Produktväljare med AI

Därför räcker inte filter

HellermannTyton levererar lösningar för kabelhantering och buntning över hela världen. Katalogen innehåller cirka 8 000 produkter med upp till 120 tekniska egenskaper var, till exempel material, temperaturområde, UV-tålighet och buntdiameter.
Många av produkterna ser likadana ut. Buntband, klämmor och kopplingar finns i dussintals varianter. En kund som letar efter ett värmetåligt buntband för utomhusbruk i fordonsindustrin vet kanske inte om hen ska filtrera på “temperaturområde”, “UV-tålighet” eller “användningsområde”. Katalogen har separata filter för alla tre.

För att snabbt hitta rätt produkt behövde kunderna förstå hur egenskaperna var uppbyggda. Därför valde många att kontakta säljteamet direkt i stället.

Vårt mål

Kunderna ska kunna beskriva vad de behöver med vanliga ord och få produkter som passar. De ska inte behöva lära sig HellermannTytons interna system för produktegenskaper först.

Så gick vi tillväga

Vi började med UX-research. Innan vi skrev en enda rad kod undersökte vi hur kunderna faktiskt söker efter produkter. Vilka ord använder de? Hur mycket vet de om katalogen? Oftast väldigt lite.

Vi byggde lösningen i tre steg. Först tog vi fram skisser och ett UX-koncept som översatte riktiga kundfrågor till produktegenskaper. Sedan utvecklade vi en traditionell chattbot för att testa om ett samtalsbaserat upplägg alls fungerade. När det var bekräftat ersatte vi de förprogrammerade flödena med en stor språkmodell (LLM) som förstår sammanhang och själv kan smalna av resultaten.

Teamet

UX-design, AI-utveckling, backend- och frontendutveckling samt integration med Bloomreach. Alla arbetade tillsammans från start. AI-utvecklarna var med på UX-sessionerna och utvecklarna hjälpte till att forma samtalsflödet. Det fanns inga stela överlämningar mellan faserna.

I drift efter 6 månader

Den första versionen lanserades efter sex månader. Den största insatsen var att integrera lösningen i den befintliga tekniska miljön. HellermannTyton använde redan Microsofts teknik i hela sin infrastruktur. Produktdatan låg i ett PIM-system och sökningen drevs av Solr. Chattboten behövde bygga vidare på de systemen.

Så hänger delarna ihop

Vi byggde ingen separat produktdatabas för AI:n. Den fungerar i stället som ett extra lager ovanpå samma PIM- och Solr-infrastruktur som driver den befintliga produktsökningen.

Chattgränssnittet är inbäddat i Bloomreach Hippo CMS. En gateway-tjänst i CMS-applikationen styr samtalet. Den tar emot varje kundmeddelande, samordnar AI-anropen, hämtar relevanta produkter och relevant innehåll och skickar ett strukturerat svar tillbaka till frontend.

Det här händer när en kund ställer en fråga

Varje fråga går igenom två separata AI-anrop. Metoden kallas Retrieval-Augmented Generation (RAG).

1. Avsiktsanalys
Meddelandet skickas till Azure OpenAI (GPT-4o), som avgör vad kunden vill: söka efter en produkt, ställa en fråga om innehåll eller jämföra produkter. Modellen gör om kundens fritext till en normaliserad sökfråga. Anropet körs helt utan slumpmässighet, så att klassificeringen blir konsekvent.

2. Hämtning
Utifrån avsikten söker gateway-tjänsten efter produktdata i Apache Solr och efter redaktionellt innehåll, som tekniska guider och applikationsanvisningar, i Azure Cognitive Search. Båda systemen fanns redan på plats.

3. Svar
De produkter och det innehåll som hämtats skickas vidare till ett andra AI-anrop. Nu har modellen både kundens fråga och relevant data. Den skriver en förklarande text och ger konkreta produktförslag, och lyfter fram de egenskaper som är viktiga för just den frågan. Om resultaten är för breda ställer den en följdfråga.

Båda AI-anropen returnerar strukturerad JSON enligt ett fast schema. Frontend får typad data och visar den direkt som produktkort, jämförelsetabeller eller följdfrågor.

Tekniken bakom

Allt körs på infrastruktur som HellermannTyton redan hade. Vi lade till en Spring Boot-tjänst för AI-logiken och integrerade den med det befintliga CMS:et, sökindexet och molnmiljön. Inga nya leverantörer eller extra hosting behövdes.

• CMS och frontend: Bloomreach Hippo 16, serverrenderade mallar, Alpine.js

• Chattbottjänst: Java 21, Spring Boot, Spring AI

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

• Produktsökning: Apache Solr, indexerat från det befintliga PIM-systemet

• Innehållssökning: Azure Cognitive Search

• Hosting: Microsoft Azure (kundens befintliga molnmiljö)

Det här levererade vi

Resultatet är en produktväljare som fungerar som ett samtal. Kunderna beskriver vad de behöver med egna ord, och AI:n räknar ut vilken kombination av de 120 egenskaperna som matchar kraven. De flesta frågor löses på två till tre steg.

Det här har förändrats

Nya kunder hittar nu produkterna på egen hand. Antalet felbeställningar har minskat eftersom färre väljer fel produktvariant. Säljteamet lägger mindre tid på enkla frågor och mer tid på rådgivning som verkligen gör skillnad. Verktyget utvecklas och förbättras löpande.

Därför är caset intressant

Många AI-projekt i stora företag börjar med att bygga något helt nytt: en ny databas, en ny frontend och ny infrastruktur. Hos HellermannTyton integrerade vi AI i de befintliga systemen. Produktdatan ligger kvar där den är, men nu går den också att nå genom ett samtal.
AI:n ersätter inte produktsökningen. Den ger ett annat sätt att hitta produkter för den som inte kan terminologin bakom 120 tekniska egenskaper.