Klimatsmarta sökresultat utan att du märker det – forskare har byggt teknik som kan styra din e-handel

Rekommendationsmotorn som fick ett klimatsamvete

De flesta av oss har en vag känsla av att e-handelssajter manipulerar vad vi ser. Algoritmer optimerar för klick, konverteringar och vinstmarginal. Men tänk om samma teknik kunde optimera för något mer? En ny studie publicerad på arXiv visar att det faktiskt går – och att det inte ens kostar så mycket i användarupplevelse som man kanske befarar.

Forskarna har tagit fram ett tvåstegsystem som gör klassiska rekommendationsmotorer mer klimatmedvetna. Det smarta är inte bara vad systemet gör, utan hur det löser ett av de verkliga praktiska hindren: bristen på koldioxiddata.

Problemet med luckor i datan

Den som har arbetat med produktkataloger i e-handel vet att de är kaotiska. Tusentals, ibland miljontals, artiklar med varierande produktbeskrivningar, kategorier och metadata. Att manuellt klimatmärka hela katalogen är i praktiken omöjligt – det är dyrt, tidskrävande och kräver expertis som de flesta näthandlare saknar.

Här löser forskarna problemet elegant. I det första steget används språkmodeller och semantisk sökning för att uppskatta koldioxidavtrycket för omärkta produkter. Systemet utgår från en liten uppsättning produkter med känd klimatdata och överför den kunskapen till resten av katalogen via semantisk likhet. En oinmärkt produkt som liknar en märkt produkt – i beskrivning, kategori och egenskaper – ärver i princip en uppskattning av dess avtryck.

Det är ett välkänt mönster inom maskininlärning: att sprida etiketter från ett litet märkt urval till en stor omärkt datamängd. Men att tillämpa det på klimatdata i produktkataloger är ett genuint praktiskt framsteg.

Klimat kontra klick – en justerbar avvägning

I det andra steget tillämpas en omrangordningsstrategi. Här vägs användarengagemang – alltså hur sannolikt en produkt är att klickas på eller köpas – mot det beräknade koldioxidavtrycket. En justerbar parameter styr hur hårt klimataspekten ska viktas mot affärslogiken.

Detta är en klok designprincip. Systemet är inte dogmatiskt; det går att ställa in hur ambitiös klimatstyrningen ska vara. En näthandlare kan börja försiktigt och gradvis öka klimatviktningen i takt med att de ser hur det påverkar konverteringsgraden.

Systemet testades mot Amazons recensionsdataset inom tre produktkategorier: hem och kök, sport samt elektronik. Tre etablerade rekommendationsmodeller prövades. Slutsatsen är tydlig: betydande koldioxidminskningar går att uppnå till ett mycket litet pris i form av minskat användarengagemang.

Det bör noteras att utrymmet för förbättring varierar mellan kategorier och modeller. Elektronik, med stora skillnader i energiåtgång mellan produkter, har sannolikt större potential än kategorier där produkterna liknar varandra mer. Det understryker något viktigt: det här är inte en lösning man driftsätter och glömmer. Den kräver anpassning och uppföljning.

Nudging i det tysta

Det finns en filosofisk dimension här som förtjänar att lyftas. Systemet förändrar konsumentbeteende utan att konsumenten nödvändigtvis märker det. Det kallas ibland för knuff-teknik – att utforma miljön så att det naturliga valet blir det bättre valet, utan tvång eller moraliserande.

Det är effektivt. Forskning inom beteendeekonomi har länge visat att hur valalternativ presenteras är minst lika viktigt som vilka alternativ som erbjuds. Om klimatvänliga produkter konsekvent hamnar högre upp i sökresultaten kommer fler att köpa dem – oavsett om köparen aktivt sökt efter dem.

För svenska näthandlare, som verkar i ett sammanhang där hållbarhet är allt viktigare för varumärkesbyggandet, är det här en intressant möjlighet. Det kräver varken stora investeringar i kundutbildning eller påträngande "grön profil"-marknadsföring. Det sker i bakgrunden, i rangordningslogiken.

Inte färdigt – men en lovande grund

Systemet är fortfarande ett forskningsresultat, inte en färdig produkt. Uppskattningarna av koldioxidavtryck är just uppskattningar – baserade på semantisk likhet, inte på verifierade livscykelanalyser. Det finns en risk att systemet drar fel slutsatser om produkter som ser likadana ut men har väldigt olika tillverkningsprocesser.

Men som grund för vidare arbete är det här genuint intressant. Det kombinerar tre mogna tekniker – språkmodeller, semantisk sökning och omrangordning – på ett sätt som löser ett verkligt problem inom e-handelsbranschen.