Slik forbedres kundeopplevelsen i netthandel med målrettet AI-personalisering

En større aktør innen netthandel stod overfor en utfordring med synkende konverteringsrater til tross for økt trafikk, og behovet for å skape mer relevante kundeopplevelser var tydelig for styringsgruppen.

Optimum Range ble bedt om å analysere eksisterende kundedata, identifisere flaskehalser i personaliseringsløpet og foreslå tiltak for å øke både gjennomsnittlig ordrestørrelse og konvertering, samtidig som personvern og datakvalitet ble ivaretatt.

Første fase omfattet en grundig kartlegging av datakilder, inkludert transaksjonshistorikk, søkelogger og anonymiserte brukersesjoner, der målet var å etablere et felles datalag som kunne støtte både anbefalingsmotorer og personaliserte kampanjer.

Et sentralt funn var uoverensstemmelser i produktkatalogen som førte til feilaktige anbefalinger, og Optimum Range utarbeidet en plan for dataopsjon og datakvalitet som innebar regelmessig validering og autoritative kilder for produktmetrikker.

På teknologiområdet ble det valgt en hybridarkitektur som kombinerte regelfiltrering med maskinlæringsmodeller for sekvensielle anbefalinger, og beslutningen ble tatt etter grundige PoC-er som målte både latens og relevans mot historiske KPI-er.

Modelltreningen ble gjennomført med stratifikasjon for nye og eksisterende kunder, slik at kaldstartproblematikk ble adressert med sammensatte løsninger basert på demografi og eksplisitt atferdssignaler, og dette resulterte i mer pålitelige anbefalinger fra dag én.

Implementasjonen inkluderte et rammeverk for eksperimentering hvor Optimum Range satte opp kontroll- og testgrupper for å måle faktisk effekt av anbefalingsalgoritmer på både kortsiktige salg og langsiktige kundeverdi.

Etter utrulling ble det gjennomført løpende monitorering av modellens ytelse, hvor metrikker som CTR, konvertering per anbefaling og gjennomsnittlig ordreverdi ble rapportert daglig og brukt til hurtige iterasjoner.

For å sikre aksept hos forretningssiden ble det levert dashbord som visualiserte hvorfor enkelte produkter ble anbefalt, og denne forklarbarheten bidro til økt tillit og raskere beslutninger rundt kampanjetilpasninger.

Personvern og samsvar ble håndtert gjennom pseudonymisering av brukerdata og strenge tilgangsregler, noe som gjorde det mulig å personalisere uten å kompromittere regulativer eller kundetillit.

Resultatene etter tre måneder viste en økning i relevansmålinger og en målbar forbedring i konvertering for de segmentene som mottok anbefalinger fra de nye modellene, noe som bekreftet investeringscaset.

Samtidig ble det innført en prosess for kontinuerlig forbedring der både datasett og modellhåndtering ble formalisert, og Optimum Range etablerte en roadmap for fremtidige funksjoner som sanntidsanbefalinger og personlige produktpakker.

Prosjektet illustrerer hvordan en helhetlig tilnærming til personalisering med AI kan avdekke og rette underliggende dataproblemer samtidig som forretningsmål nås, og demonstrerer verdien av en kombinert teknisk og forretningsorientert strategi.

Teknisk dokumentasjon ble overlatt som en levende kunnskapsbase slik at driftsteam kunne videreføre arbeid uten avbrudd, og opplæring av interne analytikere gjorde overgangen til egen drift smidig.

Implementeringen førte til økt innsikt i kundeatferd, som igjen gjorde det enklere å segmentere budsjetter og planlegge fremtidige kampanjer med større presisjon.

Som et konkret sluttresultat oppnådde netthandelsaktøren høyere kundetilfredshet på målrettede sider og en tydelig forbedring i både konverteringsrate og gjennomsnittlig ordrestørrelse, noe som skapte umiddelbar ROI og la grunnlaget for videre investeringer i AI-drevet personalisering.