Kombinácia pokročilého jazykového modelu Alibaba Qwen2.5 a architektúry RAG vyriešila kritické preťaženie zákazníckej linky a nízku mieru krížového predaja stredne veľkého československého e-shopu s elektronikou počas špičky v štvrtom kvartáli. Zákaznícky servis vianočný nápor nezvládal, pričom odpovede na špecifické technické otázky trvali hodiny, čo viedlo k opusteným košíkom a zbytočnej strate tržieb.

Kontext a identifikované úzke hrdlá

Stredne veľký e-shop pôsobiaci na českom a slovenskom trhu čelil pred koncom roka opakovane rovnakej výzve: sezónny nárast návštevnosti úplne paralyzoval interný tím podpory. Operátori trávili väčšinu pracovného času manuálnym odpovedaním na stále sa opakujúce dotazy ohľadom kompatibility príslušenstva, termínov doručenia a technických parametrov spotrebnej elektroniky. Neschopnosť reagovať v reálnom čase priamo znižovala konverzný pomer. Zároveň zlyhávali štandardné automatické odporúčacie nástroje, ktoré nedokázali zákazníkom ponukovo prispôsobiť doplňujúci tovar presne podľa kontextu ich nákupu.

Technická architektúra: Qwen2.5 v spojení s RAG

Nasadené riešenie stavil technický tím na odľahčený open-source model Alibaba Qwen2.5, ktorý dosahuje vysokú presnosť v porozumení štruktúrovaných textov a natívne podporuje slovenský aj český jazyk. Aby sa zamedzilo vymýšľaniu neexistujúcich faktov (halucináciám), model bol prepojený s produktovou databázou, skladovým systémom a znalostnou bázou pomocou architektúry RAG (Retrieval-Augmented Generation). Vektorová databáza uchováva aktuálne technické listy, manuály aj informácie o dostupnosti tovaru.

Nákupný asistent funguje v dvoch paralelných líniách. V prvej línii spracováva prichádzajúce otázky v reálnom čase, kontextovo vyhodnocuje zámer používateľa a okamžite poskytuje presné odpovede. V prípade zložitejších reklamácií systém automaticky pripraví podklad pre ľudského operátora. V druhej línii asistent priebežne analyzuje nákupný košík a správanie používateľa. Na základe získaných dát odporúča plne kompatibilné príslušenstvo – napríklad špecifický držiak na stenu pre konkrétny model televízora alebo presný typ filtra pre vybraný kávovar – a to priamo v konverzačnom okne alebo v košíku.

Kvantifikovateľné dopady na biznis v Q4 2024

Nasadenie systému pred začiatkom hlavnej vianočnej sezóny brought okamžité merateľné výsledky. Automatizovaný asistent prevzal kompletné spracovanie viac ako 60 % rutinných otázok, čo viedlo k celkovému zníženiu zaťaženia zákazníckej podpory o 45 %. Priemerný reakčný čas na zákaznícky podnet klesol z pôvodných 8 hodín na necelé 2 minúty. Zákazníci tak získali potrebné odpovede ešte pred opustením nákupného košíka.

Integrácia inteligentného odporúčacieho algoritmu priamo ovplyvnila aj celkové tržby. Presne cieľované a kontextovo relevantné odporúčania doplnkového tovaru zvýšili konverzný pomer krížového predaja o viac ako tri pätiny. Vďaka tomuto prístupu vzrástla priemerná hodnota objednávky (AOV) o 16 % naprieč celým sortimentom elektroniky a domácich spotrebičov počas celého štvrtého kvartálu 2024.

Pevné závery pre e-commerce prevádzkovateľov

Nasadenie špecializovaných LLM modelov v kombinácii s RAG architektúrou ukazuje jednoznačnú cestu pre stredne veľké e-shopy, ktoré nemajú rozpočty na vývoj vlastných veľkých modelov od znova. Správne navrhnutá integrácia dokáže absorbovať výkyvy v zákazníckom servise bez nutnosti zvyšovať stav ľudských pracovných síl na podpornej linke.

E-commerce subjekty musia prejsť od statických vyhľadávacích líšt k reálne interaktívnym nákupným asistentom. Kľúčom k úspechu je však vysoká presnosť dát dodávaných modelu prostredníctvom RAG, pretože chybná odporúčaná kompatibilita okamžite ničí dôveru zákazníka. Predajcovia, ktorí dokážu spojiť okamžitú dostupnosť odpovedí s presne cieľovaným cross-sellom, získavajú zásadnú nákladovú aj maržovú výhodu oproti konkurencii.