En hurtig dykning i, hvordan du kan automatisere produktdata-matching og SKU-styring ved hjælp af kun produkttitler med NLP.

Produkttitel-matching er processen med at matche lignende eller identiske produkter fra forskellige kilder baseret strengt på titlen og andre overskriftsattributter for produktet. Da datavarians og datakilder vokser i en organisation, kan det blive sværere at holde produktdata nøjagtig og styre nye SKUs. Problemer opstår, når man bruger forskellige leverandører og sælgere, og det bliver sværere at holde høj kvalitet på produktdata. Dette kan føre til problemer, når man vurderer salgsdata og forstår sine markedsføringsindsats og succesraten.

Dette bliver ofte gjort manuelt, men det kan blive ekstremt tidskrævende og skalerer dårligt. Ældre systemer fokuserer på at bruge grundlæggende produktattributter som SKUs og UPC-koder, der ikke fungerer godt med moderne ustrukturerede data. Disse ældre systemer kræver hjælpeprocesser til at trække attributter ud, fjerne duplikater og rense stopord fra de ustrukturerede produktdata. Selv med alle datarensning og nøgleordsudtrækning kæmper disse systemer stadig med ting som:

GIGABYTE – 15,6″ FHD IPS 144Hz Gaming Laptop – i5-11400H – 16GB – NVIDIA GeForce RTX 3050 512 GB SSD

Og

15,6″ Notebook – i5-11400H – 16GB – GeForce RTX 3050 512 GB Sort 6494784

For at forstå ordforhold som “laptop” og “notebook” og grammatiske ledetråde om ordklasser til at matche GeForce, skal vi bruge naturlig sprogbehandling.

Hvad Produkttitel-matching kan give dig

Produktdata-matching baseret på titel giver detailhandlere og e-handelsmærker en masse fordele i verden af salgsdata og markedsføringsintelligens.

• Organiser produkter og SKUs på tværs af multiple leverandører og sælgere
• Brug konkurrentdata til at forstå markedstendenser og konkurrencedygtige priser
• Forstå produktlivscyklus
• Sikre, at der ikke er mangler i dine salgsdata og markedsføringskampagner

At bruge et produkttitel-baseret matchingsystem giver dig mulighed for at sikre, at du altid har den nøjagtige information, du behøver for at udføre data-matching. Andre systemer, der kræver en masse datapunkter eller dybdegående produktbeskrivelser, kan kæmpe, når du skal skalere op til flere produkter. Vi har fundet ud af, at ved at bruge et NLP-system baseret på dyb læring, der fokuserer på produkttitler, kan du få lignende resultater uden den lange skaleringsrisiko. Vi har kunnet bruge produkttitel-matching som en baseline og bygge andre modeller rundt om, såsom UPC-matching og produktbeskrivelses-matching, for at forbedre resultaterne uden at være afhængige af disse supplerende modeller.

Produkttitel-matching med Naturlig Sprogbehandling

Vi har bygget vores produkttitel-matching-software ved hjælp af populære NLP-modeller som GPT-3, BERT og SBERT for at lære relationen mellem forskellige sproglige egenskaber ved titlerne, titelattributter som mærke, produkt, type osv. Disse modeller baseret på dyb læring er langt overlegne i forhold til fuzzy-matching og andre regelbaserede tilgange og er beviset for at skalerer let med nye data-varians og støj.

Matching mellem: Garmin nuvi 2699LMTHD — GPS-navigator — bil 6,1 tommer nuvi 2699LMTHD Automobile Portable GPS-navigator

Dette resultat fra NLP-softwaren viser nogle vigtige ting:

• Stopord og tegn påvirker ikke vores evne til at matche to produkttitler
• Modellen kan identificere ordene i titlen, der betyder noget, uanset rækkefølge eller støjord
• Mærkenavne er ikke nødvendige for os for at finde matches eller afvise en match
• Produktattributter er ikke nødvendige (størrelse, længde) i hvert produkt, vi sammenligner, og behøver ikke at være af samme type

Produkttitel-modellen fanger små, men vigtige forskelle mellem beholderstørrelser, der anses for at være forskellige SKUs i produkt-databasen. I det andet eksempel ser vi, at der er mange faktorer, der spiller sammen – forskellige flaskeantal og ustruktureret data-støj, men stadig en let match.

