IT
Collega il tuo agente AI

Aggiungi Hello Retail al tuo assistente AI

Per i clienti Hello Retail: Copia l'indirizzo e aggiungilo come connettore in Claude, ChatGPT o Codex.

Indirizzo MCP

https://core.helloretail.com/mcp

Non sei ancora cliente?L'MCP richiede un accesso Hello Retail. Raccontaci cosa vuoi costruire.

Parliamone
Parliamone

Metti in ordine il catalogo prima di acquistare un sistema di AI per il tuo negozio online

Alexander Fundin·October 7, 2026·7 min read
Alexander Fundin, cofondatore e amministratore delegato di Bluemint

Un post scritto da Bluemint, un partner di Hello Retail che sviluppa e gestisce piattaforme di ecommerce in tutti i Paesi nordici.

La ricerca, i suggerimenti, i chatbot e le email sui prodotti attingono tutti agli stessi dati di prodotto. Quando questi dati sono incoerenti, tutti questi strumenti funzionano peggio, indipendentemente dal modello che viene utilizzato.

Sempre più spesso le richieste che riceviamo partono dall’AI. Di solito un negozio online vuole un chatbot, una ricerca più efficiente o testi sui prodotti scritti da un modello, e di solito il budget è già stato stanziato.

“Vogliamo l’AI” non è proprio una richiesta chiara. Chiediamo invece cosa dovrebbe fare concretamente l’AI, in termini che possiamo misurare in seguito: “Dimezza il lavoro manuale sul catalogo.” “Permetti ai clienti di trovare il ricambio giusto senza chiamare l’assistenza.” Poi osserviamo cosa succede davvero in negozio. La prima soluzione di solito consiste in dati di prodotto migliori, un flusso di lavoro più snello o una piccola modifica alla piattaforma, e l’AI a volte arriva dopo.

Questo post parla dei dati di prodotto, perché spesso è proprio lì che inizia il vero lavoro.

La ricerca, i suggerimenti e le e-mail attingono tutti agli stessi dati

Un motore di ricerca, un motore di raccomandazione, un chatbot di assistenza e un agente che seleziona i prodotti per le tue e-mail vengono solitamente acquistati come quattro progetti distinti. Tutti e quattro attingono dallo stesso catalogo: Titoli, attributi, categorie, disponibilità e prezzi.

Quindi si scontrano con le stesse difficoltà. Un motore di raccomandazione non può suggerire un accessorio abbinato se nei dati non c’è nulla che colleghi i due prodotti. La ricerca fa fatica con “giacca impermeabile per bambini” quando l’impermeabilità è un attributo in alcuni prodotti e una riga nella descrizione in altri. E un agente che seleziona prodotti via e-mail per un iscritto non può sapere che “Blå”, “blu” e “navy” sono lo stesso colore se tre fornitori lo hanno scritto in tre modi diversi.

Un modello migliore può ovviare in parte a questo problema. Pulendo i dati, si risolve il problema per tutti e quattro gli strumenti contemporaneamente.

I cataloghi raramente diventano disordinati da un giorno all’altro. I problemi si accumulano nel corso degli anni a causa delle importazioni dai fornitori, delle riprogettazioni e delle soluzioni improvvisate, ed ecco quali sono quelli che vediamo più spesso:

Lo stesso attributo con nomi diversi

Un fornitore scrive “Color”, un altro “Farge”, un terzo lo inserisce nel titolo del prodotto. Nella pagina del prodotto nessuno se ne accorge. Per la ricerca e i filtri, sono tre campi diversi.

Solo l’assistenza può dirti se è adatto e se è compatibile

Quando si tratta di ricambi, attrezzi e attrezzature tecniche, i clienti devono sapere se un pezzo è compatibile con il loro modello e anno di produzione. Se questa informazione è solo nella testa del team di assistenza, nessun motore di ricerca o modello potrà utilizzarla.

Categorie organizzate in base al menu

I prodotti finiscono dove capita, a seconda di dove si inseriscono nella navigazione in quel momento. Dopo un paio di rifacimenti, alcuni si ritrovano in cinque categorie e altri in nessuna.

Attributi nascosti nelle descrizioni

Dimensioni, materiale e ambito di utilizzo descritti in forma di testo continuo. Va bene per chi legge la pagina, ma è difficile da utilizzare per i filtri e i suggerimenti.

Dopo il lancio, nessuno è proprietario dei dati

Il catalogo è stato creato nell’ambito del progetto di lancio. Quando il progetto è finito, nessuno si è occupato di tenerlo aggiornato.

Questi problemi non si vedono quasi mai in una demo. Si notano invece in produzione, sotto forma di ricerche che restituiscono il componente sbagliato e ticket di assistenza che non avrebbero dovuto essere necessari.

