E-handel uden begrænsninger: automatisering af produktintroduktion med komplette specifikationer

Enhver online butik, der arbejder med flere leverandører, står over for den samme udfordring: hvordan man effektivt håndterer tusindvis af produkter, når hver producent leverer data i et forskelligt format, ofte ufuldstændigt og kræver omfattende behandling? Standardscenariet ser sådan ud - du modtager et Excel-regneark, XML-fil eller link til en PDF-katalog og skal omdanne disse rå data til et højkvalitets produkttilbud med komplette tekniske attributter.

Problemet eskalerer, når produktsortimentet udvides. Mens introduktionen af nogle få dusin produkter kan gøres manuelt, bliver onboarding af 5.000 eller 10.000 varer et organisatorisk mareridt. Forskning viser, at 98% af e-handelsprofessionelle anser komplette produktdata for at være afgørende for forretningssucces. På trods af dette kæmper de fleste butikker stadig med at supplere og verificere tekniske data, hvilket repræsenterer en enorm driftsomkostning og en betydelig barriere for forretningsudvikling.

Konsekvenserne af ufuldstændige produktdata er alvorlige og mangefacetterede:

• Lavere konvertering - forbrugere forlader hjemmesider med upræcise produktdata og søger efter mere pålidelige informationskilder
• Højere returprocent - ufuldstændige produktattributter fører til forkerte købsbeslutninger, hvilket genererer en kostbar bølge af skuffelser og returneringer
• Svækket synlighed i søgemaskiner - utilstrækkelige strukturelle data begrænser positionering
• Forsinket introduktion af nye produkter - tidskrævende onboarding-proces forlænger lanceringstiden for nye produkter
• Problemer med multikanalsalg - markedspladser afviser tilbud uden nødvendige tekniske attributter

getName.ai blev skabt som et svar på dette specifikke problem. Ved at bruge avancerede kunstig intelligens-algoritmer analyserer værktøjet automatisk produktbeskrivelser (uanset sprog og format) og udtrækker komplette sæt af tekniske attributter, der overholder de krævede klassifikationsstandarder. I praksis betyder dette, at onboarding-tiden reduceres fra uger til timer, eliminerer dyre fejl og muliggør dynamisk udvidelse af tilbud uden at øge teamet.

I denne artikel vil vi se på, hvordan den faktiske proces med at introducere produkter til e-handel ved hjælp af forskellige metoder fungerer, hvor de største udfordringer opstår, og hvordan getName.ai revolutionerer dette område af onlinebutiksdrift.

At drive en onlinebutik med et bredt sortiment er en konstant kamp med kvaliteten og fuldstændigheden af produktdata. Dette mærkes særligt akut af virksomheder, der arbejder med hundreder af leverandører, hvor hver enkelt bruger sine egne produktbeskrivelsesstandarder. Lad os se på de mest almindelige problemer, der effektivt blokerer e-handelsudvikling og forbruger uforholdsmæssigt store ressourcer.

Uoverensstemmende dataformater fra leverandører

Virkeligheden ved elektronisk handel er, at hver leverandør sender data i deres foretrukne format:

• Excel-regneark med specifikke kolonnestrukturer
• XML-filer med deres egne tags og hierarki
• PDF-dokumenter, ofte beskyttet mod kopiering
• Links til produktsider, der kræver scraping
• Billeder af tekniske specifikationstabeller

Desuden kan selv den samme leverandør ændre dataformatet mellem på hinanden følgende leverancer. Denne variation af formater tvinger til vedligeholdelse af omfattende importmekanismer og ofte manuel omskrivning af data, hvilket genererer ekstra omkostninger og forsinkelser.

Sprogbarrierer og lokaliseringsproblemer

Global handel betyder leverandører fra forskellige lande, der leverer data på deres lokale sprog:

• Kinesisk producent leverer specifikationer på kinesisk
• Tysk leverandør bruger tysk teknisk terminologi
• Maskinoversættelser forvrænger tekniske parametre

Den traditionelle tilgang kræver involvering af oversættere med kendskab til industrivokabular eller oprettelse af omfattende ordbøger til kortlægning af attributnavne og -værdier. Dette er en kostbar proces, der er tilbøjelig til fejl, især med specialiseret teknisk terminologi.

