E-commerce zonder beperkingen: automatisering van productintroductie met volledige specificaties

Elke online winkel die met meerdere leveranciers werkt, staat voor dezelfde uitdaging: hoe duizenden producten efficiënt te beheren wanneer elke fabrikant gegevens in een ander formaat levert, vaak onvolledig en met uitgebreide verwerking vereist? Het standaardscenario ziet er als volgt uit - je ontvangt een Excel-spreadsheet, XML-bestand of link naar een PDF-catalogus en moet deze ruwe gegevens omzetten in een hoogwaardig productaanbod met complete technische kenmerken.

Het probleem escaleert naarmate het productassortiment groeit. Terwijl het introduceren van enkele tientallen producten handmatig kan worden gedaan, wordt het onboarden van 5.000 of 10.000 artikelen een organisatorische nachtmerrie. Onderzoek toont aan dat 98% van de e-commerce professionals volledige productgegevens essentieel vindt voor zakelijk succes. Desondanks worstelen de meeste winkels nog steeds met het aanvullen en verifiëren van technische gegevens, wat een enorme operationele kostenpost en een aanzienlijke belemmering voor bedrijfsontwikkeling vertegenwoordigt.

De gevolgen van onvolledige productgegevens zijn ernstig en veelzijdig:

• Lagere conversie - consumenten verlaten websites met onnauwkeurige productgegevens, op zoek naar betrouwbaardere informatiebronnen
• Hogere retourpercentage - onvolledige productkenmerken leiden tot verkeerde aankoopbeslissingen, wat een kostbare golf van teleurstellingen en retouren genereert
• Zwakkere zichtbaarheid in zoekmachines - onvoldoende gestructureerde gegevens beperken de positionering
• Vertraagde introductie van nieuwe producten - tijdrovend onboardingsproces verlengt de lanceringstijd van nieuwe producten
• Problemen met multichannel verkoop - marktplaatsen weigeren aanbiedingen zonder vereiste technische kenmerken

getName.ai is gecreëerd als reactie op dit specifieke probleem. Door gebruik te maken van geavanceerde kunstmatige intelligentie-algoritmen, analyseert de tool automatisch productbeschrijvingen (ongeacht taal en formaat) en haalt complete sets technische kenmerken eruit die voldoen aan de vereiste classificatiestandaarden. In de praktijk betekent dit dat de onboarding-tijd van weken naar uren wordt teruggebracht, kostbare fouten worden geëlimineerd en dynamische uitbreiding van het aanbod mogelijk wordt zonder het team te vergroten.

In dit artikel bekijken we hoe het daadwerkelijke proces van het introduceren van producten in e-commerce met verschillende methoden werkt, waar de grootste uitdagingen zich voordoen, en hoe getName.ai dit gebied van online winkelactiviteiten revolutioneert.

Een online winkel runnen met een breed assortiment is een constante strijd met de kwaliteit en volledigheid van productgegevens. Dit wordt vooral acuut gevoeld door bedrijven die met honderden leveranciers werken, waarbij elke leverancier zijn eigen productbeschrijvingsstandaarden hanteert. Laten we kijken naar de meest voorkomende problemen die de ontwikkeling van e-commerce effectief blokkeren en onevenredig veel middelen verbruiken.

Inconsistente gegevensformaten van leveranciers

De realiteit van elektronische handel is dat elke leverancier gegevens in hun voorkeursformaat verzendt:

• Excel-spreadsheets met specifieke kolomstructuren
• XML-bestanden met hun eigen tags en hiërarchie
• PDF-documenten, vaak beschermd tegen kopiëren
• Links naar productpagina's die scraping vereisen
• Afbeeldingen van technische specificatietabellen

Bovendien kan zelfs dezelfde leverancier het gegevensformaat wijzigen tussen opeenvolgende leveringen. Deze verscheidenheid aan formaten dwingt tot het onderhouden van uitgebreide importmechanismen en vaak handmatige herschrijving van gegevens, wat extra kosten en vertragingen met zich meebrengt.

Taalbarrières en lokalisatieproblemen

Wereldhandel betekent leveranciers uit verschillende landen die gegevens in hun lokale talen verstrekken:

• Chinese fabrikant levert specificaties in het Chinees
• Duitse leverancier gebruikt Duitse technische terminologie
• Machinale vertalingen vervormen technische parameters

De traditionele aanpak vereist het inschakelen van vertalers met kennis van de vaktaal of het creëren van uitgebreide woordenboeken voor het in kaart brengen van attribuutnamen en waarden. Dit is een kostbaar proces dat gevoelig is voor fouten, vooral bij gespecialiseerde technische terminologie.

