.png)
Turėti nedidelę el. prekybos parduotuvę dažnai reiškia vienu metu būti ir rinkodaros specialiste, ir analitike, ir klientų aptarnavimo komanda. Dideli prekių ženklai šiems darbams turi atskirus departamentus, o dabar vis dažniau šiuos darbus perduoda dirbtiniam intelektui (DI, arba angliškai AI). Gera žinia ta, kad dauguma šių sprendimų prieinami ir solo verslui, jei žinai, nuo ko pradėti.
Dalinamės šešiais darbais, kuriuos elektroninė parduotuvė jau šiandien gali perduoti DI, su konkrečiais užduočių pavyzdžiais ir vietomis, kur vis dar būtinas žmogaus sprendimas. Didžioji dalis įžvalgų paremta el. prekybos ekspertės Linos Gallagher mokymais „Dirbtinis intelektas elektroninėje prekyboje". Lina daugiau nei 20 metų dirba su el. prekybos verslais ir yra dirbusi su tokiais prekių ženklais kaip „Chanel", „Dior", „Carrefour" ir „Selfridges".
Įrankių funkcijos pateikiamos 2026 metų rudens duomenimis ir gali keistis.
1. Konkurentų stebėjimas
Dauguma el. parduotuvių savininkų konkurentų puslapius vertina tada, kai atsiranda laiko, o taip būna retai. Tuo metu konkurentė jau pakeitė kainas, paleido naują kolekciją ar pradėjo siūlyti nemokamą pristatymą, o Tu apie tai sužinai iš klientų užklausų.
Kodėl tai verta patikėti DI. Konkurentų analizė yra pasikartojantis, aiškios struktūros darbas: peržiūrėti kelis puslapius, surašyti kainas, pasiūlymus ir pokyčius. Būtent tokiose užduotyse dirbtinis intelektas stipriausias. Šis darbas iš maždaug dviejų valandų gali sutrumpėti iki penkių minučių.
Kaip tai atrodo praktiškai. Naudok ChatGPT ar Claude su įjungta interneto paieška. Užklausos pavyzdys:
„Esu lininių namų tekstilės el. parduotuvės savininkė Lietuvoje. Peržiūrėk šių trijų konkurentų svetaines: [nuorodos]. Palygink patalynės komplektų kainas, pristatymo sąlygas ir šiuo metu vykdomas akcijas. Pateik lentelę ir trumpai parašyk, kuo mano pasiūlymas už 89€ išsiskiria arba atsilieka."
Pažangesnis žingsnis. ChatGPT turi suplanuotų užduočių (scheduled tasks) funkciją, tad tą pačią užduotį gali nustatyti kartoti kiekvieną pirmadienio rytą. Tada konkurentų suvestinę gausi automatiškai, o ne tada, kai prisiminsi.
Štai kaip tą patį darbą palygina Lina savo mokymuose: rankiniu būdu, su ChatGPT ir su DI agentu, kuris darbą atlieka pats pagal tvarkaraštį.
2. Reklamos ataskaitos ir skaičiai, kurie iš tikrųjų svarbūs
Reklamos paskyrose skaičių daug, o aiškumo mažai. Dažniausiai žiūrima į vieną rodiklį, ROAS (kiek pajamų atnešė kiekvienas reklamai išleistas euras), nors jis rodo tik dalį vaizdo.
Kodėl vien ROAS nebepakanka. ROAS skaičiuoja pati reklamos platforma, ir kiekviena sau priskiria kuo daugiau pardavimų. Jei klientė pamatė Tavo reklamą Instagram, vėliau Google paieškoje susirado parduotuvę ir galiausiai nusipirko iš naujienlaiškio, tą patį pardavimą sau gali priskirti ir Meta, ir Google. Todėl Linos mokymuose daug kalbama apie MER (angliškai Marketing Efficiency Ratio): visos parduotuvės pajamos, padalintos iš visų rinkodaros išlaidų. Jis parodo, ar verslas iš tikrųjų auga, o ne kaip gerai reklamos platforma skaičiuoja savo nuopelnus.
Pavyzdžiui, per mėnesį reklamai išleidai 600€, o visos parduotuvės pajamos buvo 3 000€. MER lygus 5. Jei kitą mėnesį reklamos biudžetą padidini iki 900€, o pajamos pakyla tik iki 3 300€, MER nukrenta iki beveik 3,7, net jei reklamos paskyroje ROAS atrodo gražiai.
Ką čia gali padaryti DI. Kas savaitę eksportuok reklamos ir parduotuvės duomenis (CSV failus iš Meta, Google ir savo el. parduotuvės platformos), įkelk juos į ChatGPT ar Claude ir paprašyk: „Apskaičiuok šios savaitės MER, palygink su praėjusiomis keturiomis savaitėmis ir įvardink tris kampanijas, kurių rezultatai prastėja greičiausiai. Paaiškink paprastai, be reklamos žargono."
