Sørg for, at kataloget er i orden, før du køber AI-løsninger til din webshop


Et gæsteindlæg fra Bluemint, en Hello Retail-partner, der udvikler og driver e-handelsplatforme i hele Norden.
Søgning, anbefalinger, chatbots og produkt-e-mails henter alle de samme produktdata. Når disse data er inkonsekvente, fungerer hvert eneste af disse værktøjer dårligere, uanset hvilken model der ligger øverst.
Flere og flere af de opgaver, vi modtager, starter med AI. Ofte ønsker en webshop en chatbot, en bedre søgefunktion eller produkttekster skrevet af en model, og som regel er budgettet allerede afsat til formålet.
»Vi vil have AI« er ikke rigtig en opgavebeskrivelse. Vi spørger, hvad AI’en rent faktisk skal gøre, i termer, som vi bagefter kan måle: »Halver det manuelle katalogarbejde.« »Sørg for, at kunderne kan finde den rigtige reservedel uden at ringe til supporten.« Derefter ser vi på, hvad der rent faktisk foregår i butikken. Den første løsning er som regel bedre produktdata, en mere overskuelig arbejdsgang eller en lille ændring i platformen, og AI kommer nogle gange først bagefter.
Dette indlæg handler om produktdata, for det er ofte der, det egentlige arbejde begynder.
Søgning, anbefalinger og e-mail bruger alle de samme data
En søgemaskine, en anbefalingsmotor, en support-chatbot og en agent, der udvælger produkter til dine e-mails, købes normalt som fire separate projekter. Alle fire henter data fra det samme katalog: Titler, attributter, kategorier, lagerbeholdning og priser.
Så de støder på de samme udfordringer. En anbefalingsmotor kan ikke foreslå et passende tilbehør, hvis der ikke er noget i dataene, der forbinder de to produkter. Søgefunktionen har svært ved at håndtere søgeordet »vandtæt jakke til børn«, når »vandtæt« for nogle produkter er en egenskab, mens det for andre blot er en sætning i beskrivelsen. Og en e-mail-agent, der udvælger produkter til en abonnent, kan ikke vide, at »Blå«, »blue« og »navy« er den samme farve, hvis tre leverandører har stavet det på tre forskellige måder.
En bedre model kan omgå nogle af disse problemer. Ved at rense dataene løses problemet for alle fire værktøjer på én gang.
Hvad vi finder, når vi gennemgår et katalog
Kataloger bliver sjældent uoverskuelige fra den ene dag til den anden. Problemerne hober sig op gennem årene som følge af import fra leverandører, redesign og hurtige løsninger, og det er disse problemer, vi oftest ser:
Den samme egenskab under flere navne
Den ene leverandør skriver »Color«, en anden »Farge«, mens en tredje inkluderer det i produktnavnet. På produktsiden lægger ingen mærke til det. I søgefunktionen og filtrene er der tale om tre forskellige felter.
Kun supportafdelingen kan oplyse om pasform og kompatibilitet
Når det gælder reservedele, værktøj og teknisk udstyr, skal kunderne vide, om en del passer til deres model og årgang. Hvis den viden kun findes i supportteamets hoveder, kan hverken en søgemaskine eller et system udnytte den.
Kategorier opbygget omkring menuen
Produkterne havner der, hvor de passer ind i navigationsstrukturen på det pågældende tidspunkt. Efter et par omlægninger er der nogle, der hører under fem kategorier, og andre, der ikke hører under nogen.
Attributter, der er skjult i beskrivelserne
Størrelse, materiale og anvendelsesformål er beskrevet som løbende tekst. Det fungerer fint for en person, der læser siden, men er svært at anvende for filtre og anbefalinger.
Ingen ejer dataene efter lanceringen
Kataloget blev oprettet som en del af lanceringsprojektet. Da projektet sluttede, var der ingen, der fik til opgave at holde det opdateret.
Man ser sjældent disse problemer i en demo. Man ser dem i produktionsmiljøet, i form af søgninger, der viser den forkerte del, og supportanmodninger, der slet ikke burde have været nødvendige.
Bådreservedele: Først konstruktionen, så AI’en

Boatparts sælger eftermarkeds- og reservedele til både i hele Norden. Sortimentet er stort, og det er vigtigt, at kompatibiliteten er i orden. En kunde, der leder efter en brændstofpumpe, har brug for præcis den rigtige pumpe til én motor, ét år og én model. Den tidligere webshop rangordnede ikke søgeresultaterne, sortimentsdataene var inkonsekvente, og webshoppen konverterede ikke så godt, som den kunne.