Flaskehalse i attributekstraktion

Selv når dataene allerede er i systemet, er der et problem med at udtrække de rigtige attributter:

• Brug for manuelt at transskribere parametre fra lange tekstbeskrivelser
• Ekstrahering af værdier fra ustrukturerede tekstfragmenter
• Konvertering af enheder (f.eks. tommer til centimeter)
• Kortlægning af forskellige navne på den samme attribut (f.eks. "Farve", "Tone", "Nuance")
• Standardisering af ordbogsværdier (f.eks. "sort", "sorthed", "mat sort", "RAL 9005"

En specialist kan behandle i gennemsnit 200 produkter om dagen, hvilket skaber en alvorlig præstationsbegrænsning, når man har med tusindvis af nye varer at gøre.

Skaleringsproblemer med store kataloger

Efterhånden som sortimentet vokser, vokser problemerne med datastyring eksponentielt:

• 10.000 produkter kan potentielt betyde millioner af individuelle attributværdier at administrere
• Opdatering af parametre for hele kataloget kan tage uger
• Tilføjelse af et nyt obligatorisk attribut kræver masseopdateringer
• Sæsonudvidelser af tilbud skaber spidser i arbejdsbyrden for produktteamet

Disse udfordringer får mange butikker til at opgive ambitiøse udviklingsplaner og begrænse sig ikke så meget til et mindre sortiment, men til produktpræsentationer baseret udelukkende på grundlæggende data. Tekniske specifikationer eller produktegenskaber forbliver ofte i form af en statisk tabel uden mulighed for at bruge individuelle attributter i søgefiltre, dynamisk genererede navne eller avancerede SEO-mekanismer.

Omkostninger ved at ansætte dedikeret personale

Forsøg på at løse ovenstående problemer med traditionelle metoder fører til konstant udvidelse af teamet:

• Dataimportspecialister
• Produkteksperter med kendskab til branchespecifikke forhold
• Programmører, der laver import- og mappingscripts
• Datakvalitetskontrollører

Dette genererer betydelige personaleomkostninger, mens det ikke eliminerer problemer med datakvalitet. Hvis man antager, at en specialist kan behandle omkring 200 produkter om dagen, genererer den fulde onboarding af 1000 produkter med et komplet sæt af attributter en omkostning på mindst 1500 euro - og det er kun for det grundlæggende arbejdsomfang, uden at tage højde for yderligere rettelser, forbedringer og optimeringer.

Disse daglige udfordringer øger ikke kun driftsomkostningerne, men begrænser frem for alt udviklingspotentialet. E-handelsbutikker, der ikke effektivt kan håndtere et voksende produktkatalog, mister konkurrencefordele og ekspansionsmuligheder. I de følgende dele af artiklen vil vi vise, hvordan moderne AI-teknologier radikalt kan ændre dette billede.

For at håndtere udfordringer med produktintroduktion har e-handelsbutikker udviklet forskellige tilgange. Lad os se på de mest almindeligt anvendte metoder og deres begrænsninger, som ofte forhindrer fuld effektivitet.

Manuel dataindtastning og skaleringsproblemer

Den simpleste metode er manuelt at kopiere data fra leverandørdokumenter ind i butikssystemet, ofte af et dedikeret team:

Fordele:

• Ingen implementeringsomkostninger for avancerede værktøjer
• Gode resultater med et lille antal produkter (op til et par dusin)
• Løbende kvalitetskontrol

Begrænsninger:

• Ekstremt lav effektivitet (ca. 200 produkter pr. dag pr. person)
• Høje omkostninger med store produktvolumener
• Høj modtagelighed for menneskelige fejl (træthed, uopmærksomhed)
• Manglende evne til hurtigt at reagere på sæsonmæssige forsyningsspidser

Virksomheder, der forsøger at løse effektivitetsproblemet ved blot at øge teamet, opdager hurtigt, at dette skaber nye udfordringer relateret til arbejdskoordinering, datakonsistens og kvalitetsstyring.