Knelpunten in attribuutextractie

Zelfs wanneer de gegevens al in het systeem staan, is er een probleem met het extraheren van de juiste attributen:

• Moet parameters handmatig transcriberen van lange tekstbeschrijvingen
• Waarden extraheren uit ongestructureerde tekstfragmenten
• Eenheden omrekenen (bijv. inches naar centimeters)
• Verschillende namen van hetzelfde attribuut in kaart brengen (bijv. "Kleur", "Tint", "Schaduw")
• Standaardiseren van woordenboekwaarden (bijv. "zwart", "zwartheid", "matzwart", "RAL 9005"

Eén specialist kan gemiddeld 200 producten per dag verwerken, wat een serieuze prestatiebeperking oplevert bij het omgaan met duizenden nieuwe items.

Schaalproblemen met grote catalogi

Naarmate het assortiment groeit, groeien problemen met gegevensbeheer exponentieel:

• 10.000 producten betekenen potentieel miljoenen individuele attribuutwaarden om te beheren
• Het bijwerken van parameters voor de gehele catalogus kan weken duren
• Een nieuw vereist attribuut toevoegen vereist massale updates
• Seizoensgebonden uitbreidingen van aanbiedingen zorgen voor pieken in de werkdruk voor het productteam

Deze uitdagingen zorgen ervoor dat veel winkels ambitieuze ontwikkelingsplannen opgeven, waarbij ze zich niet zozeer beperken tot een kleiner assortiment, maar tot productpresentaties die uitsluitend gebaseerd zijn op basisgegevens. Technische specificaties of producteigenschappen blijven vaak in de vorm van een statische tabel, zonder de mogelijkheid om individuele attributen te gebruiken in zoekfilters, dynamisch gegenereerde namen, of geavanceerde SEO-mechanismen.

Kosten voor het in dienst nemen van toegewijd personeel

Pogingen om de bovenstaande problemen op te lossen met traditionele methoden leiden tot constante teamuitbreiding:

• Gegevensimportspecialisten
• Productexperts die bekend zijn met de specifieke kenmerken van de industrie
• Programmeurs die import- en mappingscripts maken
• Datakwaliteitscontroleurs

Dit genereert aanzienlijke personeelskosten terwijl het problemen met de datakwaliteit niet elimineert. Aangenomen dat één specialist ongeveer 200 producten per dag kan verwerken, genereert de volledige onboarding van 1000 producten met een complete set attributen een kostenpost van minstens 1500 euro - en dat is alleen voor de basisomvang van het werk, zonder rekening te houden met aanvullende correcties, reparaties en optimalisaties.

Deze dagelijkse uitdagingen verhogen niet alleen de operationele kosten, maar beperken bovenal het ontwikkelingspotentieel. E-commerce winkels die een groeiende productcatalogus niet efficiënt kunnen beheren, verliezen concurrentievoordeel en uitbreidingsmogelijkheden. In de volgende delen van het artikel laten we zien hoe moderne AI-technologieën dit beeld radicaal kunnen veranderen.

Om productonboardinguitdagingen het hoofd te bieden, hebben e-commercesites verschillende benaderingen ontwikkeld. Laten we kijken naar de meest gebruikte methoden en hun beperkingen, die vaak volledige efficiëntie in de weg staan.

Handmatige gegevensinvoer en schaalproblemen

De eenvoudigste methode is het handmatig kopiëren van gegevens van leveranciersdocumenten naar het winkelsysteem, vaak door een toegewijd team:

Voordelen:

• Geen implementatiekosten voor geavanceerde tools
• Goede resultaten met een klein aantal producten (tot enkele tientallen)
• Voortdurende kwaliteitscontrole

Beperkingen:

• Extreem lage efficiëntie (ca. 200 producten per dag per persoon)
• Hoge kosten met grote productvolumes
• Hoge vatbaarheid voor menselijke fouten (vermoeidheid, onoplettendheid)
• Niet in staat om snel te reageren op seizoensgebonden aanbodpieken

Bedrijven die proberen het efficiëntieprobleem op te lossen door simpelweg het team uit te breiden, ontdekken al snel dat dit nieuwe uitdagingen met zich meebrengt met betrekking tot werkcoördinatie, gegevensconsistentie en kwaliteitsbeheer.

