Fanatics上线AI搭配推荐，商品浏览量提升10%，OpenAI加码零售场景
电商平台商品越多，消费者就越容易遇到一个问题：想买的东西不难找，但要从大量相似商品中挑出合适的款式，再搭配其他配件，往往需要花费不少时间。
体育周边零售平台Fanatics正在尝试用AI解决这一问题。近日，该平台推出名为“Shop the Look”的购物推荐功能，借助OpenAI Codex模型分析商品信息，为用户自动推荐适合搭配的体育周边。据平台披露的初步数据，新功能上线后，推荐商品的浏览量增长了10%。
这次合作也让AI在电商领域的应用有了新的落点。除了回答问题、辅助搜索，AI还开始参与商品之间的关联匹配，帮助消费者从庞大的商品库中更快找到想要的产品。
一、商品越卖越多，Fanatics开始解决选购效率问题
Fanatics的商品规模，决定了它需要面对怎样的运营难题。
目前，平台在售独立SKU超过150万个，产品覆盖球衣、帽子、球队主题街头服饰、球袜等体育周边，并与全球几乎所有主流体育联赛及俱乐部保持合作。其Fanatics Commerce业务每年生产超过4500万件商品，销往180多个国家和地区。
对于体育迷来说，丰富的商品选择当然是好事。支持一支球队的消费者，可能先购买球衣，随后又想添置同款帽子、球袜或其他纪念品。但当商品数量不断增加，怎样从中找到风格统一、球队匹配的产品，也会成为购物过程中的一道门槛。
Fanatics Commerce首席产品官Justin Tsai此前谈到，平台用户平均每次购物时长已经超过30分钟，而商品库每周还会增加上千款新品。新品持续上架，意味着消费者需要面对的选择越来越多，平台也需要寻找更高效的商品展示方式。
如果继续沿用传统的人工搭配模式，效率很容易受到限制。工作人员需要挑选商品、安排造型师完成搭配，再通过拍摄制作相关展示内容，整个过程需要投入时间和人力。对于冠军纪念球衣、赛事纪念帽等讲究时效的商品而言，等到搭配素材准备完成，市场热度可能已经发生变化。
推荐准确性也是体育电商的一项特殊要求。
普通服饰推荐可能更关注颜色、款式和穿搭风格，但体育周边往往带有鲜明的球队属性。消费者购买商品，不只是为了穿着好看，也可能是为了表达对某支球队或某位球员的支持。
例如，一名洛杉矶道奇队的球迷正在浏览球队球衣，平台更应该优先展示同队相关帽饰和配件，而不是推荐其他球队的商品。即使后者在外观上十分相似，也不一定符合用户的购买目的。
因此，Fanatics此次升级推荐功能，重点并非单纯增加商品曝光，而是让商品之间的关联更符合消费者的实际需求。
二、AI自动组合周边，商品详情页变成搭配入口
“Shop the Look”被整合进单个商品的详情页面。用户浏览一件商品时，系统可以根据商品所属球队和风格特点，进一步展示适合搭配的其他产品。
以球衣为例，页面不仅呈现用户正在查看的款式，还可以推荐对应的帽子、球袜及其他球队周边。消费者不必重新搜索每一种配件，就能在同一购物流程中了解更多相关商品。
这一过程由OpenAI Codex模型能力提供支持。按照相关介绍，系统能够分析平台商品目录中的信息，筛选具有关联性的商品，并根据在售商品情况动态调整推荐结果。
这与提前制作固定搭配内容的做法有所不同。传统模式需要人工完成选品和视觉素材制作，而自动化推荐能够减少对单次人工搭配流程的依赖，也有助于跟上新品持续上架的节奏。
对Fanatics而言，这项功能至少带来了两个值得关注的变化。
首先，消费者寻找配件的步骤有望减少。过去，买家可能需要离开球衣页面，再搜索球队帽子或其他周边；现在，相关商品可以直接出现在当前浏览场景中，购物路径更加连贯。
其次，平台有机会让更多关联商品获得展示机会。消费者原本可能只打算买一件球衣，但在看到合适的配饰后，也可能进一步考虑整套搭配。对于拥有大量关联SKU的体育零售商来说，这为挖掘现有商品的销售潜力提供了新的思路。
