Sebuah pengantar singkat tentang bagaimana Anda dapat mengautomasi pencocokan data produk dan pengelolaan SKU menggunakan hanya judul produk dengan NLP.

Pencocokan judul produk adalah proses pencocokan produk yang sama atau identik dari sumber yang berbeda berdasarkan judul dan atribut lainnya dari produk. Ketika variansi data dan sumber data tumbuh dalam sebuah organisasi, dapat menjadi lebih sulit untuk menjaga keakuratan data produk dan mengelola SKU baru. Masalah muncul ketika menggunakan supplier dan vendor yang berbeda, dan menjaga kualitas data produk yang tinggi menjadi lebih sulit. Ini dapat menyebabkan masalah ketika mengevaluasi data penjualan dan memahami upaya pemasaran dan tingkat keberhasilan.

Sementara ini sering dilakukan secara manual, dapat menjadi sangat memakan waktu dan tidak efektif. Sistem lama yang hanya menggunakan atribut produk dasar seperti SKU dan kode UPC tidak bekerja dengan baik dengan data tak terstruktur modern. Sistem lama ini memerlukan proses tambahan untuk mengekstrak atribut, menghapus duplikat, dan membersihkan kata-kata berhenti dari data produk tak terstruktur. Bahkan dengan semua pembersihan data dan ekstraksi kata kunci, sistem ini masih mengalami kesulitan dengan hal-hal seperti ini:

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

Dan

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

Untuk memahami hubungan kata seperti “laptop” dan “notebook”, dan kunci atribut untuk mencocokkan GeForce, kita perlu menggunakan pemrosesan bahasa alami.

Apa yang Dapat Diberikan Pencocokan Judul Produk untuk Anda

Pencocokan data produk berdasarkan judul memberikan retailer dan merek e-commerce banyak manfaat dalam dunia data penjualan dan intelijen pemasaran.

• Mengatur produk dan SKU di seluruh vendor dan supplier yang berbeda
• Menggunakan data kompetitor untuk memahami tren pasar dan harga kompetitor
• Memahami siklus hidup produk
• Memastikan tidak ada bagian yang hilang dalam data penjualan dan kampanye pemasaran

Menggunakan sistem pencocokan judul produk berbasis judul memungkinkan Anda untuk memastikan Anda selalu memiliki informasi yang tepat untuk melakukan pencocokan data. Sistem lain yang memerlukan banyak titik data atau deskripsi produk yang mendalam dapat mengalami kesulitan ketika Anda memperluas produk. Kami telah menemukan bahwa menggunakan sistem NLP berbasis pembelajaran dalam yang fokus pada judul produk memungkinkan Anda untuk mendapatkan hasil yang sama tanpa risiko penskalaan jangka panjang. Kami telah dapat menggunakan pencocokan judul produk sebagai baseline dan membangun model lain di sekitarnya seperti pencocokan UPC dan pencocokan deskripsi produk untuk meningkatkan hasil, bukan mengandalkan.

Pencocokan Judul Produk dengan Pemrosesan Bahasa Alami

Kami telah membangun perangkat lunak pencocokan judul produk menggunakan model NLP populer seperti GPT-3, BERT, dan SBERT untuk mempelajari hubungan antara fitur bahasa judul yang berbeda, atribut judul seperti nama merek, nama produk, jenis, dan lain-lain. Model berbasis pembelajaran dalam ini jauh lebih unggul daripada pencocokan fuzzy dan pendekatan berbasis aturan lainnya dan terbukti dapat diskalakan dengan mudah dengan variansi data baru dan kebisingan.

Pencocokan antara: Garmin nuvi 2699LMTHD — GPS navigator — automotive 6.1 in nuvi 2699LMTHD Automobile Portable GPS Navigator

Hasil ini dari perangkat lunak NLP menunjukkan beberapa hal penting:

• Kata-kata berhenti dan karakter tidak mempengaruhi kemampuan kita untuk mencocokkan dua judul produk
• Model dapat menemukan kata-kata dalam judul yang penting tidak peduli urutan atau kebisingan kata-kata.
• Nama merek tidak diperlukan untuk kita untuk menemukan pencocokan atau menolak pencocokan.
• Atribut produk tidak diperlukan (ukuran, panjang) dalam setiap produk yang kita bandingkan dan tidak perlu sama jenis.