Kur būtina Tavo akis. Reklamos platformos pačios vis labiau remiasi dirbtiniu intelektu. 2026 metų pradžioje Meta sujungė rankinių ir automatizuotų „Advantage+" kampanijų kūrimą į vieną, o auditorijos, vietų ir biudžeto optimizavimas dabar įjungtas pagal nutylėjimą. Tai reiškia, kad sprendimus už Tave priima algoritmas, ir būtent Tavo darbas yra patikrinti, ar jie atneša pelną, o ne vien pardavimus.
Jei nori išsamiau suprasti, kaip AI keičia „Meta" ir „Google" reklamą, kaip planuoti biudžetą ir ką daryti, kai rezultatai prastėja, visa tai Lina detaliai aptaria mokymuose „Dirbtinis intelektas elektroninėje prekyboje". Mokymų įrašas lietuvių kalba, su Lietuvos rinkos pavyzdžiais, 100 paruoštų užklausų rinkiniu ir automatizacijų aprašais.
3. Klientų atsiliepimų analizė
Atsiliepimai yra viena vertingiausių, bet mažiausiai išnaudojamų informacijos rūšių el. parduotuvėje. Dažniausiai jie perskaitomi, pasidžiaugiama gerais, o dėl blogų pasiskundžiama, tačiau bendros tendencijos taip ir lieka nepastebėtos.
Kodėl tai verta patikėti DI. Kai atsiliepimų yra šimtai (parduotuvėje, Google, socialiniuose tinkluose, klienčių žinutėse), žmogui sunku pamatyti pasikartojančius motyvus. Dirbtinis intelektas per kelias minutes suskirsto juos į temas ir parodo, ką klientės iš tikrųjų vertina ir kas joms trukdo.
Kaip tai atrodo praktiškai. Nukopijuok paskutinius 100 atsiliepimų į vieną dokumentą ir paprašyk: „Suskirstyk šiuos atsiliepimus į temas. Kiekvienai temai nurodyk, kiek kartų ji paminėta, ir pateik dvi tipines citatas. Atskirai išvardink, kokių produktų klientės pasigenda ar kokias prekes dažnai perka kartu."
Tokia analizė dažnai atskleidžia netikėtų dalykų: pavyzdžiui, kad klientės nuolat mini dovanų pakavimą, nors apie jį neparašyta nė vieno žodžio produkto puslapyje, arba kad du produktai perkami kartu taip dažnai, jog verta iš jų sudaryti rinkinį. Linos mokymuose atskirai kalbama, kaip iš atsiliepimų ieškoti produktų rinkinių idėjų ir kainodaros spragų.
4. Laiškų sekos: pasitikimo ir apleisto krepšelio
Dvi automatinės laiškų sekos el. parduotuvei dažnai atneša daugiausia papildomų pardavimų: pasitikimo seka naujai prenumeratorei ir laiškai, kai klientė įsidėjo prekę į krepšelį, bet neapmokėjo. Vis dėlto daug mažų parduotuvių jų neturi, nes parašyti 5 ar 6 laiškus atrodo kaip didelis projektas.
Ką čia gali padaryti DI. Juodraščius dirbtinis intelektas paruošia greitai, jei jam duodi pakankamai konteksto. Pavyzdžiui:
„Parašyk trijų laiškų apleisto krepšelio seką rankų darbo keramikos el. parduotuvei. Mūsų klientės dažniausiai perka dovanų, o dažniausia abejonė yra pristatymas (ar indai nesudužs). Pirmas laiškas po 2 valandų, šiltas priminimas. Antras po 24 valandų, atsako į pristatymo abejonę. Trečias po 3 dienų, su klienčių atsiliepimu. Tonas draugiškas, be spaudimo, be nuolaidų."
Kur būtina Tavo akis. DI nežino, kaip rašai Tu, todėl pirmas variantas dažnai būna bendrinis. Perskaityk kiekvieną laišką garsiai ir paprašyk pataisyti tai, kas neskamba Tavo balsu. Apie tai, kaip DI išmokyti rašyti Tavo stiliumi, plačiau rašėme įraše „5 dažniausios klaidos naudojant ChatGPT ir Claude".
5. Produktų aprašymai ir matomumas AI paieškoje
Vis daugiau žmonių prekes ieško ne tik Google, bet ir klausdamos dirbtinio intelekto įrankių: „Kokią lininę patalynę rinktis jautriai odai?" Į tokius klausimus ChatGPT atsako ne dešimčia nuorodų, o keliais konkrečiais produktais su paaiškinimu, kodėl jie tinka.