Leverandørportaler og hvorfor de ofte fejler

En alternativ tilgang er at oprette en dedikeret portal, hvor leverandørerne selv indtaster deres produktdata:

Fordele:

• Overførsel af arbejde til leverandørsiden
• Eliminering af dataoverførselsfasen
• Enhedligt dataformat ved input

Begrænsninger:

• Lav adoptionsrate – leverandører undgår typisk at bruge eksterne portaler og foretrækker stærkt at overføre data i deres eget format, udviklet over år
• Dataindtastning har lav prioritet for leverandører
• Behov for regelmæssig træning og support til leverandører
• Hyppige medarbejderrotationer hos leverandører kræver konstant genimplementering
• Mangel på motivation for leverandører til at bekymre sig om datakvalitet og fuldstændighed

Leverandørportaler fungerer kun i miljøer, hvor butikken har tilstrækkelig forhandlingskraft til at tvinge brugen af systemet. I praksis, især for mellemstore e-handelsvirksomheder, forbliver de for det meste ubrugte værktøjer.

Produktklassificeringsstandarder (ETIM, ECLASS, GPC)

Mange industrier har udviklet ensartede standarder for produktklassifikation og -beskrivelse, såsom ETIM (for elektroteknik), ECLASS (for industri) eller GPC fra GS1 (for detailhandel):

Fordele:

• Præcist defineret datastruktur og attributter
• International kompatibilitet og brancheanerkendelse
• Eliminering af uklarheder og uoverensstemmelser i tekniske beskrivelser
• Faciliteret dataudveksling mellem forsyningskædedeltagere

Begrænsninger:

• Lang og meget kostbar proces med at implementere standarden hos producenten
• En fælles standard er altid et kompromis - producenter understreger ofte, at den ikke fanger alle aspekter og unikke fordele ved deres produkter
• Den dynamiske markedsudvikling tvinger hyppige standardopdateringer - tilpasning til successive versioner af klassifikationer genererer høje omkostninger for både producenter og modtagere
• Selvom ETIM og ECLASS er vel modtaget i deres industrier, bruger et betydeligt antal virksomheder stadig ikke disse standarder
• Klassifikationer er skræddersyet til specifikke industrier, men der er produktkategorier, der er dårligt beskrevet eller helt udeladt i disse standarder
• At udvide en virksomheds sortiment ud over standarden betyder behovet for at introducere alternative importmetoder, selvom der er en veludviklet proces baseret på BMEcat-formatet for nogle produkter.

Klassifikationsstandarder er en fremragende løsning, der eliminerer mange grundlæggende problemer med produktdataudveksling. De introducerer entydighed, præcision og konsistens på det semantiske og strukturelle niveau. Dog vil de ikke blive en perfekt løsning, før klassifikationerne selv er komplette for alle industrier, og før alle forsyningskædedeltagere (producenter, distributører, sælgere) almindeligt bruger dem. E-handel, der opererer på tværs af flere industrier, skal i øjeblikket kombinere fordelene ved standarder, hvor de er tilgængelige, med alternative metoder for andre områder.

ETL-værktøjer og attributkortlægningsbaserede systemer

Teknisk avancerede virksomheder implementerer ofte løsninger, der automatiserer processen med produktdata-transformation. Sådanne værktøjer kan opdeles i flere hovedkategorier:

ETL (Extract, Transform, Load)
ETL-systemer specialiserer sig i at hente data fra forskellige kilder, transformere dem i henhold til definerede regler og indlæse dem i målsystemer. Eksempler på populære værktøjer:

• Talend- omfattende open-source data integrationsplatform med avancerede ETL-funktioner
• Pentaho- sæt af dataintegrations- og forretningsintelligensværktøjer, der muliggør komplekse transformationsflows

PIM-system (Produktinformationsstyring)
PIM-systemer har ofte indbyggede attributkortlægningsmekanismer, der muliggør transformation af data fra leverandørformat til systemformat:

• Akeneo Onboarder- løsning dedikeret til leverandørsamarbejde og centralisering af produktdata
• Informatica MDM- virksomhedsplatform til styring af masterdata, herunder produktdata
• Contentserv- omfattende PIM-system med avancerede automatiseringsmuligheder
• Salsify- PIM-platform designet til multikanalhandel og leverandørsamarbejde
• Pimcore– fleksibel open-source platform, der muliggør avanceret attributkortlægning under dataimport. Med DataHub-modulet kan du konfigurere integrationsskemaer

Dedikerede produktintegrationssystemer

• Productsup Leverandør Onboarding- specialiseret løsning dedikeret til effektiv produktindføring fra leverandører

Den vigtigste funktionalitet i disse systemer er evnen til at importere data fra flere leverandører og omdanne det til en ensartet intern klassifikation. I praksis betyder dette:

• Samtidig håndtering af dusinvis eller hundreder af datakilder (hver med sit eget format)
• Kortlægning af forskellige attributnavne til en målmodel (f.eks. "color", "colour", "hue" → "Color")
• Normalisering af værdier og enheder (f.eks. "1500W", "1.5 kW", "1.5 kilowatts" → "1500 W")
• Transformere ordbogsværdier (f.eks. "black", "noir", "negro", "czarny" → "Black")

Men denne fleksibilitet har en pris - hvert nyt format fra en ny leverandør kræver oprettelse af individuelle kortlægningsregler.

Fordele:

• Automatiseret proces til gentagne importer
• Højere effektivitet end manuel indtastning (én specialist kan håndtere data for tusindvis af produkter)
• Evne til at håndtere forskellige inputformater
• Central styring af datatransformationsregler
• Mulighed for datavalidering under import
• Enhedsdatamodel ved output, uanset kilde

Begrænsninger:

• Har brug for at oprette og vedligeholde kortlægningsregler for hver leverandør og hvert format
• Tidskrævende forberedelse af kortlægning ved onboarding af en ny leverandør (normalt flere dages specialistarbejde)
• Høje omkostninger ved implementering og vedligeholdelse af komplekse systemer (licenser ofte fra titusindvis af euro årligt)
• Vanskeligheder med at håndtere ustruktureret tekstdata og udtrække værdifulde attributter fra dem
• Kræver højt kvalificerede specialister med både teknisk og domæneviden
• Stive "if-then"-regler håndterer ikke godt varianter af at skrive den samme information
• Skaleringsproblem med meget forskellige sortimenter (hundredvis af kategorier)
• Ændringer i kildedatastruktur (f.eks. formatopdatering fra leverandør) kræver redesign af kortlægningsregler

Regelbaserede kortlægningsløsninger fungerer godt til regelmæssige importer fra de samme leverandører, hvor dataformatet er stabilt og gentageligt. Deres største fordel er forudsigelighed og procesgennemsigtighed. Dog kræver det betydeligt arbejde at onboarde nye leverandører hver gang for at forberede kortlægningsregler, hvilket forlænger tiden til markedet og øger driftsomkostningerne.

Desuden håndterer traditionelle ETL- og PIM-værktøjer ofte ikke godt udtrækning af værdifuld information fra ustrukturerede tekstbeskrivelser, hvilket fører til ufuldstændig udnyttelse af tilgængelige produktdata.

Udfordringer relateret til flersprogede data

En yderligere komplikation for alle tidligere beskrevne metoder er sprogbarrieren - når produkter kommer fra internationale leverandører, kommer data i forskellige sprog. Uanset den valgte onboarding-metode er det nødvendigt at inkludere en fase med oversættelse eller tilpasning af data til målsproget.

Selvom moderne AI-teknologier har forbedret denne proces betydeligt og reduceret dens omkostninger, forbliver det stadig et ekstra trin i processen, hvilket skaber forsinkelser og kræver yderligere ressourcer. Særligt problematisk er den præcise oversættelse af specialiseret teknisk terminologi, som kan føre til uoverensstemmelser eller fejl i de endelige produktdata.

De traditionelle produkt-onboarding-metoder, der blev præsenteret tidligere, på trods af deres gradvise udvikling, er stadig afhængige af de samme grundlæggende antagelser - manuelt arbejde, kortlægningsregler og omfattende konfigurationer. getName.ai repræsenterer en helt ny tilgang, der i stedet for at forbedre gamle processer, fuldstændigt ændrer den måde, vi tænker på at udtrække produktegenskaber.

