总：AI购物已开始改变零售规则，了解AI推荐的差异和比价技巧，能帮助你在购物时做出更明智的选择。
1. 同一购物需求向不同AI助手提问，推荐结果差异极大。ChatGPT贡献约80%的产品推荐量，Google约20%，不要只依赖一个AI助手，可多平台交叉比较。
2. AI推荐不受传统价格定位约束，比如英国男士西装推荐价格从27英镑到3295英镑，电竞椅从79美元到3479美元，高端和平价产品会并列展示，这既给你更多选择，也更需要仔细比价。
3. 传统品牌在AI推荐场景下优势被稀释，单个问题最多可引出290个同品类品牌，美国时尚品类覆盖120个品牌，头部品牌仅占7%推荐席位，不必只盯大牌，AI会带来很多小众平替。
4. 不同AI助手参考的零售商数量差异大，从1家到170余家不等，比如亚马逊Alexa几乎只推荐自有平台，而ChatGPT会参考多家零售商，需要留意推荐商品的购买渠道是否足够丰富。
总：AI购物正在瓦解传统品牌优势，品牌需要理解AI推荐逻辑，管理AI可见性，并调整定价、渠道和产品策略。
1. 品牌营销：传统品牌优势在AI推荐场景下被稀释，美国时尚品类120个品牌中头部仅占7%推荐席位，没有绝对头部，品牌需要主动争夺AI推荐席位，而不仅是传统货架。
2. 定价与价格竞争：AI推荐不受品牌传统价格定位约束，同一列表可能覆盖从27英镑到3295英镑的男士西装，高端与平价相邻，品牌定价需考虑与不同价位产品的直接竞争。
3. 渠道建设：不同AI助手参考零售商数量差异大，ChatGPT可能参考30家零售商，Google只参考4家，亚马逊Alexa几乎推自有平台，品牌需要根据不同AI的选品来源制定渠道布局策略。
4. 产品研发与优化：借助Share of Model购物优化功能，可追踪单SKU级别的AI推荐、排名、价格、评分，识别驱动AI推荐的产品属性和内容信号，为产品研发和详情页优化提供数据支撑。
总：AI购物为卖家带来新流量入口和销售渠道变化，需要抓住机会，规避风险。
1. 增长市场机会：AI推荐正在取代部分搜索和平台流量，ChatGPT贡献约80%的AI产品推荐量，是重点布局渠道；家电品类ChatGPT占比高达97%，不同品类差异大，需选择重点。
2. 消费需求变化：AI推荐不受价格定位约束，同一问题会同时展示高端和平价替代品，消费者更容易被性价比打动，卖家可以通过优化产品评分和内容来获得AI推荐。
3. 事件应对与风险提示：传统品牌优势被稀释，单个问题最多可引出290个品牌，新卖家有曝光机会；但如果产品信息不被AI参考，可能失去潜在订单。需要监控自己在AI推荐中的排名和入选零售商名单。
4. 可学习点：Jellyfish的新工具可查看AI选定的SKU、排名、价格、评分和零售商，卖家应利用类似工具优化产品属性、内容信号和信息来源，提升被AI推荐的几率。
总：AI购物对产品生产和设计提出了新要求，工厂应理解AI推荐偏好，优化产品数据和设计。
1. 产品生产需求：AI推荐基于具体SKU的属性、内容信号和信息来源，工厂需要确保产品信息结构化、数字化，方便被AI抓取和推荐。
2. 设计需求：AI推荐列表覆盖价格跨度极大，高端与平价同台竞争，工厂可根据代工品牌定位，设计符合AI推荐逻辑的差异化产品，既做高端也做性价比款。
3. 商业机会：传统品牌优势消解，更多中小品牌和新品牌有机会进入AI推荐列表，工厂可借此拓展代工客户，为这些品牌提供适合AI推荐逻辑的产品。
4. 数字化启示：可借鉴Share of Model工具思路，建立自己的SKU级数据分析能力，追踪产品在AI购物环境中的表现，指导研发和电商运营。
总：AI购物研究揭示行业新趋势，服务商可据此开发或优化解决方案，帮助品牌应对代理式商业挑战。
1. 行业趋势：AI推荐成为消费决策直接参与者，不存在统一AI货架，ChatGPT与Google推荐量差异大，代理式商业正在改写竞争规则，服务商应提前布局相关服务能力。
2. 客户痛点：品牌无法清晰掌握AI购物系统偏好特定产品的核心逻辑，传统数字货架工具和初代AI可见度工具已不足以应对新需求，建议提供更精准的SKU级可见性分析。
3. 解决方案：Jellyfish的购物优化功能可追踪AI推荐的具体SKU、排名、价格、评分和选定的采购零售商，还能识别影响推荐的产品属性、内容信号与来源，服务商可参考设计类似工具或为客户提供优化咨询。
4. 全链路服务：该功能与创作者智能、AI广告优化配合，覆盖自有内容、公域传播、付费投放三类AI触点，可作为生成式引擎营销策略的服务模块推荐给品牌。
总：AI购物正在改变平台间的流量分配，平台商需要理解AI推荐机制，争取被选为采购来源，并防范风险。
1. 平台流量需求：不同AI助手的选品来源差异巨大，亚马逊Alexa几乎全部推荐自有平台商品，而ChatGPT会参考24至170余家零售商，平台需要优化自身商品数据，提高被AI助手参考的概率。
2. 最新做法：Jellyfish的Share of Model工具已可追踪AI选定的采购零售商，平台可借鉴此思路监测自身在各类AI购物环境中的出现率和推荐排名。
3. 运营管理：AI推荐不受品牌价格定位约束，高中低价商品会并列展示，平台需要调整搜索和推荐策略，让不同价格带的商品都有机会被外部AI抓取。
4. 风险规避：同一需求下不同AI给出的推荐列表覆盖零售商数量从1家到170余家，单一平台封闭策略可能在部分AI场景有效，但在其他场景可能被排除，平台需评估多AI渠道的兼容性。
总：AI购物研究展现了零售竞争规则重构的新产业动向，提出了AI推荐机制、品牌优势消解和代理式商业模式等议题。
1. 产业新动向：AI购物助手正在成为消费决策直接参与者，不存在统一AI货架，不同AI推荐结果差异极大，传统品牌领先优势被大幅稀释，美国时尚品类120个品牌中头部仅占7%推荐席位。
2. 新问题：AI推荐不受品牌传统价格定位约束，价格带跨度大，推荐来源零售商数量从1家到170余家不等，这带来算法公平性、透明度以及消费者选择多样性等问题。
3. 商业模式：代理式商业正在改写竞争规则，品牌需要面向AI这一新决策主体做适配，面向AI的优化（如Share of Model工具）正在成为新服务品类，形成全链路营销支撑的商业模式。
4. 政策法规启示：AI推荐结果的高度差异化和不透明性可能影响消费者权益和公平竞争，研究者可呼吁建立AI推荐可解释、可审计的机制，并为品牌提供应对策略建议。
返回默认
