Jak Sportisimo posouvá nákupní zážitek díky personalizaci a nákupnímu asistentovi

Personalizace, vyhledávání a nákupní asistenti dnes patří mezi nejdiskutovanější témata v prostředí e‑commerce. Právě na konkrétním příkladu společnosti Sportisimo je možné ukázat, jak tyto principy fungují v praxi.

Sportisimo patří mezi přední řetězce se sportovním oblečením a doplňky. V současnosti působí v pěti zemích Evropy, provozuje více než 200 kamenných prodejen a zároveň je velmi silným hráčem v online prodeji, kde dnes dosahuje obratu přes dvě miliardy korun. Díky tomu se řadí mezi nejvýznamnější české e‑commerce hráče.

Tento článek vysvětluje:

• proč je nákupní asistent víc než vyhledávání

• jak funguje propojení dat, personalizace a konverzačního nástroje

• jaké výsledky přináší v reálném provozu

Personalizace jako dlouhodobá strategická volba

Jednou z klíčových oblastí, na které se Sportisimo dlouhodobě zaměřuje, je personalizace. V této oblasti využívá produkty Perselio Recommendation, Search a Nákupního asistenta a těží především z jejich vzájemného propojení. Perselio platforma pracuje se samoučícími se algoritmy, které využívají výhradně data konkrétního e‑shopu. Právě tato data mají přímý dopad na klíčové obchodní metriky.

Během několika milisekund je možné vyhodnotit chování návštěvníka na webu a přizpůsobit mu nabídku doslova na míru. A to dokonce i v případě uživatelů, kteří nejsou přihlášení a zůstávají anonymní, což je v prostředí e‑commerce stále velmi častý scénář.

Vyhledávání a doporučování produktů patří na e‑shopech ke standardu už řadu let. Jejich kvalita se postupně zvyšuje, každá další generace přináší lepší výkon nebo nové funkce. Nákupní asistent je ale jiná kategorie. Jde o oblast, která teprve vzniká, trh se stále formuje a jednotliví hráči k ní přistupují rozdílně. Je zřejmé, že v následujících měsících se tento segment bude dál velmi dynamicky vyvíjet.

Jeden dialog místo desítek kliknutí

Cílem platformy Perselio je všechny tyto systémy propojit tak, aby vznikla jednotná nákupní cesta. Nákupní asistent v tomto případě funguje jako konverzační AI, v podstatě virtuální poradce. Hlavním cílem jeho nasazení bylo přiblížit se konverzním poměrům specializovaných řešení, která si klienti běžně vyvíjejí na míru pro konkrétní kategorie nebo subkategorie produktů. Dlouhodobou ambicí je jít ještě dál, dosáhnout stavu, kdy nákupní asistent dokáže napodobovat chování skutečného obchodníka a kdy se konverzace stane přirozenou a primární cestou k nákupu.

Uživatelé jsou připraveni. A data to potvrzují

Data ukazují, že tento směr odpovídá chování uživatelů. V posledních letech výrazně roste počet lidí, kteří si konverzační AI vyzkoušeli. U nejmladší skupiny uživatelů ji dnes použily už zhruba dvě třetiny z nich. Zásadní je přitom fakt, že třicet procent konverzační AI používá denně. Nejde tedy o experiment, ale už o běžnou součást digitálního chování. Uživatelé ji stále častěji zapojují i do nákupního rozhodování, hledají podobné produkty, porovnávají varianty nebo se ptají na doporučení.

Současně je patrné, že uživatelé jsou na stránkách s konverzační AI výrazně více zapojení. Tráví na nich více času, prohlížejí více kategorií i jednotlivých produktů. Podle výzkumů ke konci roku 2025 je konverzní míra u uživatelů, kteří nákupního asistenta využívají, zhruba o čtyřicet procent vyšší. To je silný signál, že nejde o krátkodobý trend.