Kunstig intelligens i stedet for kortlægningsregler

I modsætning til traditionelle ETL- og PIM-systemer, der kræver oprettelse af komplicerede mappingsregler for hvert dataformat, bruger getName.ai avancerede sprogmodeller, der "forstår" konteksten og semantikken af produktinformation.

Hvordan det fungerer i praksis:

• Systemet analyserer alle tilgængelige produktinformationer (beskrivelser, navne, specifikationstabeller)
• Genkender og fortolker betydningen af tekst, ikke kun dens struktur eller format
• Identificerer nøgleattributter og deres værdier, uanset hvordan de er skrevet
• Konverterer og normaliserer automatisk værdier til det krævede format

Denne grundlæggende forskel i tilgang eliminerer fuldstændigt behovet for at skabe og vedligeholde komplekse kortlægningsregler, som er den største flaskehals ved traditionelle metoder.

Universalitet af inputformater

getName.ai kræver ikke noget særligt inputdataformat. Systemet kan arbejde med:

• Enhver filformat (XML, JSON, CSV, Excel, PDF)
• Ustrukturerede tekstbeskrivelser (selv lange markedsføringsbeskrivelser)
• Data hentet direkte fra hjemmesider
• Specifikationstabeller i enhver layout

Denne fleksibilitet betyder, at der ikke er behov for forbehandling eller tilpasning af data modtaget fra leverandører - det kan overføres til systemet i den form, det blev leveret.

Sproguafhængighed

En af de mest revolutionerende funktioner ved getName.ai er fuldstændig uafhængighed af datakildens sprog. Systemet forstår konteksten og betydningen af produktattributter, uanset om de er skrevet på polsk, engelsk, tysk eller endda kinesisk.

Praktiske aspekter:

• Ingen grund til at oversætte data før behandling
• Evne til at arbejde med leverandører fra hele verden uden sprogbarrierer
• Konsistente resultater uanset kildesprog

I praksis betyder dette, at den samme attribut (f.eks. motoreffekt) vil blive korrekt genkendt, uanset om den vises i den oprindelige beskrivelse som "power", "Leistung", "puissance" eller "功率".

Transformation til din egen produktklassifikation

Den mest værdifulde funktion ved getName.ai er evnen til automatisk at transformere enhver inputdata til den standardiserede, interne lagringsklassifikation. Systemet genkender ikke kun attributter, men tildeler dem direkte til en specifik datamodel, der kræves af din virksomhed - uden nogen kortlægning.

Hvordan denne proces ser ud:

• Oprindeligt leverer du en model af din egen produktklassifikation: klasser, attributter, ordbogsværdier
• Systemet analyserer rådata fra leverandøren
• getName.ai identificerer alle tilgængelige attributoplysninger
• Tildeler automatisk anerkendte attributter til din interne klassifikation
• Normaliserer værdier i henhold til krav (enheder, formater, ordbøger)
• Returnerer et komplet sæt attributter klar til import i dit system

Denne proces eliminerer fuldstændigt behovet for kortlægning eller oprettelse af transformationsregler for hver ny leverandør - getName.ai tilpasser sig automatisk til forskellige inputdataformater og opretholder altid det samme, konsistente outputdataformat.

Intelligent enhedskonvertering og værdi-normalisering

Systemet kan ikke kun genkende numeriske værdier, men også automatisk identificere måleenheder og konvertere dem til det krævede format:

• Automatisk detektion af enheder (tommer, mm, cm, kg, lb, W, kW, osv.)
• Konvertering mellem metriske og imperiale systemer
• Standardisering af notation i henhold til krav (f.eks. altid "cm" i stedet for "centimeter")

Værdinormaliseringsmekanismen fungerer på samme måde, idet den genkender forskellige varianter af at skrive den samme værdi:

• "sort", "noir", "schwarz", "czarny" → "Sort"
• "trådløs", "trådløs", "bezprzewodowy" → "Trådløs"
• "rustfrit stål", "inox", "stal nierdzewna" → "Rustfrit stål"

Hurtig API-implementering

Integrering af getName.ai med eksisterende systemer er enkelt takket være REST API-grænsefladen. Lad os antage, at vores e-handel strategisk har vedtaget ETIM v10-klassifikation som sin hovedklassifikation og ønsker at tilpasse produktbeskrivelsen modtaget fra producenten til den.

