AI w e-commerce: badania ścieżki zakupowej marketplace B2C

AI w e-commerce: badania ścieżki zakupowej marketplace B2C

Case study polskiego marketplace B2C. W miesiąc zbadaliśmy ścieżki klientów w kontekście AI, dostarczyliśmy 40 priorytetyzowanych błędów UX i dwie Customer Journey Maps.

Czyli o tym, jak w miesiąc zbadaliśmy ścieżki klientów i kontekst AI w popularnym polskim marketplace B2C, zwiększając konwersję na kluczowych etapach lejka zakupowego.

Od weryfikacji założeń dotyczących sztucznej inteligencji do wdrożenia poprawek na produkcji — w 30 dni zidentyfikowaliśmy blokady decyzyjne i dostarczyliśmy 40 wyselekcjonowanych błędów użyteczności w 3 stopniach priorytetu. Efekt: wyższy ROI z kampanii marketingowych.

Jakie było główne wyzwanie klienta?

Klient — jeden z najpopularniejszych polskich marketplace'ów B2C — mierzył się z rosnącymi kosztami marketingowymi. Aby utrzymać zyskowność, konieczna była optymalizacja konwersji (CRO) i maksymalizacja ROI bezpośrednio w serwisie.

Drugim wyzwaniem był narastający trend sztucznej inteligencji. Zarząd musiał podjąć strategiczną decyzję: inwestować w rozwiązania oparte na GEO czy we własnego asystenta AI? Wymagało to dogłębnego zrozumienia obaw, potrzeb i blokad użytkowników przed korzystaniem z AI w procesie zakupowym online.

Jakie były dodatkowe ograniczenia?

• Niezwykle krótki czas realizacji — zaledwie miesiąc od spotkania kick-off do dostarczenia gotowego raportu z rekomendacjami.
• Wymagająca rekrutacja niszowych użytkowników — prowadzona wspólnie przez naszą agencję i klienta. Dotarcie do bardzo specyficznych segmentów, w tym osób wykazujących niszowe zachowania konsumenckie w kontekście korzystania z AI.

Jak wyglądał proces?

01 Wejście w projekt i audyt analityki

Projekt rozpoczął się od spotkania kick-off, podczas którego ustaliliśmy aktualną sytuację firmy, przeanalizowaliśmy dane sprzedażowe z wdrożonej analityki oraz zdefiniowaliśmy obecne segmenty użytkowników.

02 Mapowanie predefiniowanej ścieżki klienta

Na podstawie zgromadzonych danych stworzyliśmy hipotetyczną ścieżkę zakupową — określając miejsca, w których klient podejmuje kluczowe decyzje, oraz punkty styku z technologią AI.

03 Rekrutacja i dobór próby

Precyzyjnie dobraliśmy osoby zgodnie z segmentacją i hipotetycznymi potrzebami względem ścieżek zakupowych wspieranych sztuczną inteligencją. Rekrutacja była najtrudniejszym elementem projektu.

04 Badania eksploracyjne i testy użyteczności

Przeprowadziliśmy dogłębne badania jakościowe. Połączyliśmy wywiady eksploracyjne z testami użyteczności na żywym organizmie, aby zrozumieć, jak klienci realnie korzystają z serwisu i gdzie napotykają blokady.

05 Raportowanie i 2x Customer Journey Map

Zebrane dane przekuliśmy w konkret. Powstał raport priorytetyzujący 40 błędów użyteczności oraz dwie odrębne mapy podróży klienta (Customer Journey Map) — jedna dla użytkowników mniej zaawansowanych technologicznie, druga dla entuzjastów AI. Na tej podstawie stworzyliśmy roadmapę naprawczą.

06 Weryfikacja ilościowa i wdrożenie na produkcji

Wyniki badań jakościowych płynnie przekazaliśmy do weryfikacji ilościowej — w celu ustalenia priorytetów na kolejne miesiące roadmapy produktowej. W kolejnych miesiącach wspólnie z klientem wdrażaliśmy poprawki na środowisku produkcyjnym.

Efekty współpracy

Dwie zindywidualizowane ścieżki rozwoju produktu

Dzięki badaniom Discovery udowodniliśmy, że podejście do użytkowników musi być zróżnicowane. Zbudowanie dwóch różnych Customer Journey Maps — dla laików oraz entuzjastów AI — pozwoliło firmie na mądre, stopniowe wdrażanie innowacji, minimalizując ryzyko odrzucenia asystenta AI przez ostrożnych konsumentów.

Skrócenie i optymalizacja ścieżki zakupowej w zaledwie 1 miesiąc

W ciągu zaledwie 30 dni od startu projektu dostarczyliśmy konkretną, 3-stopniową listę 40 błędów użyteczności. Zlikwidowanie tych wąskich gardeł bezpośrednio przełożyło się na poprawę konwersji w najbardziej newralgicznych punktach serwisu: przejściu z listingu na kartę produktu oraz z karty do koszyka zakupowego.

Trafne decyzje inwestycyjne oparte na danych

Nasza praca dostarczyła decydentom rzetelnych argumentów. Zamiast "przepalać" wysokie budżety na nietrafione rozwiązania technologiczne, organizacja mogła precyzyjnie alokować środki na te funkcje AI, które realnie wspierały konwersję i odpowiadały na obawy klientów — tym samym trwale zwiększając ROI z budżetów marketingowych.

Podsumowanie projektu

• Branża: E-commerce (Marketplace)
• Usługi: Zarządzanie UX, badania jakościowe, projektowanie Customer Journey
• Model: B2C
• Czas do pełnego raportu: 1 miesiąc
• Rola Quale: Agencja badawcza / Strateg UX

Masz podobne wyzwanie w swoim e-commerce lub marketplace? Zróbmy Discovery, który pokaże gdzie są realne blokady decyzyjne i jak wprowadzić AI tak, żeby wspierało konwersję, a nie ją podkopywało.