AI-baseret produktfinder med samtalefunktion

Hvorfor produktfiltre ikke er nok

HellermannTyton leverer løsninger til kabelhåndtering og kabelfastgørelse over hele verden. Produktkataloget indeholder omkring 8.000 produkter med op til 120 tekniske egenskaber pr. produkt, herunder materiale, temperaturområde, UV-bestandighed og bundtdiameter.

Mange af produkterne ligner hinanden. Kabelbindere, klemmer og forbindelseskomponenter findes i adskillige varianter. En kunde, der leder efter en varmebestandig kabelbinder til udendørs brug i bilindustrien, ved måske ikke, om der skal filtreres efter "temperaturområde", "UV-bestandighed" eller "anvendelsesområde". Produktkataloget har separate filtre til alle tre.

For hurtigt at finde det rette produkt var kunderne nødt til at forstå systemet med tekniske egenskaber. Derfor foretrak mange at kontakte salgsteamet direkte.

Vores mål

Kunderne skal kunne beskrive deres behov i almindeligt sprog og få vist produkter, der matcher. De skal ikke først lære HellermannTytons interne system for produktegenskaber at kende.

Sådan greb vi opgaven an

Vi startede med UX-research. Før vi skrev en eneste linje kode, undersøgte vi, hvordan kunderne rent faktisk søger efter produkter. Hvilke ord bruger de? Hvor godt kender de produktkataloget? I de fleste tilfælde var kendskabet meget begrænset.

Vi udviklede løsningen i tre faser. Først udarbejdede vi mockups og et UX-koncept, der omsatte kundernes faktiske spørgsmål til produktegenskaber. Derefter udviklede vi en traditionel chatbot for at teste, om en samtalebaseret tilgang overhovedet ville fungere. Da dette var bekræftet, erstattede vi de foruddefinerede samtaleforløb med en stor sprogmodel (LLM), der selv kunne forstå konteksten og indsnævre søgeresultaterne.

Teamet

UX-design, AI-udvikling, backend- og frontendudvikling samt Bloomreach-integration. Alle arbejdede sammen fra begyndelsen. AI-udviklerne deltog i UX-sessionerne, og udviklerne var med til at forme samtaleforløbet. Der var ingen faste overdragelser mellem faserne.

Fra udvikling til lancering på seks måneder

Den første version gik live efter seks måneder. Den største opgave var at integrere løsningen i den eksisterende teknologiske infrastruktur. HellermannTyton anvendte allerede Microsoft-teknologier på tværs af sin infrastruktur. Produktdata blev opbevaret i et PIM-system, og søgefunktionen var baseret på Solr. Chatbotten skulle derfor bygges oven på disse eksisterende systemer.

Sådan hænger de forskellige komponenter sammen

Vi udviklede ikke en separat produktdatabase til AI-løsningen. I stedet fungerer den som et ekstra lag oven på den eksisterende PIM- og Solr-infrastruktur, som også driver den traditionelle produktsøgning.

Chatbottens brugergrænseflade er integreret i Bloomreach Hippo CMS. En gateway-tjeneste i CMS-applikationen styrer samtaleforløbet. Den modtager hver besked fra kunden, koordinerer AI-kaldene, henter relevante produkter og relevant indhold og sender et struktureret svar tilbage til frontend.

Hvad sker der, når en kunde stiller et spørgsmål?

Hver forespørgsel behandles gennem to separate AI-kald. Denne tilgang kaldes Retrieval-Augmented Generation (RAG).

1. Identifikation af brugerens intention

Beskeden sendes til Azure OpenAI (GPT-4o), som identificerer, hvad kunden ønsker: en produktsøgning, et spørgsmål om indhold eller en produktsammenligning. Modellen omsætter kundens formulering i naturligt sprog til en standardiseret søgeforespørgsel. Dette AI-kald udføres uden tilfældighed for at sikre en ensartet klassificering.

2. Informationssøgning

På baggrund af den identificerede intention søger gateway-tjenesten efter produktdata i Apache Solr og efter redaktionelt indhold i Azure Cognitive Search, eksempelvis tekniske vejledninger og anvendelsesbeskrivelser. Begge systemer var allerede en del af den eksisterende infrastruktur.

3. Generering af svar

De fundne produkter og det relevante indhold sendes videre til et andet AI-kald. Modellen har nu både kundens spørgsmål og de relevante data til rådighed. Den genererer forklarende tekst og konkrete produktanbefalinger med fokus på de egenskaber, der er relevante for den pågældende forespørgsel. Hvis søgeresultaterne er for brede, stiller den et opfølgende spørgsmål.

Begge AI-kald returnerer strukturerede JSON-data efter et fast defineret skema. Frontend modtager data i et struktureret format og viser dem direkte som produktkort, sammenligningstabeller eller opfølgende spørgsmål.

Teknologierne bag løsningen

Hele løsningen kører på den infrastruktur, som HellermannTyton allerede havde etableret. Vi tilføjede en Spring Boot-tjeneste til AI-logikken og integrerede den med det eksisterende CMS, søgeindeks og cloudmiljø. Der var derfor ikke behov for nye leverandører eller yderligere hosting.

• CMS og frontend: Bloomreach Hippo 16, server-renderede skabeloner, Alpine.js

• Chatbot-tjeneste: Java 21, Spring Boot, Spring AI

• AI-model: Azure OpenAI GPT-4o, JSON Schema Strict Mode

• Produktsøgning: Apache Solr, indekseret fra det eksisterende PIM-system

• Indholdssøgning: Azure Cognitive Search

• Hosting: Microsoft Azure (kundens eksisterende cloudmiljø)

Det har vi leveret

Resultatet er en produktfinder, der fungerer som en samtale. Kunderne beskriver deres behov med deres egne ord, og AI-modellen identificerer, hvilken kombination af de 120 tekniske egenskaber der matcher deres krav. De fleste forespørgsler bliver afklaret på to til tre trin.

Hvad har ændret sig?

Nye kunder kan nu finde produkter på egen hånd. Antallet af fejlbestillinger er faldet, fordi kunderne i mindre grad vælger den forkerte produktvariant. Salgsteamet bruger mindre tid på at besvare simple henvendelser og mere tid på at yde værdifuld rådgivning. Løsningen bliver løbende videreudviklet og forbedret.

Hvorfor er denne case interessant?

Mange AI-projekter i større virksomheder begynder med at bygge noget helt nyt: en ny database, en ny frontend og en ny infrastruktur. Hos HellermannTyton integrerede vi AI i de eksisterende systemer. Produktdataene bliver, hvor de er, men kan nu også tilgås gennem en samtale.

AI erstatter ikke den traditionelle produktsøgning. Den skaber en alternativ måde at finde produkter på for kunder, der ikke kender terminologien bag de 120 tekniske egenskaber.