Proč nestačí univerzální AI nástroje

Přirozeně se nabízí otázka, proč vůbec mít vlastního nákupního asistenta. Nestačí velké vyhledávače a obecné AI nástroje, jako jsou Gemini, ChatGPT nebo Perplexity?

Pokud bychom tuto otázku posunuli do extrému, mohli bychom se ptát i na to, zda má v budoucnu smysl mít vlastní web. Odpověď je ano. Pokud značka buduje vlastní identitu a pracuje se standardními kanály, jako je web nebo sociální sítě, dává smysl přivádět uživatele do vlastního prostředí. Právě tam má firma k dispozici nejlepší data, plnou kontrolu nad zákaznickým zážitkem a možnost nabídnout maximum hodnoty směrem k nákupu.

Mikromomenty jako zásadní součást zákaznické zkušenosti

Dalším logickým krokem v uživatelském zážitku na e‑shopu jsou různé formy mikro‑engagementu, tedy drobné interakce, jako je rychlé doporučení produktu nebo okamžitá odpověď na jednoduchou otázku. I tyto malé momenty pomáhají budovat důvěru a zároveň mohou přímo vést k samotnému nákupu.

Nákupní asistent je současně schopen odpovídat na velké množství rutinních dotazů, klidně až na devadesát procent z nich. To má přímý dopad nejen na zákaznický zážitek, ale i na provozní efektivitu e‑shopu. V širším kontextu je klíčové to, že dnes dokážeme svůj nákupní záměr vyjádřit přirozeným jazykem. Právě tato informace představuje zásadní zlom. Umožňuje mnohem přesněji pochopit, co chce uživatel koupit, a nabídku mu skutečně napasovat na míru.

Když asistent mluví jazykem značky

Styl komunikace lze cíleně ovlivnit. Nejde však jen o vytvoření několika základních promptů. Pokud celý web, včetně dokumentů, smluv a popisů produktů, používá určitý brandový jazyk, nákupní asistent ho přirozeně přebírá. Zná produktový katalog od A do Z, pracuje s parametry i recenzemi, dokáže produkty porovnávat a zvýrazňovat jejich klíčové vlastnosti. Právě u e‑shopů s tisíci nebo desítkami tisíc produktů je to zásadní výhoda.

Asistenta je možné napojit i na další zdroje. Podobně jako v nástrojích typu ChatGPT lze pracovat s vlastními dokumenty. E‑shop může připojit FAQ, blogy, magazínový obsah nebo jiné znalostní báze, které chce, aby asistent znal a využíval. Klíčové je také to, aby asistent rozuměl kontextu, tedy věděl, kde se uživatel na webu právě nachází a co tam dělá.

Automatizace s pojistkou: práce s citlivými situacemi

Je ale nutné otevřeně přiznat, že některé věci zvládá nákupní asistent velmi dobře a jiné méně. Proto je zásadní mít jasně nastavený mechanismus předání konverzace, ať už na zákaznickou podporu, nebo přímo na živého operátora. Asistent by měl rozpoznat situace, kdy si není jistý, nebo kdy se konverzace dostává do citlivé roviny. Stejně tak může mít e‑shop předem definovaná témata, která má asistent automaticky předat člověku, například při změně sentimentu nebo nespokojenosti uživatele.

Základní nasazení nákupního asistenta je poměrně rychlé: na web se nasadí technická sonda, napojí se produktový katalog a znalostní báze. U větších klientů to ale často nestačí. Přicházejí specifika, úpravy produktových karet, různé cenové hladiny pro VIP zákazníky nebo zaměstnance, logika přidávání do košíku, práce s modálními okny nebo podpora konkrétních produktů či privátních značek. V těchto případech se nastavuje řada dalších automatizací a pravidel.

Touchpoints jako most mezi obsahem a konverzací

Cílem je propojit konverzační vrstvu se zbytkem webu. K tomu slouží takzvané engaging touch points, prvky vložené přímo do webového rozhraní. Typickým příkladem je detail produktu se zvýrazněnými klíčovými vlastnostmi. Tyto informace sice existují i v popisech nebo parametrech, ale bývá jich mnoho a jejich dohledání je nepohodlné. Díky mikro‑engagementu se uživatel přirozeně dostává do konverzace, kde může klást další otázky, zatímco asistent mu nabízí další možnosti, na co se může ptát.