Finjustering til produktionsscenarie

Dette produkttitel-matching-softwareprodukt kan finjusteres på en detailhandelsbutiks eller e-handelsmærkes faktiske produktdata for at pushe nøjagtigheden forbi andre produkter for din specifikke anvendelsestilfælde. Dette niveau af tilpasning er muligt, fordi af sprogmodellarkitekturen, der er brugt til at bygge produkttitel-matcheren, i stedet for at bruge gimmicky fuzzer-matchere eller entitetsudtrækningsmodeller. Evnen til at finjustere arkitekturen for et bestemt firma’s data giver bedre skalerbarhed samt, at det bliver lettere at tilpasse sig ændringer i ustrukturerede data, når du tilføjer flere produkter eller kilder.

Relativitet i Produkt-matching

Som du måske har lagt mærke til, kan idéen om produkt-matching være relativt baseret på, hvilket anvendelsestilfælde du forsøger at dække. Hvis du forsøger at differentiere produkter baseret på SKU, vil du få andre resultater end hvis du forsøgte at forstå markedsstørrelse og konkurrentprodukter.

For eksempel, hvis du har disse to produkttitler:

Chios Mastiha Pakke 60gr (2,11 oz) Small Tears Gum 100% Naturlig Mastic Gum Fra Mastic Growers Fresh

Chios Mastiha Pakke 25gr (0,88oz) Medium Tears Gum 100% Naturlig Mastic Gum Fra Mastic Growers Fresh

Du kunne betragte dem som ikke en match baseret på idéen, at de har to forskellige SKUs inden for samme butik, men kunne også betragte dem som en match baseret på idéen, at de begge er Mastic Gum. Hvis vi nu inkluderer denne produkttitel i mixen:

Horbaach Mastic Gum 1500mg 120 Kapsler | Non-GMO & Glutenfri

Vi må beslutte på forhånd, hvad vi matcher for. Dette er tydeligt en konkurrents produkt og har en anden UPC-kode, men det er stadig Mastic Gum, og hvis vi kun søger efter produkter under samme “paraply”, så er dette en match. Meget at tænke over, når du designer dine produktdata-matching-systemer.

Når du bruger et NLP-baseret produkttitel-matching-værktøj, bliver dette niveau af fleksibilitet en let sag. Vi justerer blot vores arkitektur for din anvendelsestilfælde, uanset hvad du betragter som en “match”, og optimerer mod det. Dette niveau af fleksibilitet er en game-changer, når du søger at bruge samme arkitektur til mange forskellige anvendelsestilfælde inden for en organisation og stadig opnå høj nøjagtighed.

Vores SKU-baserede pipeline betragter korrekt dette som en ikke-match.

Produktdata-udtrækning

Når vi allerede har matchet produkttitler og har en forståelse af enten vores interne salgsdata-varians eller konkurrentproduktdata, kan vi bruge produktkategoriseringsmodeller eller NLP-baserede attribut-udtrækningsværktøjer til at udfylde eventuelle datahuller, vi har, såsom produktstørrelse, producentnavn og produktattributter automatisk. Disse pipelines bruger samme arkitektur som vores produkt-matching, så de kan let integreres.

Forbedre din Produkt-taxonomi

Eksempel på generering af produkt-kategorier og -tags fra vores GPT-3-model.

Med produkttitel-matching-værktøjet kan du forbedre klarheden af din taxonomi ved at kombinere multiple matchende produktattributter sammen i en enkelt kategori. Dette renser og standardiserer attributterne, der udgør dit taksonomisystem.

GIGABYTE – 15,6″ FHD IPS 144Hz Gaming Laptop – i5-11400H – 16GB – NVIDIA GeForce RTX 3050 512 GB SSD

Og

15,6″ Notebook – i5-11400H – 16GB – GeForce RTX 3050 512 GB Sort 6494784

At forstå, at disse er det samme produkt, giver dig mulighed for at udfylde eventuelle huller, såsom at placere “Notebook” og “Laptop” i samme kategori, “NVIDIA (NVDA ) ” som producent for begge produkter og så videre. Dermed kan du finde forkert kategoriserede produkter og udfylde eventuelle huller.

Produktdata-forståelse er nøgle

Tænk, at produkttitel-matching kan hjælpe dig med at forstå dine produktdata og rense dine salgsintelligens? Lad os aftale en demo i dag på Width.ai.