního bodu |
| Počet variant | 2 (kontrolní a personalizovaná) |
| Návštěv kategorie měsíčně | 50 000 |
Výpočet: 16 × 0,02 × 0,98 / 0,002² = 78 400 návštěv na variantu, tedy zhruba 157 000 návštěv celkem. Při 50 000 návštěvách kategorie měsíčně test poběží přes tři měsíce. Z toho plyne praktický závěr: menší e-shop by neměl testovat pět personalizačních scénářů najednou. Vyberte jeden s největší návštěvností, otestujte ho a teprve pak pokračujte. Pokud chcete testovat průběžně, navazuje na to program Conversion Lab nebo služba CRO.
Jak na to prakticky
Personalizaci nasazujeme po krocích, které jdou zastavit, pokud data ukážou, že nefunguje:
- Audit dat. Kolik máte návštěv, jaký je podíl vracejících se zákazníků, jak kvalitní jsou produktová data a jak funguje cookie lišta.
- Výběr jednoho až dvou míst. Typicky řazení největší kategorie a jeden produktový box na homepage.
- Výchozí verze pro návštěvníky bez souhlasu. Navrhneme ji jako první, protože ji uvidí velká část lidí.
- Nasazení s kontrolní skupinou. Nástroj nebo vlastní model napojíme na katalog, sklad a cookie lištu.
- Vyhodnocení a rozšíření. Necháme jen scénáře, které prokazatelně vydělávají, a přidáváme další místa.
AI personalizaci stavíme nad vašimi daty a měříme proti kontrolní skupině. Pokud nevíte, jestli má personalizace u vás smysl, začněte AI auditem, který do týdne ukáže, kde má AI největší potenciál. Cenu nasazení připravíme po konzultaci podle rozsahu.
Potřebujete s tím pomoct?