目前，Fanatics披露的初步结果是，推荐商品浏览量在功能上线后提升了10%。这说明，商品搭配展示有助于吸引用户进一步查看相关产品。
不过，浏览量增长只是初步指标。推荐是否能继续带动加购率、成交转化率和客单价提升，还需要观察后续数据。对于零售商而言，AI推荐最终能否创造经营价值，不能只看用户是否点击，还要看这些互动能否转化为有效订单。
三、商贸业务营收预计超70亿美元，Fanatics继续拓展增长空间
AI推荐的应用，也与Fanatics的业务体量有关。
公司创始人兼CEO Michael Rubin本月早些时候公布的经营数据显示，Fanatics商贸板块今年营收预计将突破70亿美元；包括Topps球星卡业务在内的收藏品板块，营收约为55亿美元。球队周边商品依然是公司最主要的收入来源。
当一家企业的核心业务建立在庞大的商品库之上，增长就不只是持续推出新品、扩大销售范围，还包括如何提高消费者发现商品的效率。
尤其是在体育周边市场，商品之间存在大量明确的关联关系：同一支球队可以衍生出球衣、帽子、服装和纪念品；同一位球员也可能对应不同系列的收藏或周边产品。如果平台能够把这些分散的商品更合理地组织起来，就有机会让消费者在一次购物中发现更多相关选择。
过去，电商平台常常根据用户的浏览记录、购买历史、所在地区和账号信息进行个性化推荐。这些数据能够帮助平台判断用户可能感兴趣的商品，但对于具体的搭配需求，仅了解用户是谁、买过什么，未必就足够。
系统还需要判断商品本身有什么特点，以及商品之间是否真正匹配。
OpenAI行业GTM负责人Rosemary DeAragon在相关合作沟通中表示，个性化匹配一直是零售行业面临的难题。AI技术有机会进一步改善商品推荐的准确性，让消费者更容易找到符合自身需求的产品。
从这个角度来看，Fanatics的尝试并非只是在页面上增加一个推荐模块，而是希望通过模型处理商品信息，改善用户从发现商品到挑选配件的过程。
当然，自动化推荐仍然依赖准确、完整的商品数据。如果球队归属、产品款式或系列信息存在错误，推荐结果也可能出现偏差。因此，模型能力之外，商品目录的维护和数据质量同样重要。
四、OpenAI寻找零售新场景，AI购物不再局限于聊天窗口
Fanatics的合作，也反映出OpenAI正在探索更多零售应用方式。
此前，OpenAI曾在ChatGPT中测试购物功能，尝试让用户在对话过程中发现商品，并探索直接在聊天界面完成购买的体验。相关即时结账功能目前已停止测试，OpenAI则转向与零售企业开展合作，探索在ChatGPT内建立品牌专属应用入口等方式。
从对话式购物到商品推荐，AI参与零售业务的路径正在拓宽。
对于消费者而言，AI可以帮助减少搜索和筛选的时间；对于商家而言，它则有机会改善商品展示效率，帮助用户发现原本容易被忽略的关联产品。特别是商品数量多、上新频繁、品类之间存在明确关联的零售平台，这类应用具备一定的实际价值。
但AI并不能替代所有购物环节。消费者仍然可能需要亲自试穿、比较材质，或者根据实际体验作出选择。AI更适合承担的是前期筛选和信息整理工作，先帮助用户缩小范围，再由消费者完成最终判断。
对于跨境电商卖家来说，Fanatics的实践也带来了一点启发：商品运营不应只关注如何把更多产品推到消费者面前，还应考虑如何让商品之间形成合理的关联。
例如，服装卖家可以围绕款式、颜色和使用场景推荐配套商品，家居卖家可以根据空间用途展示相关家具和配件，运动用品卖家则可以按照运动项目或使用需求组合产品。
这些应用并不意味着引入AI就一定能提高销量，但它们提供了新的优化方向。随着商品规模扩大，如何帮助消费者更快找到合适的商品、减少无效浏览，并在有真实需求时发现更多选择，可能成为电商平台下一阶段竞争的重要环节。
