Fanatics 導入 OpenAI 推薦系統,成功提升 10% 消費者互動率

文章摘要

全球數位運動平台 Fanatics 透過導入 OpenAI 技術,於旗下網購平台推出升級版「Shop the Look」推薦系統,經實測在約三萬項 MLB 商品中,成功較舊版介面提升 10% 的消費者互動率。該系統利用 ChatGPT Work 與 Codex 模型,整合商品庫存、球隊資訊與設計規則,能自動於商品頁面推薦配套服飾,解決消費者需自行尋找搭配商品的痛點,並每日根據庫存狀況自動更新建議。

在開發階段,Fanatics 工程團隊藉由 Codex 工具,僅耗時不到 24 小時即完成首批 50 項商品的測試原型,經數日迭代調整後,該解決方案已順利擴展至數千項商品,現正於 Fanatics.com 及 NFL、NBA、MLB、NHL 的官方線上商店正式運作。此舉旨在利用 AI 處理繁雜的商品分類與配對邏輯,讓球迷能快速獲取符合球隊風格與庫存實況的穿搭建議。目前該項服務不僅提升了瀏覽體驗,也透過更精準的自動化推薦,確保系統選出的商品組合具備關聯性,有效優化平台整體銷售流程。

AI 大叔解析

## 【核心判斷】
這項合作展現了零售業用現成大型語言模型取代傳統推薦系統的典型妥協。Fanatics 藉由 OpenAI 模型與內部商品陳列規則(merchandising rules)搭配,在約三萬項 MLB 商品測試中換來 10% 的互動率成長,但這類架構本質上高度仰賴每日排程更新與嚴格的規則過濾,而非即時動態運算。

## 【毒舌吐槽】Execution Gap
大叔我看過太多電商把「AI 幫你搭衣服」吹成黑科技,骨子裡其實就是用模型批次產出搭配清單,再靠既有庫存與球隊規則去防呆。所謂不到一天做出 50 項商品的雛形,本質上是把提示詞工程當作敏捷開發,真正的工程瓶頸從來不是產出前 50 套穿搭,而是規模化到數千項商品時,能否承受每日目錄變更帶來的管線運算負擔。

## 【為什麼重要?】
這案例釐清了大型模型切入零售目錄的落地路徑。Fanatics 導入 ChatGPT Work 與 Codex 開發客製工具,將球隊風格、庫存狀態與商品資料餵給模型做關聯性組合,並已鋪設至 NFL、NBA、MLB 與 NHL 官方線上商店。技術上的核心取捨在於「時效與成本」:系統並非在使用者瀏覽的毫秒級瞬間即時生圖或即時推薦,而是採用「每日隨目錄更新重新整理(refreshed daily as catalogs change)」的批次機制。對於 SKU(庫存單位)繁雜且庫存變動頻繁的體育周邊平台來說,這種折衷設計能在避免即時推論高昂延遲與伺服器支出的前提下,以有限成本提升商品曝光率。

## 【影響對象與建議】
- **電商技術架構師**:評估目錄搭配功能時,建議先以批次推論搭配每日庫存過濾,切勿盲目追求線上即時生成,以控制推論延遲與伺服器開銷。
- **零售商品營運人員**:導入語言模型推薦時,必須建立明確的品牌與球隊相容規則,防止模型產出違反陳列邏輯的不搭組合。

想更了解這個話題?