En snabb dykning i hur du kan automatisera produktdata-matchning och SKU-hantering med hjälp av endast produkttitlar med NLP.

Produkttitelmatchning är processen att matcha liknande eller exakta produkter från olika källor baserat strikt på titeln och andra rubrikattribut för produkten. När datavariation och datakällor växer i en organisation kan det bli svårare att hålla produktdata korrekt och hantera nya SKUs. Problem uppstår när man använder olika leverantörer och återförsäljare och det blir svårare att hålla högkvalitativ produktdata. Detta kan orsaka problem när man utvärderar försäljningsdata och förstår sina marknadsföringsinsatser och framgångsfrekvensen. 

Medan detta ofta görs manuellt kan det bli extremt tidskrävande och fungerar dåligt i stor skala. Gamla system som fokuserade på att endast använda grundläggande produktattribut som SKUs och UPC-koder fungerar inte bra med modern ostrukturerad data. Dessa äldre system kräver auxiliära processer för att extrahera attribut, ta bort dubbletter och rensa stoppord från den ostrukturerade produktdata. Även med all datarengöring och nyckelordsextrahering kämpar dessa system fortfarande med saker som:

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

Och

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

För att förstå ordrelationer som “laptop” och “notebook”, och parts-of-speech-nycklar för att matcha GeForce behöver vi använda naturlig språkbehandling. 

Vad Produkttitelmatchning Kan Ge Dig

Produktdata-matchning baserad på titel ger detaljhandlare och e-handelsvarumärken en mängd fördelar i världen av försäljningsdata och marknadsföringsintelligens. 

• Organisera produkter och SKUs över flera leverantörer och återförsäljare
• Använd konkurrentdata för att förstå marknadstrender och konkurrenskraftig prissättning
• Förstå produktlivscykel 
• Se till att det inte finns några saknade bitar i din försäljningsdata och marknadsföringskampanjer

Att använda ett produkttitelbaserat matchningssystem gör att du alltid kan säkerställa att du har den exakta informationen du behöver för att utföra data-matchning. Andra system som kräver många datapunkter eller djupgående produktbeskrivningar kan kämpa när du skalar upp till fler produkter. Vi har funnit att användning av ett djupinlärningsbaserat NLP-system som fokuserar på produkttitel tillåter dig att få liknande resultat utan den långsiktiga skalningsrisken. Vi har kunnat använda produkttitelmatchning som en baslinje och bygga andra modeller runt den, som till exempel UPC-matchning och produktbeskrivningsmatchning, för att förbättra resultaten, inte förlita sig på. 

Produkttitelmatchning Med Naturlig Språkbehandling

Vi har byggt vår produkttitelmatchningsprogramvara med hjälp av populära NLP-modeller som GPT-3, BERT och SBERT för att lära relationen mellan olika titelspråkliga funktioner, titelattribut som varumärke, produktname, typ etc. Dessa djupinlärningsbaserade modeller är långt överlägsna fuzzy-matchning och andra regelbaserade tillvägagångssätt och har visat sig skalas lätt med ny datavariation och brus. 

Matchning mellan: Garmin nuvi 2699LMTHD — GPS-navigator — automotive 6.1 in nuvi 2699LMTHD Automobile Portable GPS Navigator

Detta resultat från NLP-programvaran visar några viktiga saker:

• Stoppord och tecken påverkar inte vår förmåga att matcha två produkttitlar
• Modellen kan identifiera orden i titeln som betyder något oavsett ordning eller brusord. 
• Varumärkesnamn krävs inte för att vi ska kunna hitta matchningar eller avvisa en match. 
• Produktattribut krävs inte (storlek, längd) i varje produkt vi jämför och behöver inte vara av samma typ. 

Produkttitelmodellen fångar upp små men viktiga skillnader mellan containrar som anses vara olika SKUs i produkt-databasen. I det andra exemplet ser vi att det finns många rörliga delar – olika flaskräkningar och ostrukturerad data-brus, men fortfarande en lätt match. 

Finjustering För Produktionsanvändningsfall

Detta produkttitelmatchningsprogram kan finjusteras på en detaljhandelsbutiks eller e-handelsvarumärkes faktiska produktdata för att driva noggrannheten förbi andra produkter för ditt specifika användningsfall. Denna nivå av anpassning är tillgänglig på grund av språkmodellarkitekturen som används för att bygga produkttitelmatchningen, istället för att använda gimmicky fuzzer-matchare eller entitetsextraktionsmodeller. Förmågan att finjustera arkitekturen för ett specifikt företags data gör det också lättare att anpassa sig till förändringar i ostrukturerad data när du lägger till fler produkter eller källor. 

Relativitet I Produktmatchning

Som du kanske har märkt kan idén om produktmatchning vara ganska relativ beroende på vilket användningsfall du försöker täcka. Om du försöker differentiera produkter baserat på SKU kommer du att vilja ha olika resultat än om du försökte förstå marknadsstorlek och konkurrentprodukter. 

Till exempel, om du har dessa två produkttitlar:

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 kunde betrakta dem som inte en match baserat på idén att de har två olika SKUs inom samma butik, men kunde också betrakta dem som en match baserat på idén att de båda är Mastic Gum. Om vi nu inkluderar denna produkttitel i mixen:

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

Vi måste bestämma oss innan vad vi matchar för. Detta är tydligt en konkurrents produkt och har en annan UPC-kod, men det är fortfarande Mastic Gum och om vi bara letar efter produkter under samma “paraply” så är detta en match. Mycket att tänka på när du designar dina produktdata-matchningssystem.

När du använder ett NLP-baserat produkttitelmatchningsverktyg blir denna nivå av flexibilitet en bris. Vi finjusterar vår arkitektur för ditt användningsfall oavsett vad du betraktar som en “match” och optimerar mot det. Denna nivå av flexibilitet är en spelväxlare när du försöker använda samma arkitektur för många olika användningsfall inom en organisation och fortfarande nå hög noggrannhet.

Vår SKU-baserade pipeline betraktar korrekt detta som en icke-match.

Produktdataextrahering

När vi har matchat produkttitlar och har en förståelse för antingen vår interna försäljningsdata-variation eller konkurrentproduktdata kan vi använda produktkategoriseringsmodeller eller NLP-baserade attributextraheringsverktyg för att fylla i eventuella data-luckor vi har, såsom produktstorlek, tillverkarens namn och produktattribut automatiskt. Dessa pipelines använder samma arkitektur som vår produktmatchning, så de kan integreras lätt. 

Förbättra Din Produkttaxonomi

Exempel på att generera produktkategorier och taggar från vår GPT-3-modell.

Med produkttitelmatchningsverktyget kan du förbättra tydligheten i din taxonomi genom att kombinera flera matchande produktsattribut till en enda kategori. Detta renser och standardiserar attributen som utgör din taxonomisystem.  

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

Och

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

Att förstå att dessa är samma produkt tillåter dig att fylla i eventuella luckor, såsom att lägga “Notebook” och “Laptop” i samma kategori, “NVIDIA” som tillverkare för båda produkterna och så vidare. Detta låter dig hitta felkategoriserade produkter och fylla i eventuella luckor. 

Produktdataförståelse Är Nyckeln

Tycker du att produkttitelmatchning kan hjälpa dig att förstå din produktdata och rensa upp din försäljningsintelligens? Låt oss schemalägga en demo idag på Width.ai.