Boatparts: Prima la struttura, poi l’AI

Un motore fuoribordo senza il coperchio, una barca che passa sullo sfondo e il logo di boatparts.no

Boatparts vende ricambi e componenti aftermarket per barche in tutti i Paesi nordici. Il catalogo è vastissimo e garantire la compatibilità giusta è fondamentale. Un cliente che cerca una pompa del carburante ha bisogno proprio della pompa giusta per un determinato motore, anno e modello. Il negozio precedente non ordinava i risultati per rilevanza, i dati del catalogo erano incoerenti e il negozio non riusciva a convertire le visite come avrebbe potuto.

Abbiamo iniziato dai dati. Abbiamo ripulito e normalizzato il catalogo in modo che gli attributi fossero mappati allo stesso modo tra i vari fornitori, e abbiamo aggiunto dati di prodotto più strutturati e guide alle taglie. Poi abbiamo creato un’esperienza di ricerca su misura per i ricambi. Successivamente è entrata in gioco l’AI, per rendere la ricerca dei prodotti più naturale e alleggerire il carico di lavoro del team di assistenza, e da allora abbiamo continuato a ottimizzare il negozio e la procedura di pagamento.

Il volume delle vendite è cresciuto del 126% mentre lavoravamo al negozio, con margini più consistenti grazie ai lavori di ristrutturazione in corso.

I clienti possono navigare nel catalogo più facilmente, la funzione di ricerca trova meglio il codice articolo giusto e il team impiega meno tempo a risolvere i problemi tecnici.

In che modo l’AI aiuta proprio con il catalogo stesso

Un ambito in cui abbiamo trovato l’AI davvero utile è la pulizia dei cataloghi. In un progetto abbiamo usato un modello per classificare i codici prodotto lunghi in categorie strutturate, e il lavoro di tassonomia che prima richiedeva settimane se fatto a mano ora richiede solo poche ore.

In quel flusso sono integrate delle regole e una fase di revisione. Il modello suggerisce una categoria, una persona che conosce bene i prodotti la verifica e il risultato approvato viene reinserito nel catalogo.

Questo modello funziona bene per noi: Affidiamo al modello un compito ben definito, facciamo controllare il risultato da qualcuno che conosce bene i prodotti e i dati del cliente restano nei suoi sistemi. Non inviamo dati relativi al catalogo o ai clienti ai fornitori del modello senza un’autorizzazione esplicita.

Prima di iniziare un progetto di AI

Se hai difficoltà a rispondere a molte di queste domande, probabilmente è proprio lì che dovresti destinare per prima cosa una parte del budget.

  1. Riesci a filtrare tutto il tuo catalogo in base alle caratteristiche che i clienti ti chiedono? Taglia, colore, materiale, compatibilità: In altre parole, le caratteristiche che i tuoi clienti usano davvero per decidere.
  2. Ogni attributo ha un solo nome e un solo insieme di valori? Per ogni fornitore e ogni importazione.
  3. Ogni prodotto rientra in almeno una categoria che ne descrive la natura? Non conta dove compare nel menu.
  4. C’è qualcuno che si occupa dei dati di prodotto dopo il lancio? Una persona specifica o un team, a cui viene dedicato del tempo per questo.
  5. Riesci a descrivere in una sola frase, in modo misurabile, cosa dovrebbe fare l’AI? Ad esempio: “Meno chiamate all’assistenza riguardo alla vestibilità”, “meno categorizzazione manuale”, “maggiori ricavi per ogni email”. Se non ci riesci, vale la pena definirlo prima di scegliere la tecnologia.

Il lancio è solo l’inizio

Un negozio continua a cambiare dopo il lancio: Nuovi fornitori, nuove linee, nuove stagioni. I dati dei prodotti cambiano di conseguenza, e un catalogo che all’inizio era in ordine finisce per andare alla deriva se nessuno se ne occupa. Preferiamo impostare questa routine con un cliente fin dall’inizio piuttosto che dover sistemare tutto dopo il prossimo cambio di piattaforma.

Quindi, se l’AI fa parte dei tuoi piani, vale la pena dare prima un’occhiata al catalogo. La qualità di quei dati determinerà in gran parte ciò che l’AI potrà effettivamente fare.

Bluemint sviluppa e gestisce piattaforme Magento, Adobe Commerce e di ecommerce headless, oltre alle integrazioni e alle soluzioni di AI applicate a queste piattaforme, dai suoi uffici di Tranås, Stavanger e Vilnius. Scopri di più su bluemint.se.

Da Hello Retail: Product Intelligence

Product Intelligence è il motore di AI alla base delle funzionalità di ricerca, dei consigli e dei Product Agents di Hello Retail. Arricchisce il tuo catalogo con attributi ricavati dalle immagini e dalle descrizioni dei prodotti e impara come i prodotti si relazionano tra loro analizzando i modelli di acquisto relativi a oltre 250 milioni di prodotti. Quando i tuoi dati sono scarsi, ad esempio per un nuovo prodotto o un nuovo negozio, attinge ai modelli che la rete ha già appreso.

Scopri di più sulla Product Intelligence