Takových touch pointů může být na webu celá řada, například v kategoriích, při hledání inspirace nebo ve chvíli, kdy uživatel neví, jaký produkt je pro něj vhodný. Může jít o otázky typu, jaký koš vybrat domů, jakou velikost kola zvolit podle výšky nebo jak správně nastavit koloběžku. Tyto prvky propojují obsah s konverzací a výrazně zvyšují zapojení zákazníka.

Personalizace, která sleduje aktuální záměr

Důležitá je i provázanost s personalizací. Pokud uživatel dává jasně najevo, že hledá například oblečení do hor, asistent vypíchne relevantní informace a doporučí konkrétní produkty. Tyto produkty už mohou být personalizované na základě předchozího chování. Když se uživatel pohybuje po webu dál, doporučovací bloky reflektují jeho aktuální záměr. Nejde tedy o zobrazování historických nákupů, ale o reakci na to, co uživatel hledá právě teď.

Z technického pohledu jsou základem celého řešení systémy pro vyhledávání a doporučování, takzvané data retrievals. Ty představují alfu a omegu celého konceptu. Jazykový model, který generuje samotnou konverzaci, je pouze viditelnou nadstavbou, špičkou ledovce. Klíčové je, jak kvalitně systém dokáže produkty najít, seřadit a doporučit. Tyto informace se následně skládají do jazykového modelu v rámci takzvaného kontext engineeringu.

Právě proto se taková pozornost věnuje kvalitě a konzistenci dat, i když nejde o příliš „trendy“ téma. Pokud nejsou kvalitní data v produktovém katalogu, nefungují ani vyhledávací a doporučovací systémy, a nepomůže ani ten nejlepší jazykový model. Platí jednoduché pravidlo: garbage in, garbage out. Nekonzistence v názvech, parametrech nebo taxonomii se okamžitě projeví na kvalitě výsledků.

Testování, realita a výsledky

Protože se jedná o relativně nový produkt, je přirozené, že si ho klienti chtějí nejprve vyzkoušet. Interní testování se zaměstnanci však často přináší zkreslené výsledky. Zaměstnanci se chovají jinak než běžní zákazníci a mají tendenci nástroj testovat na extrémních scénářích. Osvědčilo se proto nasazení na část reálných uživatelů, získání skutečných dat a jejich následné vyhodnocení.

Analýza konverzací ukazuje, že většina dotazů směřuje na informace o produktech a samotnou nákupní asistenci. Další velkou skupinu tvoří dotazy na velikosti a dostupnost zboží na konkrétních prodejnách. Velmi dobře funguje i práce s kvalitním obsahem z blogů nebo magazínů, například články o přípravě na zimní treky, které si systém dokáže osvojit a využít v konverzaci.

Naopak složitější jsou dotazy na velikosti, kde často chybí kvalitní a jednotná data a kde má každá značka vlastní velikostní tabulky. Výzvou jsou také takzvané edge cases, velmi dlouhé nebo složité dotazy s více podmínkami, případně příliš dlouhé konverzace, kde postupně narůstá kontext a kvalita odpovědí může klesat. Jde o vlastnost, kterou známe i z běžných konverzačních AI nástrojů.

Závěr

Z pohledu výsledků se engagement zvýšil přibližně dvojnásobně, měřeno počtem zobrazení produktů oproti klasickému vyhledávání. Konverzní míra vzrostla zhruba o čtyřicet procent a míra opuštění klesla o dvě třetiny. Přestože je potřeba počítat s určitým efektem novosti, výsledky působí velmi slibně. Nicméně právě propojení webu, konverzace a lidské podpory může představovat další evoluci budoucí nákupní cesty.