Leveranciersportalen en waarom ze vaak falen

Een alternatieve benadering is het creëren van een speciaal portaal waar leveranciers zelf hun productgegevens invoeren:

Voordelen:

• Werk overdragen naar de leverancierszijde
• Het elimineren van de gegevensoverdrachtfase
• Geünificeerd gegevensformaat bij de invoer

Beperkingen:

• Lage adoptiegraad – leveranciers vermijden doorgaans het gebruik van externe portals en geven sterk de voorkeur aan het overdragen van gegevens in hun eigen formaat, ontwikkeld over jaren
• Gegevensinvoer heeft een lage prioriteit voor leveranciers
• Noodzaak voor regelmatige training en ondersteuning voor leveranciers
• Frequent personeelswisselingen bij leveranciers vereisen constante herimplementatie
• Gebrek aan motivatie voor leveranciers om zich druk te maken over de kwaliteit en volledigheid van gegevens

Leveranciersportalen werken alleen in omgevingen waar de winkel voldoende onderhandelingsmacht heeft om het gebruik van het systeem af te dwingen. In de praktijk blijven ze, vooral voor middelgrote e-commercebedrijven, meestal ongebruikte hulpmiddelen.

Productclassificatiestandaarden (ETIM, ECLASS, GPC)

Veel industrieën hebben uniforme standaarden ontwikkeld voor productclassificatie en -beschrijving, zoals ETIM (voor elektrotechniek), ECLASS (voor industrie), of GPC van GS1 (voor detailhandel):

Voordelen:

• Nauwkeurig gedefinieerde datastructuur en attributen
• Internationale compatibiliteit en erkenning door de industrie
• Eliminatie van ambiguïteiten en discrepanties in technische beschrijvingen
• Gegevensuitwisseling tussen deelnemers in de toeleveringsketen gefaciliteerd

Beperkingen:

• Lang en zeer kostbaar proces van het implementeren van de norm bij de fabrikant
• Een gemeenschappelijke standaard is altijd een compromis - fabrikanten benadrukken vaak dat het niet alle aspecten en unieke voordelen van hun producten vastlegt
• De dynamische marktontwikkeling dwingt tot frequente standaardupdates - het aanpassen aan opeenvolgende versies van classificaties genereert hoge kosten voor zowel fabrikanten als ontvangers.
• Hoewel ETIM en ECLASS goed worden ontvangen in hun industrieën, gebruikt een aanzienlijk aantal bedrijven deze standaarden nog steeds niet.
• Classificaties zijn afgestemd op specifieke industrieën, maar er zijn productcategorieën die slecht beschreven of volledig weggelaten zijn in deze standaarden.
• Het uitbreiden van het assortiment van een bedrijf buiten de standaard betekent de noodzaak om alternatieve importmethoden te introduceren, zelfs als er een goed ontwikkeld proces is op basis van het BMEcat-formaat voor sommige producten.

Classificatiestandaarden zijn een geweldige oplossing die veel fundamentele problemen met productgegevensuitwisseling elimineert. Ze introduceren eenduidigheid, precisie en consistentie op semantisch en structureel niveau. Echter, ze zullen geen perfecte oplossing worden totdat de classificaties zelf compleet zijn voor alle industrieën en totdat alle deelnemers in de toeleveringsketen (fabrikanten, distributeurs, verkopers) ze algemeen gebruiken. E-commerce die actief is in meerdere industrieën moet momenteel de voordelen van standaarden waar ze beschikbaar zijn combineren met alternatieve methoden voor andere gebieden.

ETL-tools en op attribuutmapping gebaseerde systemen

Technisch geavanceerde bedrijven implementeren vaak oplossingen die het transformatieproces van productgegevens automatiseren. Dergelijke tools kunnen worden onderverdeeld in verschillende hoofdcategorieën:

ETL (Extract, Transform, Load)
ETL-systemen zijn gespecialiseerd in het ophalen van gegevens uit verschillende bronnen, het transformeren ervan volgens gedefinieerde regels, en het laden ervan in doelsystemen. Voorbeelden van populaire tools:

• Talend- uitgebreid open-source data-integratieplatform met geavanceerde ETL-functies
• Pentaho- set van data-integratie- en business intelligence-tools die complexe transformatiestromen mogelijk maken

PIM-systeem (Productinformatiebeheer)
PIM-systemen hebben vaak ingebouwde attribuuttoewijzingsmechanismen, waarmee transformatie van gegevens van leveranciersformaat naar systeemformaat mogelijk is:

