Proč vám e-shop lže, i když máte analytiku

Typický den majitele e-shopu: včera byly objednávky o 30 % nižší než minulý týden. Tušíte, že je problém, ale nevíte přesně kde. Než se někdo podívá do dat, udělá exporty a vyhodnotí je, uběhnou dny. A výsledek je často jen „asi to bylo tímhle“.

Data máte. Problém je, že každé z nich ukazují jen část reality.

Realita v e-shopech je taková, že pravda je rozdělená mezi více systémů. Každý z nich ukazuje jen část obrazu:

• e-shop ukazuje objednávky,
• analytika návštěvnost,
• marketing výkon kampaní,
• sklad dostupnost zboží,
• Excel marže.

Když se tyto informace nespojí, rozhodnutí vznikají v úzkém kontextu. I když jsou poctivá, nemusejí být správná.

Proč AI potřebuje vidět víc než jeden Excel

Mnoho firem si myslí, že tenhle problém vyřeší AI. Vyexportují data do Excelu, vloží je do ChatGPT a čekají zázrak. AI ale pracuje jen s tím, co jí dáme. Když nemá kontext celého e-shopu, skladu, marketingu a procesů, odpovědi jsou neúplné nebo domyšlené. AI totiž neumí říct „nevím“, vždy něco odpoví, i když jí chybějí data.

Výsledek?

• Odpovědi znějí rozumně
• Ale nemusejí být pravdivé
• Rozhodnutí jsou pořád pomalá

Co je MCP a co to znamená v praxi pro e-shopy?

Model Context Protocol (MCP) mění tenhle přístup úplně od základu. Nejde o plugin ani integraci, ale o způsob, jak dát AI kontrolovaný přístup přímo k systémům e-shopu. AI se tak nedívá na jeden Excel, ale vidí reálná data z e-shopu, skladu, analytiky či ERP v kontextu. Umí se sama doptávat, porovnávat údaje a navrhovat konkrétní kroky.

V praxi to znamená:

• rychlé odpovědi bez čekání
• méně manuální práce
• lepší rozhodnutí ve správný čas

Příklad z praxe: SEO produkty

Otázka, kterou řeší každý větší e-shop:
„Které produkty mají špatně vyplněné SEO údaje?“

Běžně to znamená:

• úkol pro SEO specialistu
• export dat
• manuální kontrolu
• odpověď za několik dní

S MCP:

• AI vybere aktivní produkty
• zkontroluje relevantní atributy
• vyhodnotí kvalitu dat
• navrhne řešení

Funguje to jako spolehlivý kolega, který má všechny informace najednou.

Příklad z praxe: Customer care, reklamace a vratky bez chaosu

Customer care je v e-shopech často místo, kde se nejrychleji ukáže, že něco v byznysu nefunguje. Roste počet ticketů, zákazníci se opakovaně ptají na to samé, přibývají vratky a reklamace. Pocitově je jasné, že „je toho víc než obvykle“, ale přesná odpověď, proč se to děje, chybí.

Majitel e-shopu to vnímá hlavně přes přetížený support tým a nespokojené zákazníky. Podpora hasí požadavky jeden po druhém, ale nemá prostor dívat se na problém jako na celek. Každý ticket se řeší samostatně, bez širšího kontextu.

Jak se to řeší v e-shopech dnes

V klasickém nastavení funguje customer care přibližně takto:

• support řeší tickety jeden po druhém
• reklamace se zapisují do systému
• vratky se sledují odděleně
• někdo jednou za čas udělá manuální přehled

Výsledkem je, že:

• tým ví, že je problém,
• ale neví kde přesně vzniká,
• a už vůbec ne proč se opakuje.

Rozhodnutí se pak dělají podle pocitu – přidáme lidi na support, změníme formulář, odpovíme zákazníkům rychleji. Problém se ale často jen přesune, nevyřeší.

Zdroj: ChatGPT

Jak vypadá stejná situace s MCP

S MCP se na customer care nedíváte jen přes tickety, ale přes celý kontext e-shopu. Otázka, kterou položíte, může znít například:

„Které problémy se zákazníkům opakují nejčastěji a kde reálně vznikají?“

AI si na pozadí propojí více zdrojů:

• tickety ze zákaznické podpory
• důvody reklamací a vrácení
• konkrétní produkty a objednávky
• skladová a expediční data.

Najednou se nedíváte na jednotlivé zprávy, ale na vzorce chování.

Jaký výstup dává MCP

Výstup už není jen seznam stížností, ale srozumitelný obraz reality, například:

• 40 % reklamací se týká stejných 5 produktů
• u těchto produktů se opakuje stejný problém
• zákazníci se ptají na informace, které chybí na detailu produktu
• vratky jsou častější u produktů s nejasným popisem nebo rozměry

AI zároveň navrhne konkrétní kroky:

• kde má smysl upravit popisy
• které produkty potřebují lepší fotky nebo návody
• kde je problém v balení nebo expedici
• které otázky by se měly řešit automaticky ještě před nákupem

Proč je MCP pro e-shop zásadní

Rozdíl není jen v rychlosti, ale v tom, že problémy se řeší u zdroje, ne na konci řetězce. Místo toho, aby customer care hasilo následky, dostává firma jasné signály, co je potřeba změnit v produktech, procesu nebo komunikaci.

Pro e-shop to znamená:

• méně ticketů
• méně reklamací
• nižší náklady na podporu
• spokojenější zákazníky

A co je důležité – support tým konečně nepracuje jen operativně, ale má podklady pro zlepšování celého e-shopu.

Co si z toho může vzít majitel e-shopu

Customer care není jen nákladové centrum. Je to jeden z nejlepších zdrojů informací o tom, kde e-shop selhává. MCP + AI z něj dokáže udělat datový nástroj, který pomáhá dělat lepší rozhodnutí napříč celým byznysem.

Kde začít, aby MCP přineslo reálnou hodnotu

Největší přínos MCP je v tom, že zkracuje cestu od dat k rozhodnutím. Rutinní práce s exporty a reporty přestává tým brzdit a uvolněný čas se může věnovat strategii a růstu. AI už dnes není otázkou budoucnosti e-commerce. Rozhoduje to, kdo ji dokáže proměnit v reálnou součást procesů dřív než ostatní.

Největší smysl má začít v oblastech, kde se dnes nejvíc čeká:

• reporting,
• kontrola dat,
• opakované analýzy.

Není otázkou, jestli AI zapojit. Otázkou je, kde s ní začít. Víte, který proces jí svěříte jako první?