Kodėl tai svarbu mažai parduotuvei. AI paieška ieško aiškios, struktūruotos informacijos: iš ko pagamintas produktas, kam jis tinka, kokie matmenys, kaip prižiūrėti, kokia kaina ir ar prekė turima. Jei Tavo produkto aprašyme parašyta tik „Švelni ir jauki patalynė Tavo namams", dirbtiniam intelektui tiesiog nėra ką rekomenduoti. OpenAI jau kviečia prekybininkus pateikti savo produktų sąrašus tiesiogiai per ChatGPT prekybininkų programą, tad ši kryptis tik stiprės.
Kaip tai atrodo praktiškai. Paprašyk DI peržiūrėti Tavo produkto aprašymą: „Štai mano produkto aprašymas. Kokios informacijos jame trūksta, kad pirkėja galėtų apsispręsti be papildomų klausimų? Pateik patobulintą versiją su aiškia struktūra: medžiaga, matmenys, kam tinka, priežiūra." Tas pats principas galioja ir kolekcijų aprašymams, kurie dažnai lieka tušti.
Kur būtina Tavo akis. Faktus (sudėtį, matmenis, pagaminimo šalį) visada tikrink pati. DI mielai prirašo įtikinamai skambančių detalių, kurių Tavo produktas neturi.
6. Kelio iki apmokėjimo patikra
Dažna situacija: į parduotuvę žmonės ateina, bet neperka. Pirmiausia kaltinama reklama, nors tikroji problema dažnai slypi pačioje svetainėje: neaiškus pristatymo kainos paminėjimas, per mažas mygtukas telefone, per ilga registracijos forma.
Ką čia gali padaryti DI. Padaryk ekrano nuotraukas visam pirkimo keliui telefone: pagrindinio puslapio, produkto puslapio, krepšelio ir atsiskaitymo žingsnių. Įkelk jas į ChatGPT ar Claude ir paprašyk: „Esu pirmą kartą šioje parduotuvėje apsilankiusi pirkėja telefone. Peržiūrėk šiuos ekranus ir įvardink penkias vietas, kuriose greičiausiai sustočiau ar išeičiau. Kiekvienai pasiūlyk konkretų pataisymą."
Tokia analizė nepakeis tikrų klienčių elgesio duomenų, bet per 10 minučių parodo akivaizdžias kliūtis, kurių pati, kasdien žiūrėdama į savo parduotuvę, nebepastebi. Linos mokymuose tokios analizės daromos gyvai su tikrų grožio, mados ir namų tekstilės prekių ženklų puslapiais, tad aiškiai matyti, kas veikia ir kas ne.
Kodėl tai verta padaryti anksčiau nei didinti reklamos biudžetą, gerai parodo šie skaičiai: net nedidelis konversijos pagerėjimas atneša daugiau pajamų iš to paties srauto, už kurį jau sumokėjai.
Apibendrinimas: nuo ko pradėti
Šeši darbai, kuriuos el. parduotuvė gali patikėti dirbtiniam intelektui:
- Konkurentų kainų ir pasiūlymų stebėjimas.
- Reklamos ataskaitos ir MER skaičiavimas vietoj aklo pasitikėjimo ROAS.
- Klientų atsiliepimų analizė produktų ir rinkinių idėjoms.
- Pasitikimo ir apleisto krepšelio laiškų juodraščiai.
- Produktų aprašymai, kuriuos supranta ir pirkėjos, ir AI paieška.
- Pirkimo kelio telefone patikra.
Visų šešių iš karto diegti nereikia. Pasirink vieną darbą, kuris šiandien atima daugiausia Tavo laiko, ir per ateinančią savaitę pabandyk jį atlikti su DI. Jei parduotuvę dar tik planuoji, pradėk nuo konkurentų analizės ir produktų aprašymų: jų naudą pajusi dar prieš pirmąjį pardavimą.
Dirbtinis intelektas neatstoja Tavo sprendimų, bet atlaisvina valandas, kurias dabar praleidi kopijuodama skaičius į lenteles. Tas valandas gali skirti tam, ko DI už Tave nepadarys: produktui, klientėms ir verslo krypčiai.
Visa tai, ir dar daug daugiau, Lina Gallagher išsamiai aptaria mokymuose „Dirbtinis intelektas elektroninėje prekyboje". Apie 3,5 valandos mokymų įrašo lietuvių kalba, mokymų skaidrės, 100 dirbtinio intelekto užklausų rinkinys, automatizacijų aprašai žingsnis po žingsnio ir dovanų Linos el. knyga „Winning in the Platform Economy". Prieiga neribota, tad prie aktualios temos gali grįžti tada, kai jos prireiks.
She Is Glowing Klubo narėms šie mokymai kainuoja 30€ mažiau. Klube kiekvieną mėnesį vyksta ir DI dirbtuvės, kuriose moterys dalijasi, kaip pritaiko AI savo verslams, ir kartu išbando naujus įrankius. Jei nori mokytis kartu su kitomis veikliomis moterimis, prisijunk prie Klubo.