• Akeneo Onboarder- oplossing gewijd aan samenwerking met leveranciers en centralisatie van productgegevens
• Informatica MDM- nterpriseplatform voor het beheren van stamgegevens, inclusief productgegevens
• Contentserv- uitgebreid PIM-systeem met geavanceerde automatiseringsmogelijkheden
• Salsify- PIM-platform ontworpen voor multichannel commerce en samenwerking met leveranciers
• Pimcore– flexibele open-source platform die geavanceerde attributenmapping mogelijk maakt tijdens gegevensimport. Met de DataHub-module kun je integratieschema's configureren

Toegewijde productintegratiesystemen

• Productup Leveranciersonboarding- gespecialiseerde oplossing gewijd aan efficiënte productonboarding van leveranciers

De belangrijkste functionaliteit van deze systemen is de mogelijkheid om gegevens van meerdere leveranciers te importeren en deze om te zetten in één consistente interne classificatie. In de praktijk betekent dit:

• Gelijktijdig tientallen of honderden gegevensbronnen beheren (elk met zijn eigen formaat)
• Verschillende attributennamen toewijzen aan één doelmodel (bijv. "color", "colour", "hue" → "Color")
• Normaliseren van waarden en eenheden (bijv. "1500W", "1.5 kW", "1.5 kilowatts" → "1500 W")
• Transformatie van woordenboekwaarden (bijv. "black", "noir", "negro", "czarny" → "Black")

Echter, deze flexibiliteit komt met een prijs - elk nieuw formaat van een nieuwe leverancier vereist het maken van individuele toewijzingsregels.

Voordelen:

• Geautomatiseerd proces voor repetitieve importen
• Hogere efficiëntie dan handmatige invoer (één specialist kan gegevens beheren voor duizenden producten)
• Mogelijkheid om verschillende invoerformaten te verwerken
• Centrale beheer van gegevensomzettingsregels
• Mogelijkheid van gegevensvalidatie tijdens importeren
• Geünificeerd datamodel bij de output, ongeacht de bron

Beperkingen:

• Moet mappingregels maken en onderhouden voor elke leverancier en elk formaat
• Tijdrovende voorbereiding van mapping bij het onboarden van een nieuwe leverancier (meestal meerdere dagen specialistisch werk)
• Hoge kosten voor de implementatie en het onderhoud van complexe systemen (licenties vaak van tienduizenden euro's per jaar)
• Moeilijkheden met het omgaan met ongestructureerde tekstgegevens en het extraheren van waardevolle attributen daaruit
• Vereist hooggekwalificeerde specialisten met zowel technische als domeinkennis
• Rigide "if-then"-regels gaan niet goed om met varianten van het schrijven van dezelfde informatie
• Schaalprobleem met zeer diverse assortimenten (honderden categorieën)
• Wijzigingen in de structuur van brongegevens (bijv. formaatupdate door leverancier) vereisen het herontwerpen van toewijzingsregels

Regelgebaseerde koppelingsoplossingen werken goed voor regelmatige importen van dezelfde leveranciers waar het gegevensformaat stabiel en herhaalbaar is. Hun belangrijkste voordeel is voorspelbaarheid en procestransparantie. Het onboarden van nieuwe leveranciers vereist echter elke keer aanzienlijk werk om koppelingsregels voor te bereiden, wat de time-to-market verlengt en operationele kosten verhoogt.

Bovendien kunnen traditionele ETL- en PIM-tools vaak niet goed overweg met het extraheren van waardevolle informatie uit ongestructureerde tekstbeschrijvingen, wat leidt tot een onvolledige benutting van beschikbare productgegevens.

Uitdagingen met betrekking tot meertalige gegevens

Een extra complicatie voor alle eerder beschreven methoden is de taalbarrière - wanneer producten van internationale leveranciers komen, worden gegevens in verschillende talen geleverd. Ongeacht de gekozen onboardingmethode is het noodzakelijk om een fase van vertaling of aanpassing van gegevens naar de doeltaal op te nemen.

Hoewel moderne AI-technologieën dit proces aanzienlijk hebben verbeterd en de kosten hebben verlaagd, blijft het nog steeds een extra stap in het proces, wat vertragingen veroorzaakt en extra middelen vereist. Vooral problematisch is de nauwkeurige vertaling van gespecialiseerde technische terminologie, die kan leiden tot inconsistenties of fouten in de uiteindelijke productgegevens.

De traditionele methoden voor productonboarding die eerder werden gepresenteerd, ondanks hun geleidelijke evolutie, zijn nog steeds gebaseerd op dezelfde fundamentele aannames - handmatig werk, mappingregels en uitgebreide configuraties. getName.ai vertegenwoordigt een volledig nieuwe benadering die, in plaats van oude processen te verbeteren, de manier waarop we denken over het extraheren van productkenmerken volledig verandert.