Vi startede med dataene. Vi rensede og standardiserede kataloget, så attributterne blev kortlagt på samme måde på tværs af leverandører, og tilføjede mere strukturerede produktdata og størrelsesguider. Derefter udviklede vi en søgefunktion, der var skræddersyet til reservedele. Herefter kom AI’en ind i billedet for at gøre produktsøgningen mere naturlig og aflaste supportteamet, og siden da har vi løbende optimeret butikken og betalingsprocessen.
Salgsvolumen steg med 126 % i løbet af vores arbejde med butikken, og de løbende omlægningsbestræbelser medførte bedre marginer.
Kunderne kan nemmere finde rundt i kataloget, søgefunktionen er blevet bedre til at finde den rigtige varenummer, og teamet bruger mindre tid på tekniske problemer.
Hvor AI’en hjælper med selve kataloget
Et område, hvor vi har fundet AI virkelig nyttigt, er oprydning i kataloger. I et projekt brugte vi en model til at inddele lange produktkoder i strukturerede kategorier, og det taksonomiske arbejde, der før tog uger at udføre manuelt, tager nu kun timer.
Der er indbygget regler og et godkendelsestrin i denne proces. Modellen foreslår en kategori, en medarbejder med kendskab til produkterne kontrollerer forslaget, og det godkendte resultat føres tilbage til kataloget.
Den fremgangsmåde fungerer godt for os: Vi giver modellen en klart defineret opgave, lader en person, der kender produkterne, gennemgå resultatet, og kundens data forbliver i kundens egne systemer. Vi sender ikke katalog- eller kundedata til modeludbydere uden udtrykkelig tilladelse.
Inden du går i gang med et AI-projekt
Hvis det er svært at besvare flere af disse spørgsmål, er det sandsynligvis der, en del af budgettet først bør bruges.
- Kan du filtrere hele dit sortiment efter de egenskaber, som kunderne spørger om? Størrelse, farve, materiale, kompatibilitet: Med andre ord de egenskaber, som dine kunder rent faktisk bruger til at træffe deres valg.
- Har hvert attribut ét navn og ét sæt værdier? For alle leverandører og alle importtransaktioner.
- Er hvert produkt placeret i mindst én kategori, der beskriver, hvad det er? Det betyder ikke noget, hvor det vises i menuen.
- Er der nogen, der har ansvaret for produktdataene efter lanceringen? En bestemt person eller et team, der har afsat tid til opgaven.
- Kan du i én sætning, der kan måles, beskrive, hvad AI’en skal gøre? »Færre supporthenvendelser om pasform«, »mindre manuel kategorisering«, »større omsætning pr. e-mail«. Hvis du ikke kan det, er det en god idé at definere det, inden du vælger teknologien.
Lanceringen er kun begyndelsen
En webshop ændrer sig løbende, efter at den er gået i luften – nye leverandører, nye sortimenter, nye sæsoner. Produktdataene ændrer sig i takt hermed, og et katalog, der var i orden ved lanceringen, bliver uoverskueligt, hvis ingen holder øje med det. Vi foretrækker at etablere den rutine sammen med en kunde fra starten frem for at skulle rydde op efter den næste platformskift.
Så hvis AI indgår i jeres planer, er det en god idé at kigge i kataloget først. Kvaliteten af disse data vil i høj grad afgøre, hvad AI’en rent faktisk kan udrette.
Bluemint builds and runs Magento, Adobe Commerce and headless e-handel platforms, and the integrations and applied AI around them, from offices in Tranås, Stavanger and Vilnius. Read more at bluemint.se.
Fra Hello Retail: Product Intelligence
Product Intelligence er den AI-motor, der ligger bag Hello Retails søgefunktion, anbefalinger og Product Agents. Den beriger dit produktkatalog med attributter, som den udleder fra produktbilleder og -beskrivelser, og den lærer, hvordan produkterne forholder sig til hinanden, ud fra købsmønstre på tværs af mere end 250 millioner produkter. Når dine egne data er begrænsede – f.eks. for et nyt produkt eller en ny butik – trækker den på mønstre, som netværket allerede har lært.


