Ralph Lauren wprowadził do swojej amerykańskiej aplikacji mobilnej nową funkcję o nazwie „Ask Ralph”. To stylistyczny asystent oparty na sztucznej inteligencji, który ma naśladować doświadczenie rozmowy z doradcą w sklepie stacjonarnym. Narzędzie powstało we współpracy z Microsoftem i działa w oparciu o platformę Azure OpenAI, a jego premiera odbyła się wyłącznie na rynku amerykańskim.
Nowa usługa pozwala klientom zadawać pytania w naturalnym języku, takie jak „co założyć na koncert?” czy „jak wystylizować granatową marynarkę?”. W odpowiedzi system generuje propozycje kompletów ubrań z aktualnej oferty marki Polo Ralph Lauren, prezentując je w formie spójnych wizualnych układów. Każdy element można dopasować lub zmienić dzięki kolejnym pytaniom, a następnie dodać do koszyka zarówno pojedyncze ubrania, jak i całą stylizację. Ważne jest, że rekomendacje bazują wyłącznie na materiałach własnych marki - katalogach, kampaniach czy zdjęciach produktowych – co gwarantuje zgodność ze stylem i językiem estetycznym Ralph Lauren.
Dla klienta takie rozwiązanie to przede wszystkim oszczędność czasu i wygoda. Zamiast samodzielnie filtrować setki produktów, otrzymuje gotową inspirację dopasowaną do okazji. Interaktywny charakter rozmowy z narzędziem sprawia, że proces bardziej przypomina dialog z konsultantem niż przeglądanie sklepu internetowego. Doświadczenie jest też spójne wizualnie, a każda propozycja jest od razu dostępna w sprzedaży, co eliminuje problem widoczności niedostępnych towarów.
Jednocześnie w obecnej formie „Ask Ralph” ma poważne ograniczenia. System nie zapamiętuje wcześniejszych rozmów ani preferencji użytkownika, co sprawia, że każda sesja rozpoczyna się od zera i trudno mówić o prawdziwej personalizacji. Brakuje też możliwości wgrania własnych zdjęć czy dopasowania stylizacji do garderoby, którą klient już posiada. W testach pojawiały się również nieintuicyjne propozycje, które nie zawsze odpowiadały realnym potrzebom - przykładowo brak uwzględnienia kontekstu pogodowego lub budżetowego. Wysokie ceny sugerowanych zestawów dodatkowo mogą zniechęcać użytkowników poszukujących bardziej elastycznych opcji.
Z perspektywy menedżerów obsługi klienta to doświadczenie stanowi przykład wdrożenia nowoczesnej technologii, która imponuje spójnością wizualną i markową narracją, ale jednocześnie ujawnia, jak trudno jest przenieść „ludzki” element doradztwa w pełni do świata cyfrowego. Kluczowe dla dalszego rozwoju takiej funkcji będzie dodanie pamięci kontekstowej, rozszerzenie personalizacji, a także wprowadzenie opcji filtrowania według budżetu i okazji. Dobrą praktyką mogłoby być także gromadzenie i analizowanie opinii klientów w czasie rzeczywistym, aby szybko korygować nietrafione propozycje i ulepszać algorytm.
„Ask Ralph” to krok w stronę cyfrowej transformacji doświadczenia zakupowego, który pokazuje potencjał wykorzystania sztucznej inteligencji w branży odzieżowej. Narzędzie inspiruje i ułatwia zakupy, ale jednocześnie pozostawia sporo miejsca na rozwój. Dla klientów jest ciekawą nowinką, dla działów obsługi klienta – lekcją, że technologia musi być wsparta rzetelnym rozumieniem potrzeb użytkownika, jeśli ma stać się realnym narzędziem poprawy doświadczenia, a nie jedynie eksperymentem.
Wnioski i rekomendacje
Dla menedżerów obsługi klienta lub rozwoju produktu, poniżej kilka wskazówek, które mogą pomóc, by podobne narzędzia były bardziej użyteczne, a doświadczenie klienta – lepsze:
| Obszar | Co można poprawić / rozwijać | Potencjalny wpływ na klienta / obsługę |
|---|---|---|
| Personalizacja historyczna | Umożliwić pamięć preferencji między sesjami - np. poprzez profil klienta; zapisywanie stylów, wcześniejszych wyborów, ulubionych estetyk. | Klient poczuje, że system go zna; mniej powtarzalnych sugestii; lepsza lojalność. |
| Dodanie funkcji wizualnych | Możliwość przesyłania własnych zdjęć ubrań lub fragmentów garderoby; rozpoznawanie stylu zdjęć klienta; funkcje kontekstowe (pogoda, lokalizacja). | Ułatwienie dopasowania do realnych warunków i preferencji; większa trafność sugestii. |
| Lepsze zarządzanie budżetem | Opcja filtrowania po przedziałach cenowych; automatyczne pokazywanie tańszych wariantów; transparentność cen. | Klienci z niższym budżetem będą mieli poczucie, że narzędzie ich uwzględnia; mniejsza frustracja. |
| Kontynuacja konwersacji i dostępność historii | Zapewnienie, że użytkownik może wrócić do wcześniejszych sugestii; możliwość kontynuacji rozmowy; zapamiętywanie wątku. | Ułatwienie korzystania; większa wygoda – nie trzeba zaczynać od nowa. |
| Rozszerzenie oferty i geograficzne | Włączenie innych linii marki; ekspansja do kolejnych rynków; adaptacja lokalna (np. dostępność produktów, ceny, dostawy). | Większa baza klientów; lepsze doświadczenie dla użytkowników poza USA; uniknięcie frustracji z powodu niedostępności. |
| Dokładność i jakość sugestii | Testy z użytkownikami końcowymi, ubieranie w różnych kontekstach; lepsze opisy kontekstowe do promptów; mechanizmy oceny i feedbacku. | Poprawa dokładności i trafności rekomendacji; większe zaufanie do technologii. |