En rask dykk inn i hvordan du kan automatisere produktdata-matching og SKU-håndtering ved å bruke bare produkttittel med NLP.

Produkttittel-matching er prosessen med å matche lignende eller eksakte produkter fra forskjellige kilder basert strengt på tittelen og andre overskriftsattributter til produktet. Ettersom datavariasjon og datasources vokser i en organisasjon, kan det bli vanskeligere å holde produktdata nøyaktig og håndtere nye SKUs. Problemer oppstår når du bruker forskjellige leverandører og selgere, og å holde høykvalitets produktdata blir vanskeligere. Dette kan forårsake problemer når du vurderer salgsdata og forstår din markedsføringsinnsats og suksessrate.

Dette gjøres ofte manuelt, men kan bli ekstremt tidskrevende og skalerer dårlig. Gamle systemer fokuserte på å bruke bare grunnleggende produktattributter som SKUs og UPC-koder som ikke fungerer godt med moderne ustrukturert data. Disse eldre systemene krever auxiliary prosesser for å ekstrahere attributter, fjerne duplikater og rense stoppord fra den ustrukturerte produktdataen. Selv med all datarensing og nøkkelordsekstraksjon, sliter disse systemene fortsatt med ting som dette:

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 Black 6494784

For å forstå ordrelasjoner som “laptop” og “notebook”, og del av tale-nøkler for å matche GeForce, må vi bruke naturlig språkbehandling.

Hva Produkttittel-matching Kan Tilby You

Produktdata-matching basert på tittel gir detaljhandel og e-handelsmerker en mengde fordeler i verden av salgsdata og markedsintelligens.

• Organiser produkter og SKUs på tvers av multiple leverandører og selgere
• Bruk konkurrentdata for å forstå markedstrender og konkurransepriser
• Forstå produktlivssyklus
• Sikre at det ikke er mangler i din salgsdata og markedsføringskampanjer

Bruk av et produkttittel-basert matching-system lar deg sikre at du alltid har den eksakte informasjonen du trenger for å utføre data-matching. Andre systemer som krever en mengde datapunkter eller dypt produktbeskrivelser, kan slite når du skalerer opp til flere produkter. Vi har funnet at bruk av et dyp-læring-basert NLP-system som fokuserer på produkttittel, lar deg få lignende resultater uten den lange skaleringsrisikoen. Vi har vært i stand til å bruke produkttittel-matching som en basis og bygge andre modeller rundt det, som f.eks. UPC-matching og produktbeskrivelses-matching for å forbedre resultater, ikke avhengig av.

Produkttittel-matching Med Naturlig Språkbehandling

Vi har bygget vårt produkttittel-matching-programvare ved å bruke populære NLP-modeller som GPT-3, BERT og SBERT for å lære relasjoner mellom forskjellige tittel-språk-egenskaper, tittel-attributter som f.eks. merkevare, produkt navn, type osv. Disse dyp-læring-baserte modellene er langt overlegne eldre metoder som fuzzy-matching og regel-baserte tilnærminger og er bevist å skalerer lett med ny data-variasjon og støy.

Matching mellom: Garmin nuvi 2699LMTHD — GPS-navigator — automotive 6.1 in nuvi 2699LMTHD Automobile Portable GPS Navigator

Dette resultatet fra NLP-programvaren viser noen viktige ting:

• Stoppord og tegn påvirker ikke vår evne til å matche to produkttittel
• Modellen kan ordene i tittelen som betyr noe, uavhengig av rekkefølge eller støyord rundt dem.
• Merkenavn er ikke nødvendig for oss for å finne matcher eller avvise en match.
• Produktattributter er ikke nødvendig (størrelse, lengde) i hver produkt vi sammenligner og ikke nødvendigvis samme type.

Produkttittel-modellen fanger opp små, men viktige forskjeller mellom containere som anses som forskjellige SKUs i produkt-databasen. I det andre eksemplet ser vi at det er en mengde bevegelige deler – forskjellige flaske-tell og ustrukturert data-støy, men likevel en enkel match.

Refining For Produksjonsbruk

Dette produkttittel-matching-programvare-produktet kan finjusteres på en detaljhandels eller e-handelsmerkes faktiske produktdata for å skyve nøyaktigheten forbi andre produkter for din spesifikke brukssak. Denne nivået av tilpasning er tilgjengelig fordi av språkmodell-arkitekturen som ble brukt til å bygge produkttittel-matcheren, i stedet for å bruke gimmicky fuzzer-matchere eller entity-ekstraksjonsmodeller. Evnen til å finjustere arkitekturen for en spesifikk selskaps data, lar for bedre skalerbarhet, samt at det blir mye enklere å tilpasse seg endringer i ustrukturert data når du legger til flere produkter eller kilder.

Relativitet I Produkt-matching

Som du kanskje har lagt merke til, kan ideen om produkt-matching være noe relativt basert på hva slags brukssak du prøver å dekke. Hvis du prøver å differensiere produkter basert på SKU, vil du ønske forskjellige resultater enn hvis du prøvde å forstå markedstørrelse og konkurrentprodukter.

For eksempel hvis du har disse to produkttittelene:

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

Du kunne betrakte dem som ikke en match basert på ideen at de har to forskjellige SKUs innenfor samme butikk, men kunne også betrakte dem som en match basert på ideen at de begge er Mastic Gum. Hvis vi nå inkluderer denne produkttittelen i blandingen:

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

Vi må bestemme på forhånd hva vi matcher for. Dette er tydeligvis en konkurrents produkt og har en annen UPC-kode, men det er likevel Mastic Gum og hvis vi bare ser etter produkter under samme “paraply”, så er dette en match. Mye å tenke på når du designer dine produktdata-matching-systemer.

Når du bruker et NLP-basert produkttittel-matching-verktøy, blir denne nivået av fleksibilitet en bris. Vi finjusterer bare vår arkitektur for din brukssak, uavhengig av hva du betrakter som en “match” og optimaliserer mot det. Denne nivået av fleksibilitet er en game-changer når du ser på å bruke samme arkitektur for mange forskjellige brukssaker innenfor en organisasjon og likevel nå høy nøyaktighet.

Vår SKU-baserte pipeline betrakter korrekt dette som en ikke-match.

Produktdata-ekstraksjon

Når vi allerede har matchet produkttittel og har en forståelse av enten vår interne salgsdata-variasjon eller konkurrentproduktdata, kan vi bruke produktkategoriseringsmodeller eller NLP-basert attributt-ekstraksjonsverktøy for å fylle inn eventuelle data-gapper vi har, som f.eks. produktstørrelse, produsentnavn og produktattributter automatisk. Disse pipelineene bruker samme arkitektur som vårt produkt-matching, så de kan lett integreres.

Forbedre Din Produkt-taxonomi

Eksempel på å generere produkt-kategorier og -tagger fra vår GPT-3-modell.

Med produkttittel-matching-verktøyet kan du forbedre klarheten i din taksonomi ved å kombinere flere matchende produktsattributter sammen til en enkelt kategori. Dette renser opp og standardiserer attributtene som utgjør din taksonomi-system.

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 Black 6494784

Forståelse av at disse er begge samme produkt, lar deg fylle inn eventuelle gapper som f.eks. å plassere “Notebook” og “Laptop” i samme kategori, “NVIDIA” som produsent for begge produkter og så videre. Dette lar deg finne feil-kategoriserte produkter og fylle inn eventuelle gapper.

Produktdata-forståelse Er Nøkkel

Tenk produkttittel-matching kan hjelpe deg å forstå din produktdata og rense opp din salgsintelligens? La oss planlegge en demo i dag på Width.ai.