Une plongée rapide dans la façon dont vous pouvez automatiser la correspondance des données de produit et la gestion de SKU en utilisant uniquement les titres de produit avec le NLP.

La correspondance de titre de produit est le processus de mise en correspondance de produits similaires ou identiques provenant de différentes sources en fonction strictement du titre et d’autres attributs de titre du produit. À mesure que la variance des données et les sources de données augmentent dans une organisation, il peut devenir plus difficile de maintenir l’exactitude des données de produit et de gérer les nouveaux SKU. Des problèmes surviennent lors de l’utilisation de différents fournisseurs et de vendeurs, et il devient plus difficile de maintenir des données de produit de haute qualité. Cela peut causer des problèmes lors de l’évaluation des données de vente et de la compréhension de vos efforts de marketing et du taux de réussite.

Bien que cela soit souvent fait manuellement, cela peut devenir extrêmement chronophage et ne s’échelle pas bien. Les anciens systèmes se concentrent sur l’utilisation d’attributs de produit de base tels que les SKU et les codes UPC qui ne fonctionnent pas bien avec les données non structurées modernes. Ces anciens systèmes nécessitent des processus auxiliaires pour extraire les attributs, supprimer les doublons et nettoyer les mots d’arrêt des données de produit non structurées. Même avec tous les nettoyages de données et les extractions de mots clés, ces systèmes ont encore du mal avec des choses comme ceci :

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

Et

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

Pour comprendre les relations entre les mots telles que « laptop » et « notebook », et les clés de partie de discours pour mettre en correspondance GeForce, nous devons utiliser le traitement automatique des langues naturelles.

Ce que la correspondance de titre de produit peut vous offrir

La correspondance des données de produit basée sur le titre fournit aux détaillants et aux marques de commerce électronique de nombreux avantages dans le monde des données de vente et de l’intelligence marketing.

• Organiser les produits et les SKU à travers plusieurs fournisseurs et vendeurs
• Utiliser les données des concurrents pour comprendre les tendances du marché et les prix concurrentiels
• Comprendre le cycle de vie du produit
• S’assurer qu’il n’y a pas de pièces manquantes dans vos données de vente et vos campagnes de marketing

L’utilisation d’un système de correspondance basé sur le titre de produit vous permet de vous assurer que vous avez toujours les informations exactes dont vous avez besoin pour effectuer la correspondance des données. D’autres systèmes qui nécessitent de nombreux points de données ou des descriptions de produit en profondeur peuvent avoir du mal à mesure que vous évoluez vers plus de produits. Nous avons constaté que l’utilisation d’un système NLP basé sur l’apprentissage profond qui se concentre sur le titre de produit vous permet d’obtenir des résultats similaires sans le risque d’échelle à long terme. Nous avons pu utiliser la correspondance de titre de produit comme base et construire d’autres modèles autour de celle-ci, tels que la correspondance UPC et la correspondance de description de produit, pour améliorer les résultats, et non pour s’appuyer sur eux.

Correspondance de titre de produit avec le traitement automatique des langues naturelles

Nous avons construit notre logiciel de correspondance de titre de produit en utilisant des modèles NLP populaires tels que GPT-3, BERT et SBERT pour apprendre la relation entre les différentes fonctionnalités linguistiques du titre, les attributs de titre tels que le nom de la marque, le nom du produit, le type, etc. Ces modèles basés sur l’apprentissage profond sont nettement supérieurs aux méthodes de correspondance floue et aux approches basées sur des règles et sont prouvés pour s’échelonner facilement avec la nouvelle variance et le bruit des données.

Correspondance entre : Garmin nuvi 2699LMTHD — GPS navigator — automotive 6.1 in nuvi 2699LMTHD Automobile Portable GPS Navigator

Ce résultat du logiciel NLP montre plusieurs choses importantes :

• Les mots d’arrêt et les caractères ne nuisent pas à notre capacité à mettre en correspondance deux titres de produit
• Le modèle peut identifier les mots dans le titre qui comptent, quelle que soit l’ordre ou les mots de bruit qui les entourent.
• Les noms de marque ne sont pas requis pour que nous trouvions des correspondances ou déclinions une correspondance.
• Les attributs de produit ne sont pas requis (taille, longueur) dans chaque produit que nous comparons et n’ont pas à être du même type.

