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

Produkttittelmatching er prosessen med å matche lignende eller eksakte produkter fra forskjellige kilder basert strengt på tittel og andre overskriftsattributter til produktet. Ettersom datavarians og datasource vokser i en organisasjon, kan det bli vanskeligere å holde produktdata nøyaktig og håndtere nye SKUs. Problemer oppstår når man bruker forskjellige leverandører og underleverandører, og å holde høykvalitets produktdata blir vanskeligere. Dette kan forårsake problemer når man vurderer salgsdata og forstår markedsinnsats og suksessrate. 

Dette gjøres ofte manuelt, men kan bli ekstremt tidskrevende og skalerer dårlig. Gamle systemer som bare bruker grunnleggende produktattributter som SKUs og UPC-koder, fungerer ikke godt med moderne ustrukturert data. Disse eldre systemene krever hjelpeprosesser for å ekstrahere attributter, fjerne duplikater og rense stoppord fra ustrukturert produktdata. 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-nykler for å matche GeForce, må vi bruke naturlig språkbehandling. 

Hva Produkttittelmatching kan tilby deg

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

• Organiser produkter og SKUs over flere leverandører og underleverandører
• Bruk konkurransedata for å forstå markedstrender og konkurransepriser
• Forstå produktlivssyklus 
• Sikre at det ikke er noen mangler i salgsdata og markedsinnsats

Bruke et produkttittel-basert matchingsystem lar deg sikre at du alltid har den nøyaktige 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 ut at ved å bruke et dypt læring-basert NLP-system som fokuserer på produkttittel, kan du få lignende resultater uten den lange skaleringsrisiken. Vi har kunnet bruke produkttittelmaching som en basis og bygge andre modeller rundt det, som f.eks. UPC-matching og produktbeskrivelses-matching, for å forbedre resultater, ikke avhenge av. 

Produkttittelmaching med Naturlig Språkbehandling

Vi har bygget vårt produkttittelmachingsprogramvare ved hjelp av populære NLP-modeller som GPT-3, BERT og SBERT for å lære relasjonen mellom forskjellige tittel-språkegenskaper, tittelattributter som merkevarenavn, produkt navn, type osv. Disse dypt læring-baserte modellene er langt overlegne eldre fuzzy-matching og regel-baserte tilnærminger og er bevist å skalerer lett med ny data-varians og støy. 

Matching mellom: Garmin nuvi 2699LMTHD — GPS-navigator — bil 6.1 in nuvi 2699LMTHD Bil-portabel 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. 
• Merkevarenavn er ikke nødvendig for å finne matcher eller avvise en match. 
• Produktattributter er ikke nødvendig (størrelse, lengde) i hvert produkt vi sammenligner og trenger ikke å være av samme type. 

Produkttittelmodellen plukker opp små, men viktige forskjeller mellom container-størrelser som anses som forskjellige SKUs i produkt-databasen. I det andre eksemplet ser vi at det er en mengde flytende deler – forskjellige flaske-tell og ustrukturert data-støy, men likevel en enkel match. 

Finjustering for Produksjonsbruk

Dette produkttittelmachingsprogramvaren kan finjusteres på en detaljhandels eller e-handelsmerkes faktiske produktdata for å pushe nøyaktigheten forbi andre produkter for din spesifikke brukssak. Denne type tilpasning er mulig på grunn av språkmodell-arkitekturen som er brukt til å bygge produkttittel-matcheren, i stedet for å bruke gimmicky fuzzer-matchere eller entitet-ekstraksjonsmodeller. Evnen til å finjustere arkitekturen for et selskaps data gjør det lettere å skalerer og tilpasse seg endringer i ustrukturert data når du legger til flere produkter eller kilder. 

Relativitet i Produktmatching

Som du kanskje har lagt merke til, kan ideen om produktmatching være relativt basert på hva slags brukssak du prøver å dekke. Hvis du prøver å differensiere produkter basert på SKU, vil du få forskjellige resultater enn hvis du prøvde å forstå markedsstørrelse og konkurranseprodukter. 

For eksempel hvis du har disse to produkttittelen:

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 innen 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 tydelig en konkurranseprodukt 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-matchingsystemer.

Når du bruker et NLP-basert produkttittel-matchingsverktøy, blir denne type fleksibilitet en lett sak. Vi finjusterer bare vår arkitektur for din brukssak, uavhengig av hva du betrakter som en “match” og optimaliserer mot det. Denne type fleksibilitet er en game-changer når du ser på å bruke samme arkitektur for mange forskjellige brukssaker innen 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-varians eller konkurranseproduktdata, kan vi bruke produktkategoriseringsmodeller eller NLP-basert attributt-ekstraksjonsverktøy for å fylle inn eventuelle data-gapper vi har, som produktstørrelse, produsentnavn og produktattributter automatisk. Disse pipeline-verktøyene bruker samme arkitektur som vårt produkttittel-matchingsverktøy, så de kan lett integreres. 

Forbedre din Produkttaxonomi

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

Med produkttittel-matchingsverktøyet kan du forbedre tydeligheten i din taksonomi ved å kombinere flere matchende produktattributter sammen i en enkelt kategori. Dette renser og standardiserer attributtene som utgjør din 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 Black 6494784

For å forstå at disse er begge samme produkt, lar deg fylle inn eventuelle gapper som å plassere “Notebook” og “Laptop” i samme kategori, “NVIDIA (NVDA ) ” som produsent for begge produkter og så videre. Dette lar deg finne feil-kategoriserte produkter og fylle inn eventuelle gapper. 

Produktdata-forståelse er Nøkkel

Tror du at produkttittelmaching kan hjelpe deg med å forstå din produktdata og rense opp din salgsinnsikt? La oss planlegge en demo i dag på Width.ai.