Kunstmatige intelligentie in plaats van het in kaart brengen van regels

In tegenstelling tot traditionele ETL- en PIM-systemen die vereisen dat er ingewikkelde toewijzingsregels voor elk dataformaat worden gemaakt, gebruikt getName.ai geavanceerde taalmodellen die de context en semantiek van productinformatie "begrijpen".

Hoe het in de praktijk werkt:

• Het systeem analyseert alle beschikbare productinformatie (beschrijvingen, namen, specificatietabellen)
• Herkent en interpreteert de betekenis van tekst, niet alleen de structuur of het formaat ervan
• Identificeert belangrijke attributen en hun waarden, ongeacht hoe ze zijn geschreven
• Converteert en normaliseert automatisch waarden naar het vereiste formaat

Dit fundamentele verschil in benadering elimineert volledig de noodzaak om complexe toewijzingsregels te creëren en te onderhouden, die de grootste bottleneck vormen van traditionele methoden.

Universaliteit van invoerformaten

getName.ai vereist geen specifiek invoerdataformaat. Het systeem kan werken met:

• Alle bestandsformaten (XML, JSON, CSV, Excel, PDF)
• Ongestructureerde tekstbeschrijvingen (zelfs lange marketingbeschrijvingen)
• Gegevens rechtstreeks van websites opgehaald
• Specificatietabellen in elke lay-out

Deze flexibiliteit betekent dat er geen noodzaak is voor voorbewerking of aanpassing van gegevens die van leveranciers zijn ontvangen - ze kunnen aan het systeem worden doorgegeven in de vorm waarin ze werden geleverd.

Taalonafhankelijkheid

Een van de meest revolutionaire kenmerken van getName.ai is de volledige onafhankelijkheid van de brontaal van de gegevens. Het systeem begrijpt de context en betekenis van productattributen, ongeacht of ze in het Pools, Engels, Duits of zelfs Chinees zijn geschreven.

Praktische aspecten:

• Geen vertaling van gegevens nodig voordat ze worden verwerkt
• Mogelijkheid om met leveranciers van over de hele wereld te werken zonder taalbarrières
• Consistente resultaten ongeacht de brontaal

In de praktijk betekent dit dat hetzelfde attribuut (bijv. motorvermogen) correct zal worden herkend, ongeacht of het in de oorspronkelijke beschrijving verschijnt als "power", "Leistung", "puissance", of "功率".

Transformatie naar uw eigen productclassificatie

De meest waardevolle functie van getName.ai is het vermogen om automatisch alle invoergegevens om te zetten naar de gestandaardiseerde, interne winkelclassificatie. Het systeem herkent niet alleen attributen, maar wijst ze direct toe aan een specifiek datamodel dat door uw bedrijf vereist is - zonder enige mapping.

Hoe dit proces eruitziet:

• Aanvankelijk geef je een model van je eigen productclassificatie: klassen, attributen, woordenboekwaarden
• Het systeem analyseert ruwe gegevens van de leverancier
• getName.ai identificeert alle beschikbare attribuutinformatie
• Kent automatisch erkende attributen toe aan uw interne classificatie
• Normaliseert waarden volgens vereisten (eenheden, formaten, woordenboeken)
• Geeft een complete set attributen terug die klaar zijn voor import in uw systeem.

Dit proces elimineert volledig de noodzaak voor het in kaart brengen of creëren van transformatieregels voor elke nieuwe leverancier - getName.ai past zich automatisch aan verschillende invoergegevensformaten aan, terwijl het altijd hetzelfde, consistente uitvoergegevensformaat behoudt.

Intelligente eenheidsconversie en waardennormalisatie

Het systeem kan niet alleen numerieke waarden herkennen, maar ook automatisch meeteenheden identificeren en deze omzetten naar het vereiste formaat:

• Automatische detectie van eenheden (inches, mm, cm, kg, lb, W, kW, enz.)
• Conversie tussen metrische en imperiale systemen
• Standaardisatie van notatie volgens vereisten (bijv. altijd "cm" in plaats van "centimeters")

Het mechanisme voor het normaliseren van waarden werkt op een vergelijkbare manier, waarbij verschillende varianten van het schrijven van dezelfde waarde worden herkend:

• "zwart", "noir", "schwarz", "czarny" → "Zwart"
• "draadloos", "draadloos", "bezprzewodowy" → "Draadloos"
• "roestvrij staal", "inox", "roestvast staal" → "Roestvrij staal"

Snelle API-implementatie

Integratie van getName.ai met bestaande systemen is eenvoudig dankzij de REST API-interface. Laten we aannemen dat onze e-commerce strategisch de ETIM v10-classificatie als zijn belangrijkste classificatie heeft aangenomen en de productbeschrijving die van de fabrikant is ontvangen, hieraan wil aanpassen.

