AI til produktdata: Fra leverandørmateriale til brugbare produktoplysninger
Se, hvordan AI kan hjælpe med feltmapping, kategorier og produkttekster, mens kilder, manglende egenskaber og godkendelse holdes under kontrol.
Partner & CTO hos Adtention
Produktdata begynder før produktteksten
AI kan hjælpe med at strukturere leverandørmateriale, foreslå kategorier og klargøre produkttekster. Men en velformuleret beskrivelse løser ikke en forkert enhed, et uklart varenummer eller en materialebetegnelse uden dokumentation.
Se derfor arbejdet som en kæde: modtag materialet, identificér produktet, forstå felterne, kontrollér oplysningerne og klargør indhold til den rigtige kanal. AI kan indgå i nogle af trinnene, mens faste regler og faglig godkendelse tager sig af andre.
Afklar, hvad I vil forbedre
Problemet kan være langsom vareoprettelse, mange manuelle rettelser, uens kategorier eller manglende produktbeskrivelser. Vælg et konkret mål og undersøg, hvor arbejdet faktisk ligger. Hvis den største udfordring er at indhente manglende specifikationer, løser hurtigere tekstgenerering kun en lille del.
Skeln også mellem stamdata og kanalindhold. Et produkts højde og materiale skal være konsistente, mens formuleringen på en webshop og i et salgskatalog godt kan variere. Variation i sprog må ikke blive til variation i fakta.
Et forløb fra leverandørark til godkendte felter
| Trin | AI’s mulige rolle | Kontrol |
|---|---|---|
| Identificér | Foreslå match mellem betegnelser. | Brug stabile vare-ID’er og kontrollér tvivlstilfælde. |
| Map felter | Foreslå, at “height” og “højde” tilhører samme felt. | Kontrollér betydning og enhed før sammenlægning. |
| Strukturér | Udtrække oplysninger fra varierende tekst. | Gem kilde og markér manglende værdier. |
| Kategorisér | Foreslå en relevant kategori i jeres taksonomi. | Afvis ukendte kategorier og kontrollér tvetydige produkter. |
| Formulér | Skrive et udkast fra godkendte egenskaber. | Kontrollér, at der ikke er tilføjet nye påstande. |
| Overfør | Indgå i et kontrolleret workflow. | Validér felter og godkendelsesstatus før PIM, ERP eller webshop. |
Et produktbillede kan ikke dokumentere alt
Et billede kan give grundlag for forslag til kategori og synlige karakteristika. Det dokumenterer ikke nødvendigvis materialets sammensætning, mål, certificeringer eller egnethed til bestemte formål.
Et konstrueret eksempel er en grøn skål på et foto. AI kan foreslå en beskrivelse af udseendet. Den skal ikke tilføje, at skålen tåler opvaskemaskine, er fødevaregodkendt eller er lavet af genanvendt materiale, medmindre det fremgår af en godkendt kilde.
De samme grænser gælder ved omskrivning af en leverandørtekst. En sandsynlig fordel er ikke automatisk en dokumenteret produktegenskab. Læs vores guide til AI-hallucinationer for et mere detaljeret eksempel.
Kirppu: Billedinput med menneskelig vurdering
I Adtentions Kirppu-case bruges AI til at behandle varebilleder og foreslå blandt andet kategori, titel, beskrivelse og søgeord. Casen oplyser, at mere end 500.000 varebilleder er behandlet, og at usikre tilfælde går til menneskelig vurdering.
Det viser en konkret anvendelse med billedbaseret input og kontrol af undtagelser. Volumen fortæller ikke alene, hvilken kvalitet eller økonomi en anden virksomhed kan forvente. Sortiment, input og krav skal undersøges i hvert projekt.
Dymak: Leverandørfiler og synlige kilder
I Dymak-casen blev arbejdet med leverandørfiler, feltmapping, dubletter og kontrol omsat til en klikbar frontendprototype og et arkitekturoplæg. En vigtig del af retningen var at gøre kilden til oplysningerne synlig, så medarbejderen kunne vurdere forslagene.
Det er en anden situation end Kirppus billedbehandling. Her er variationen i leverandørmateriale og overførsel til strukturerede produktdata central. Casen beskriver en prototype og en planlagt retning mod Dynamics 365, ikke en færdig integration i drift.
Afprøv på et blandet udsnit af sortimentet
Vælg produkter med forskellige leverandører, datamængder og undtagelser. Medtag både enkle varer og produkter, hvor felter mangler eller strider mod hinanden. Lad en produktansvarlig vurdere resultaterne efter de samme kriterier.
- Er produktet identificeret korrekt?
- Er felter og enheder mappet korrekt?
- Kan hver væsentlig egenskab spores til en kilde?
- Er manglende oplysninger markeret uden gæt?
- Hvor meget tid kræver kontrol og rettelse?
- Kan godkendte data overføres uden nye manuelle mellemtrin?
Brug resultaterne til at vælge, hvilke varer løsningen må håndtere, og hvilke der fortsat skal behandles særskilt. Der er sjældent grund til at give alle produktgrupper samme automatiseringsgrad fra begyndelsen.
Gør vedligeholdelse til en del af opgaven
Nye leverandørformater, ændrede produkter og nye salgskanaler vil påvirke forløbet. Aftal, hvem der vedligeholder felter, kategorier og godkendte kilder. Vores guider til datakvalitet og systemintegration hjælper med de afklaringer.
Everydai hjælper med AI til webshop og produktdata, hvor produktfaglighed, kommercielt indhold og teknik mødes i en arbejdsgang, medarbejderne kan kontrollere. Det kan omfatte strukturering af leverandørmateriale, udkast til produktbeskrivelser og integration med jeres eksisterende systemer. Se, hvordan produktarbejdet kan indgå i et bredere workflow for AI i marketing.