Le modèle de titre de produit détecte les petites mais importantes différences entre les tailles de conteneur qui sont considérées comme différents SKU dans la base de données de produit. Dans le deuxième exemple, nous voyons qu’il y a beaucoup de pièces mobiles – différents comptes de bouteilles et de bruit de données non structurées, mais toujours une correspondance facile.

Affiner pour l’utilisation en production

Ce logiciel de correspondance de titre de produit peut être affiné sur les données de produit réelles d’une entreprise de détail ou d’une marque de commerce électronique pour améliorer la précision par rapport à d’autres produits pour votre cas d’utilisation spécifique. Ce niveau de personnalisation est disponible en raison de l’architecture de modèle de langage utilisée pour construire le correspondant de titre de produit, au lieu d’utiliser des correspondants de fuzz ou des modèles d’extraction d’entité astucieux. La capacité à affiner l’architecture pour les données d’une entreprise spécifique permet une meilleure évolutivité, ainsi que la facilité d’ajustement aux changements de données non structurées à mesure que vous ajoutez plus de produits ou de sources.

Relativité dans la correspondance de produit

Comme vous l’avez peut-être remarqué, l’idée de correspondance de produit peut être quelque peu relative en fonction du cas d’utilisation que vous essayez de couvrir. Si vous essayez de différencier les produits en fonction du SKU, vous allez vouloir des résultats différents de ceux que vous auriez si vous essayiez de comprendre la taille du marché et les produits des concurrents.

Par exemple, si vous avez ces deux titres de produit :

Chios Mastiha Pack 60gr (2,11 oz) Small Tears Gum 100% Natural Mastic Gum From Mastic Growers Fresh

Chios Mastiha Pack 25gr (0,88oz) Medium Tears Gum 100% Natural Mastic Gum From Mastic Growers Fresh

Vous pourriez les considérer comme non correspondants en fonction de l’idée qu’ils ont deux SKU différents à l’intérieur du même magasin, mais vous pourriez également les considérer comme correspondants en fonction de l’idée qu’ils sont tous deux du chewing-gum Mastic. Si nous incluons maintenant ce titre de produit dans le mélange :

Horbaach Mastic Gum 1500mg 120 Capsules | Non-GMO & Gluten Free

Nous devons décider à l’avance ce que nous mettons en correspondance. Il s’agit clairement d’un produit d’un concurrent et a un code UPC différent, mais c’est toujours du chewing-gum Mastic, et si nous ne recherchons que des produits sous la même « enseigne », alors c’est une correspondance. Beaucoup de choses à considérer lors de la conception de vos systèmes de correspondance de données de produit.

Lorsque vous utilisez un outil de correspondance de titre de produit basé sur le NLP, ce niveau de flexibilité devient une brise. Nous affinons simplement notre architecture pour votre cas d’utilisation, quelle que soit la correspondance que vous considérez, et nous l’optimisons. Ce niveau de flexibilité est un jeu de changement lors de l’utilisation de la même architecture pour de nombreux cas d’utilisation différents à l’intérieur d’une organisation et atteindre une grande précision.

Notre pipeline basé sur le SKU considère correctement cela comme une non-correspondance.

Extraction de données de produit

Une fois que nous avons déjà mis en correspondance les titres de produit et que nous avons une compréhension de nos données de vente internes ou des données de produit des concurrents, nous pouvons utiliser des modèles de catégorisation de produit ou des outils d’extraction d’attributs basés sur le NLP pour combler les lacunes de données que nous avons, telles que la taille de produit, le nom du fabricant et les attributs de produit automatiquement. Ces pipelines utilisent la même architecture que notre correspondance de produit, ils peuvent donc être intégrés facilement.

Améliorer votre taxonomie de produit

Exemple de génération de catégories et d’étiquettes de produit à partir de notre modèle GPT-3.

Avec l’outil de correspondance de titre de produit, vous pouvez améliorer la clarté de votre taxonomie en combinant plusieurs attributs de produit correspondants en une seule catégorie. Cela nettoie et standardise considérablement les attributs qui composent votre système de taxonomie.

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

Et

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

Comprendre que ce sont les mêmes produits vous permet de combler les lacunes, telles que le placement de « Notebook » et « Laptop » dans la même catégorie, « NVIDIA » en tant que fabricant pour les deux produits, etc. Cela vous permet de trouver des produits mal classés et de combler les lacunes.

Compréhension des données de produit est clé

Pensez que la correspondance de titre de produit peut vous aider à comprendre vos données de produit et à nettoyer votre intelligence de vente ? Planifions une démonstration aujourd’hui sur Width.ai.