Deze API-structuur maakt eenvoudige integratie mogelijk met bestaande PIM-, e-commerce- of ERP-systemen via standaard communicatiemechanismen.

Schaalbaarheid en flexibiliteit

In tegenstelling tot traditionele oplossingen behoudt getName.ai een hoge efficiëntie met een grote verscheidenheid aan producten of leveranciers. Het systeem verwerkt even goed:

• Eén leverancier en één productcategorie
• Honderden leveranciers en duizenden verschillende productcategorieën

Deze schaalbaarheid komt voort uit het fundamentele verschil in benadering - in plaats van het vereisen van het moeizame creëren en onderhouden van duizenden toewijzingsregels, gebruikt getName.ai kunstmatige intelligentie om de context en betekenis van gegevens te begrijpen, ongeacht het formaat of de bron.

getName.ai is niet zomaar een verbetering van bestaande processen, maar een complete paradigmaverschuiving in de benadering van productonboarding. In plaats van zich aan te passen aan de oneindige verscheidenheid aan leveranciersgegevensformaten door moeilijk te onderhouden toewijzingsregels, richt het systeem zich op het direct begrijpen van de betekenis van gegevens en het automatisch omzetten ervan in een coherente, interne classificatie. Dit is een fundamenteel verschil dat het mogelijk maakt de beperkingen van traditionele methoden te doorbreken en nieuwe mogelijkheden te openen voor assortimentontwikkeling in e-commerce.

In deze sectie bekijken we stap voor stap hoe het daadwerkelijke proces van het introduceren van grote sets producten in e-commercesystemen werkt. We zullen de pijnpunten en grootste uitdagingen laten zien waarmee productteams worden geconfronteerd, en precies waar getName.ai aanzienlijke verbeteringen introduceert.

Echt voorbeeld van het onboardingproces

Laten we eens kijken hoe een typisch productonboardingsproces eruitziet aan de hand van het voorbeeld van een XML-bestand van een leverancier, waarmee bijna elke e-commerce winkel te maken heeft:

Gegevens invoeren:

• XML-bestand in het eigen formaat van de leverancier's
• Technische specificatie-attributen vastgelegd in het eigen formaat van de fabrikant's
• Gegevens vaak in een vreemde taal (bijv. Engels, Duits of zelfs Chinees)
• Catalogus van 5.000 producten

Etap 1: Bestandsstructuuranalyse

Deze fase is gemeenschappelijk, ongeacht de methode. Het technische team moet eerst begrijpen hoe het XML-bestand van de leverancier is opgebouwd. Dit betekent velden in kaart brengen, tags identificeren en de logica van het bestand begrijpen. Deze fase vereist vaak IT-specialisten en kan van enkele uren tot enkele dagen duren, afhankelijk van de complexiteit van de structuur.

Fase 2: Voorlopige gegevensverwerking

Ook een gemeenschappelijk stadium voor alle methoden, inclusief:

• Transformatie naar een structuur die acceptabel is voor PIM/e-commercesystemen
• Voorbereiding van basis- en logistieke gegevens voor import
• Organisatie van activa (afbeeldingen, documentatie)
• Specificatie-attributen in een tijdelijke, werkstructuur plaatsen

Deze fase vereist meestal het schrijven van conversiescripts of het gebruik van ETL-tools, wat 1-2 dagen werk van een IT-specialist kost.

Fase 3: Importeren van basisgegevens

Stadium gemeenschappelijk voor alle methoden:

• Product-ID's laden
• Importeren van namen en beschrijvingen
• Invoering van logistieke gegevens (gewicht, afmetingen, verpakking)
• Bijlagen toevoegen (afbeeldingen, PDF-bestanden)

Zelfs als de gegevens automatisch worden verwerkt, vereist dit proces toezicht en duurt het enkele uren tot een volledige dag.

Fase 4: Taal-lokalisatieproces

In deze stap moeten we productgegevens in een vreemde taal aanpassen aan de lokale taal van de winkel. Dit is een van de meest arbeidsintensieve fasen van traditionele onboarding, die getName.ai radicaal vereenvoudigt.