Model judul produk menangkap perbedaan kecil tapi penting antara ukuran wadah yang dianggap sebagai SKU yang berbeda dalam database produk. Dalam contoh kedua, kita melihat ada banyak bagian yang bergerak – jumlah botol yang berbeda dan kebisingan data tak terstruktur, tetapi masih mudah untuk mencocokkan.

Memperhalus untuk Kasus Penggunaan Produksi

Perangkat lunak pencocokan judul produk ini dapat disesuaikan dengan data produk aktual dari toko ritel atau merek e-commerce untuk mendorong akurasi melebihi produk lain untuk kasus penggunaan spesifik. Tingkat kustomisasi ini tersedia karena arsitektur bahasa yang digunakan untuk membangun pencocokan judul produk, bukan menggunakan pencocokan fuzzer atau model ekstraksi entitas. Kemampuan untuk menyesuaikan arsitektur untuk data perusahaan tertentu memungkinkan skalabilitas yang lebih baik serta memudahkan penyesuaian dengan perubahan data tak terstruktur ketika Anda menambahkan lebih banyak produk atau sumber.

Relativitas dalam Pencocokan Produk

Seperti yang mungkin Anda perhatikan, gagasan tentang pencocokan produk dapat relatif berdasarkan pada kasus penggunaan yang Anda coba tutupi. Jika Anda mencoba membedakan produk berdasarkan SKU, Anda akan ingin hasil yang berbeda daripada jika Anda mencoba memahami ukuran pasar dan produk kompetitor.

Misalnya, jika Anda memiliki dua judul produk ini:

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

Anda bisa menganggap mereka tidak cocok berdasarkan gagasan bahwa mereka memiliki dua SKU yang berbeda di dalam toko yang sama, tetapi juga bisa menganggap mereka cocok berdasarkan gagasan bahwa mereka adalah Mastic Gum. Jika kita sekarang memasukkan judul produk ini ke dalam campuran:

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

Kita harus memutuskan sebelumnya apa yang kita cocokkan. Ini jelas merupakan produk kompetitor dan memiliki kode UPC yang berbeda, tetapi masih Mastic Gum dan jika kita hanya mencari produk di bawah “payung” yang sama, maka ini adalah pencocokan. Banyak hal untuk dipikirkan ketika merancang sistem pencocokan data produk.

Ketika Anda menggunakan alat pencocokan judul produk berbasis NLP, tingkat fleksibilitas ini menjadi mudah. Kita hanya perlu menyesuaikan arsitektur untuk kasus penggunaan Anda, tidak peduli apa yang Anda anggap sebagai “pencocokan” dan mengoptimalkan ke arah itu. Tingkat fleksibilitas ini adalah perubahan besar ketika mencari menggunakan arsitektur yang sama untuk banyak kasus penggunaan yang berbeda di dalam sebuah organisasi dan masih mencapai akurasi tinggi.

Pipa berbasis SKU kami secara benar menganggap ini sebagai tidak cocok.

Pengambilan Data Produk

Setelah kita telah mencocokkan judul produk dan memiliki pemahaman tentang variansi data penjualan internal atau data produk kompetitor, kita dapat menggunakan model kategorisasi produk atau alat ekstraksi atribut berbasis NLP untuk mengisi celah data yang kita miliki seperti ukuran produk, nama produsen, dan atribut produk secara otomatis. Pipa ini menggunakan arsitektur yang sama dengan pencocokan judul produk, sehingga dapat diintegrasikan dengan mudah.

Meningkatkan Taksonomi Produk Anda

Contoh menghasilkan kategori produk dan tag dari model GPT-3 kami.

Dengan alat pencocokan judul produk, Anda dapat meningkatkan kejelasan taksonomi Anda dengan menggabungkan beberapa atribut produk yang cocok menjadi satu kategori. Ini membersihkan dan memstandarisasi atribut yang membuat sistem taksonomi Anda.

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

Dan

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

Memahami bahwa ini adalah produk yang sama memungkinkan Anda untuk mengisi celah seperti meletakkan “Notebook” dan “Laptop” dalam kategori yang sama, “NVIDIA (NVDA ) ” sebagai produsen untuk kedua produk dan seterusnya. Ini memungkinkan Anda untuk menemukan produk yang salah kategori dan mengisi celah.

Pemahaman Data Produk Adalah Kunci

Apakah Anda pikir pencocokan judul produk dapat membantu Anda memahami data produk dan membersihkan intelijen penjualan? Mari kita jadwalkan demo hari ini di Width.ai.