Denne API-struktur muliggør nem integration med eksisterende PIM-, e-handels- eller ERP-systemer gennem standard kommunikationsmekanismer.

Skalerbarhed og fleksibilitet

I modsætning til traditionelle løsninger opretholder getName.ai høj effektivitet med en stor variation af produkter eller leverandører. Systemet håndterer lige godt:

• En leverandør og én produktkategori
• Hundredvis af leverandører og tusindvis af forskellige produktkategorier

Denne skalerbarhed stammer fra den fundamentale forskel i tilgang - i stedet for at kræve en besværlig oprettelse og vedligeholdelse af tusindvis af kortlægningsregler, bruger getName.ai kunstig intelligens til at forstå konteksten og betydningen af data, uanset format eller kilde.

getName.ai er ikke bare en forbedring af eksisterende processer, men et komplet paradigmeskift i tilgangen til produktindføring. I stedet for at tilpasse sig den uendelige variation af leverandørdataformater gennem svært vedligeholdelige kortlægningsregler, fokuserer systemet på direkte at forstå betydningen af data og automatisk transformere det til en sammenhængende, intern klassifikation. Dette er en fundamental forskel, der tillader at bryde begrænsningerne ved traditionelle metoder og åbne nye muligheder for sortimentsudvikling i e-handel.

I denne sektion vil vi trin for trin se på, hvordan den faktiske proces med at introducere store sæt af produkter i e-handelssystemer fungerer. Vi vil vise smertepunkterne og de største udfordringer, som produktteams står overfor, og præcis hvor getName.ai introducerer betydelige forbedringer.

Reelt eksempel på onboarding-processen

Lad os se på, hvordan en typisk produkt-onboarding-proces ser ud ved at bruge eksemplet på en XML-fil fra en leverandør, som næsten enhver e-handelsbutik skal håndtere:

Indtast data:

• XML-fil i leverandørens eget format
• Tekniske specifikationsattributter registreret i producentens eget format
• Data ofte på et fremmedsprog (f.eks. engelsk, tysk eller endda kinesisk)
• Katalog over 5.000 produkter

Etap 1: Filstruktur analyse

Denne fase er fælles uanset metoden. Det tekniske team skal først forstå, hvordan leverandørens XML-fil er opbygget. Dette betyder kortlægning af felter, identifikation af tags og forståelse af filens logik. Denne fase kræver ofte IT-specialister og kan tage fra flere timer til flere dage, afhængigt af strukturens kompleksitet.

Fase 2: Foreløbig databehandling

Også et fælles trin for alle metoder, inklusive:

• Transformation til en struktur, der er acceptabel for PIM/E-handelsystemer
• Forberedelse af grundlæggende og logistiske data til import
• Organisering af aktiver (billeder, dokumentation)
• Placering af specifikationsattributter i en midlertidig, arbejdende struktur

Denne fase kræver normalt at skrive konverteringsskripter eller bruge ETL-værktøjer, hvilket tager 1-2 dages arbejde for en IT-specialist.

Trin 3: Import af grundlæggende data

Fælles trin for alle metoder:

• Indlæser produktidentifikatorer
• Import af navne og beskrivelser
• Introduktion af logistiske data (vægt, dimensioner, emballage)
• Vedhæftning af aktiver (billeder, PDF-filer)

Selv hvis dataene behandles automatisk, kræver denne proces overvågning og tager flere timer til en hel dag.

Trin 4: Sprogtilpasningsproces

I dette trin skal vi tilpasse produktdata på fremmedsprog til butikkens lokale sprog. Dette er en af de mest arbejdskrævende faser af traditionel onboarding, som getName.ai radikalt forenkler.

Uden getName.ai:
Traditionel lokalisering kræver omfattende oversættelse af alle produktelementer, hvilket medfører betydelige omkostninger og forsinker introduktionen af produkter på markedet.