Zonder getName.ai:
Traditionele lokalisatie vereist een uitgebreide vertaling van alle productgegevens, wat aanzienlijke kosten met zich meebrengt en de introductie van producten op de markt vertraagt.

• Vertaling van productnamen
• Vertaling van productbeschrijvingen
• Vertaling van technische specificaties

Dit proces kan enkele dagen tot weken duren, afhankelijk van het aantal en de specificiteit van technische attributen en de beschikbare vertaaldiensten.

Met getName.ai:
Met getName.ai zijn er twee hoofdstrategieën: je kunt de originele namen en beschrijvingen ontwikkeld door de fabrikant vertalen, of je kunt je richten op het verkrijgen van meertalige technische attributen en vervolgens automatisch lokale namen en beschrijvingen daarvan genereren.

• Vertaling van productnamen - onnodig als het bedrijf een mechanisme heeft voor het genereren van namen op basis van specificatie-attributen
• Vertaling van productbeschrijvingen - onnodig als het bedrijf een AI-mechanisme heeft voor het genereren van beschrijvingen op basis van specificatie-attributen
• Vertaling van technische specificaties - volledig overbodig, aangezien getName.ai attributen herkent ongeacht de brontaal

Dit is waar het eerste significante verschil verschijnt:getName.ai elimineert de noodzaak om technische specificaties te vertalen, wat dagen werk bespaart en de kosten aanzienlijk verlaagt.

Fase 5: Productcategorisatie

Elk product moet in het systeem aan de juiste categorie worden toegewezen. Dit proces vereist meestal gespecialiseerde productkennis en - afhankelijk van de mate van assortimentdiversiteit - kan variëren van enkele uren tot zelfs twee dagen voor een batch van ongeveer 5.000 producten.

Fase 6: Import van categorie-afhankelijke specificatie-attributen

Handmatige bewerking:

• Handmatige voltooiing via GUI op basis van bronbestandgegevens
• Technische datasheetbestanden controleren op informatie
• Zoeken naar ontbrekende gegevens op het internet
• Handmatige eenheidsconversie (bijv. inches naar centimeters)

Aangenomen dat één specialist ongeveer 200 producten per dag kan verwerken, vereist het bedienen van 1000 producten 5 mensdagen werk.

Toegewijde tools / ETL:

• Voorlopige gegevensopschoning
• Het maken van gecompliceerde importrichtlijnen [if-then-else]
• Definiëren van mapping voor elk attribuut
• Het maken van een woordenboekwaarde mapping, in speciale gevallen aanvullend per attribuut
• Configuratie van automatische eenheidsconversie

Het voorbereiden van zo'n systeem duurt meestal 3-5 dagen, maar na de configuratie verloopt de import veel sneller. Echter, elke nieuwe leverancier vereist een herconfiguratie. Bovendien vereist elke volgende import, zelfs van dezelfde leverancier, inspectie en vaak aanpassing van de mapping, aangezien er nieuwe attributen, nieuwe woordenboekwaarden of fouten in de brongegevens kunnen verschijnen.

Deze oplossing is bijzonder effectief voor bedrijven met een relatief eenvoudige assortimentsstructuur – het in kaart brengen van attributen en woordenboekwaarden blijft een proces dat effectief kan worden uitgevoerd zonder buitensporige complexiteit. Echter, voor e-commerce met een zeer divers aanbod (honderden productcategorieën), wordt uitgebreide mapping praktisch onuitvoerbaar of vereist het een toegewijd team voor continue regelupdates.

API getName.ai:

• Volledige procesautomatisering
• Alle beschikbare productinformatie naar de API sturen zonder voorafgaande analyse
• Onmiddellijke ontvangst van attributen en hun waarden klaar voor import

Dit is waar het belangrijkste verschil verschijnt:een fase die traditioneel 5 persoonsdagen werk kostte (ervan uitgaande dat de efficiëntie 200 producten per dag is) of 3-5 dagen om geavanceerde ETL-regels voor te bereiden, is teruggebracht tot enkele uren systeemwerk. Er is geen noodzaak om ingewikkelde toewijzingsregels te maken, en het systeem herkent automatisch attributen en converteert eenheden.