• Oversættelse af produktnavne
• Oversættelse af produktbeskrivelser
• Oversættelse af tekniske specifikationer

Denne proces kan tage fra flere dage til uger, afhængigt af antallet og specificiteten af tekniske attributter og tilgængelige oversættelsesressourcer.

Med getName.ai:
Med getName.ai er der to hovedstrategier: du kan oversætte de originale navne og beskrivelser udviklet af producenten, eller fokusere på at opnå flersprogede tekniske attributter og derefter automatisk generere lokale navne og beskrivelser ud fra dem.

• Oversættelse af produktnavne - unødvendig, hvis virksomheden har en mekanisme til generering af navne baseret på specifikationsattributter
• Oversættelse af produktbeskrivelser - unødvendig, hvis virksomheden har en AI-mekanisme til at generere beskrivelser baseret på specifikationsattributter
• Oversættelse af tekniske specifikationer - fuldstændig unødvendig, da getName.ai genkender attributter uanset kildesprog

Dette er, hvor den første væsentlige forskel opstår:getName.ai eliminerer behovet for at oversætte tekniske specifikationer, hvilket sparer dages arbejde og reducerer omkostningerne betydeligt.

Trin 5: Produktkategorisering

Hvert produkt skal tildeles den passende kategori i systemet. Denne proces kræver normalt specialiseret produktviden og - afhængigt af graden af sortimentsdiversitet - kan tage fra flere timer til endda to dage for en batch på omkring 5.000 produkter.

Trin 6: Import af kategoriberoende specifikationsattributter

Manuel redigering:

• Manuel fuldførelse gennem GUI baseret på kildefildata
• Gennemgang af tekniske databladfiler for information
• Søger efter manglende data på internettet
• Manuel enhedskonvertering (f.eks. tommer til centimeter)

Forudsat at én specialist kan behandle omkring 200 produkter om dagen, kræver det 5 persondage at håndtere 1000 produkter.

Dedikerede værktøjer / ETL:

• Foreløbig datarensning
• Opretter komplicerede importregler [hvis-så-ellers]
• Definere mapping for hvert attribut
• Oprettelse af ordbogsværdimapping, i særlige tilfælde yderligere pr. attribut
• Konfiguration af automatisk enhedskonvertering

Forberedelse af et sådant system tager normalt 3-5 dage, men efter konfigurationen forløber importen meget hurtigere. Dog kræver hver ny leverandør en rekonfiguration. Desuden kræver hver efterfølgende import, selv fra den samme leverandør, inspektion og ofte ændring af mapping, da nye attributter, nye ordbogsværdier eller fejl i kildedata kan opstå.

Denne løsning er særligt effektiv for virksomheder med en relativt enkel sortimentsstruktur – kortlægning af attributter og ordbogsværdier forbliver en proces, der effektivt kan udføres uden overdreven kompleksitet. Dog, for e-handel med et meget forskelligartet tilbud (hundredvis af produktkategorier), bliver omfattende kortlægning praktisk talt uigennemførlig eller kræver et dedikeret team til løbende opdateringer af regler.

API getName.ai:

• Fuld procesautomatisering
• Sender alle tilgængelige produktinformationer til API'en uden forudgående analyse
• Øjeblikkelig modtagelse af attributter og deres værdier klar til import

Dette er, hvor den vigtigste forskel fremkommer:en fase, der traditionelt tog 5 persondage at udføre (forudsat en effektivitet på 200 produkter pr. dag) eller 3-5 dage til at forberede avancerede ETL-regler, reduceres til flere timers systemarbejde. Der er ikke behov for at oprette komplicerede kortlægningsregler, og systemet genkender automatisk attributter og konverterer enheder.

Trin 7: Kvalitetskontrol

Manuel redigering:

• Kvalitetskontrol udføres samtidig med dataindtastning af operatører
• Kræver ikke en yderligere verificeringsfase, men er modtagelig for menneskelige fejl som følge af træthed under monotont arbejde

Dedikerede værktøjer / ETL:

• Kræver tilfældig verifikation, normalt omkring 1% af produkterne
• Fejl opstår stadig på grund af ufuldkommenheder i kortlægningsreglerne, især med nye værdier

API getName.ai:

• Anbefalet kvalitetskontrol, der dækker 1-5% af produkterne for at bekræfte korrekthed
• Verifikation forløber glat og tager flere timer

De vigtigste forbedringer med getName.ai:

• Eliminering af sprogbarriere- systemet genkender attributter uanset kildesprog
• Ingen grund til at skrive kortlægningsregler- systemet genkender og kortlægger automatisk attributter
• Automatisk enhedskonvertering- systemet registrerer måleenheder og konverterer dem til det krævede format
• Anerkendelse af ordbogsværdier- systemet kortlægger forskellige varianter af at skrive den samme værdi til en standardværdi
• 90% reduktion i den tid, der kræves til den tekniske specifikationsfase- den mest tidskrævende fase er næsten fuldstændig automatiseret

Implementering af getName.ai giver e-handelsvirksomheder mulighed for at fokusere ressourcer på strategisk udvikling af deres tilbud i stedet for manuel dataindtastning, samtidig med at kvaliteten af produktinformation forbedres og tiden til markedet for nye produkter reduceres med ca. 80% - 90%.

At onboarde nye leverandører med komplette produktegenskaber er en af de største udfordringer i moderne e-handel. I denne artikel har vi vist, hvordan traditionelle tilgange – på trods af løbende forbedringer – stadig er afhængige af kedelige, dyre og ufleksible mekanismer.

Vi har fremhævet de grundlæggende problemer:

• Begrænset effektivitet ved manuel dataindtastning
• Sprogbarriere med internationale leverandører
• Vanskeligheder forbundet med at oprette og vedligeholde kortlægningsregler
• Begrænsninger ved klassifikationsstandarder i heterogent sortiment

På samme tid har vi vist, hvordan getName.ai – ved at bruge de nyeste fremskridt inden for kunstig intelligens – introducerer en helt ny kvalitet til onboarding-processen. I stedet for at forbedre gamle praksisser ændrer det fuldstændigt spillereglerne ved at eliminere de mest tidskrævende og omkostningstunge faser.

Reelle fordele ved implementering

Som vist ved analyser af processer i e-handelsvirksomheder, omsætter implementeringen af getName.ai til konkrete, målbare fordele:

• Drastisk forkortet produktionstidsintroduktionstid– fra uger til timer
• Reduktion af driftsomkostninger– lavere udgifter til personale og proceshåndtering
• Eliminering af sprogbarrierer– mulighed for direkte samarbejde med leverandører fra hele verden
• Forbedret datakvalitet– konsistente, komplette attributter for hele sortimentet
• Frigørelse af holdets potentiale– specialister kan fokusere på strategisk udvikling af tilbuddet i stedet for mekanisk dataindtastning

Desuden betyder den specifikke drift af getName.ai, at fordelene vokser med driftsomfanget. Jo større variationen af produkter og leverandører er, desto større er fordelen i forhold til traditionelle løsninger.

Start transformationen i dag

Hvis du kæmper med nogen af de udfordringer, der er beskrevet i artiklen, inviterer vi dig til direkte at sætte dig ind i mulighederne med getName.ai-platformen. Befri din e-handel fra begrænsningerne ved traditionelle metoder og opdag nye muligheder for sortimentsudvikling uden kompromiser.

Planlæg en kort, 15-minutters præsentation, hvor vi vil vise, hvordan getName.ai håndterer reelle produktdata. Du vil se live, hvordan rå beskrivelser bliver transformeret til strukturerede attributter - klar til brug i dit PIM- eller e-handelssystem.

Test løsningen uden forpligtelse

Få adgang til en fuldt funktionel demoversion og se, hvordan systemet fungerer på et større sæt af dine egne data. Ingen forudgående gebyrer og ingen langsigtede forpligtelser - se, hvordan getName.ai kan understøtte dine forretningsprocesser i praksis.

Kontakt os

For at planlægge en demonstration eller få adgang til demo-miljøet, kontakt os via e-mailhej@getname.aieller udfyld formularen, der er tilgængelig på vores hjemmeside.