Fase 7: Kwaliteitscontrole

Handmatige bewerking:

• Kwaliteitscontrole wordt gelijktijdig met gegevensinvoer uitgevoerd door operators
• Vereist geen extra verificatiestap, maar is vatbaar voor menselijke fouten als gevolg van vermoeidheid tijdens eentonig werk

Toegewijde tools / ETL:

• Vereist willekeurige verificatie, meestal ongeveer 1% van de producten
• Fouten treden nog steeds op als gevolg van onvolkomenheden in de toewijzingsregels, vooral met nieuwe waarden

API getName.ai:

• Aanbevolen kwaliteitscontrole die 1-5% van de producten dekt om de juistheid te bevestigen
• Verificatie verloopt soepel en duurt enkele uren

Belangrijkste verbeteringen met getName.ai:

• Eliminatie van taalbarrière- het systeem herkent attributen ongeacht de brontaal
• Geen noodzaak om mappingregels te schrijven- het systeem herkent en koppelt automatisch attributen
• Automatische eenheidsconversie- het systeem detecteert maateenheden en zet ze om naar het vereiste formaat
• Herkenning van woordenboekwaarden- het systeem koppelt verschillende varianten van het schrijven van dezelfde waarde aan een standaardwaarde
• 90% reductie in de tijd die nodig is voor de technische specificatiefase- de meest tijdrovende fase is bijna volledig geautomatiseerd

Het implementeren van getName.ai stelt e-commercebedrijven in staat om middelen te richten op de strategische ontwikkeling van hun aanbod in plaats van handmatige gegevensinvoer, terwijl de kwaliteit van productinformatie wordt verbeterd en de time-to-market voor nieuwe producten met ongeveer 80% - 90% wordt verkort.

Nieuwe leveranciers onboarden met volledige productattributen is een van de grootste uitdagingen van moderne e-commerce. In dit artikel hebben we laten zien hoe traditionele benaderingen – ondanks voortdurende verbeteringen – nog steeds afhankelijk zijn van moeizame, kostbare en inflexibele mechanismen.

We hebben de fundamentele problemen benadrukt:

• Beperkte efficiëntie van handmatige gegevensinvoer
• Taalbarrière met internationale leveranciers
• Moeilijkheden met betrekking tot het creëren en onderhouden van mappingregels
• Beperkingen van classificatiestandaarden in heterogene assortimenten

Tegelijkertijd hebben we laten zien hoe getName.ai – met gebruik van de nieuwste prestaties op het gebied van kunstmatige intelligentie – een geheel nieuwe kwaliteit introduceert in het onboardingproces. In plaats van oude praktijken te verbeteren, verandert het volledig de spelregels door de meest tijdrovende en kostbare stadia te elimineren.

Reële voordelen van implementatie

Zoals aangetoond door analyses van processen in e-commercebedrijven, vertaalt de implementatie van getName.ai zich in concrete, meetbare voordelen:

• Drastisch verkorte productintroductietijd– van weken naar uren
• Reductie van operationele kosten– lagere uitgaven voor personeel en procesafhandeling
• Eliminatie van taalbarrières– mogelijkheid tot directe samenwerking met leveranciers van over de hele wereld
• Verbeterde gegevenskwaliteit– consistente, volledige attributen voor het gehele assortiment
• Het potentieel van het team ontketenen– specialisten kunnen zich richten op de strategische ontwikkeling van het aanbod in plaats van op mechanische gegevensinvoer

Bovendien betekent de specifieke werking van getName.ai dat de voordelen toenemen met de schaal van de operaties. Hoe groter de verscheidenheid aan producten en leveranciers, hoe groter het voordeel ten opzichte van traditionele oplossingen.

Begin vandaag met de transformatie

Als je moeite hebt met een van de uitdagingen die in het artikel worden beschreven, nodigen we je uit om je direct vertrouwd te maken met de mogelijkheden van het getName.ai-platform. Bevrijd je e-commerce van de beperkingen van traditionele methoden en ontdek nieuwe mogelijkheden voor assortimentontwikkeling zonder compromissen.

Plan een korte presentatie van 15 minuten waarin we laten zien hoe getName.ai echte productgegevens verwerkt. Je zult live zien hoe ruwe beschrijvingen worden omgezet in gestructureerde attributen - klaar voor gebruik in je PIM- of e-commercesysteem.

Test de oplossing zonder verplichting

Krijg toegang tot een volledig functionele demoversie en controleer hoe het systeem werkt op een grotere set van uw eigen gegevens. Geen voorafgaande kosten en geen langetermijnverplichtingen - zie hoe getName.ai uw bedrijfsprocessen in de praktijk kan ondersteunen.

Neem contact met ons op

Om een demonstratie in te plannen of toegang te krijgen tot de demo-omgeving, neem contact met ons op via e-mailhallo@getname.aiof vul het formulier in dat beschikbaar is op onze website.