# Se över sortimentet innan du köper AI-lösningar till din webbutik

> Alexander Fundin, VD för den nordiska e-handelsbyrån Bluemint, berättar varför produktdata avgör om AI-baserad sökning, rekommendationer och e-postagenter fungerar, samt presenterar en kontroll med fem frågor som bör genomföras innan ett AI-projekt påbörjas.

**Author:** Alexander Fundin
**Published:** October 7, 2026
**Tags:** product-data, ai, ecommerce, search, product-recommendations

---

*Ett gästinlägg från Bluemint, en partner till Hello Retail som utvecklar och driver e-handelsplattformar i hela Norden.*

  Sökfunktioner, rekommendationer, chattbotar och produktmejl hämtar alla samma produktdata. När dessa data är inkonsekventa fungerar vart och ett av dessa verktyg sämre, oavsett vilken modell som ligger till grund.

Allt fler uppdrag vi får handlar om AI. Oftast vill en webbutik ha en chattbot, en bättre sökfunktion eller produkttexter som skrivs av en modell, och oftast finns budgeten redan avsatt.

”Vi vill ha AI” är egentligen ingen uppdragsbeskrivning. Vi frågar vad AI:n faktiskt ska göra, uttryckt i termer som vi kan mäta i efterhand: ”Halvera det manuella katalogarbetet.” ”Låt kunderna hitta rätt reservdel utan att behöva ringa supporten.” Sedan tittar vi på vad som faktiskt händer i butiken. Den första åtgärden är oftast bättre produktdata, ett smidigare arbetsflöde eller en liten förändring i plattformen, och AI kommer ibland efter det.

Det här inlägget handlar om produktdata, eftersom det ofta är där det riktiga arbetet börjar.

  ## Sökning, rekommendationer och e-post använder alla samma data

  En sökmotor, en rekommendationsmotor, en support-chatbot och en agent som väljer ut produkter till dina e-postmeddelanden köps vanligtvis in som fyra separata projekt. Alla fyra hämtar information från samma katalog: Titlar, attribut, kategorier, lagerstatus och priser.

  De stöter alltså på samma problem. En rekommendationsmotor kan inte föreslå ett passande tillbehör om det inte finns något i data som kopplar samman de två produkterna. Sökfunktionen har svårt med sökordet ”vattentät jacka för barn” när vattentäthet är en egenskap hos vissa produkter och en del av beskrivningen hos andra. Och en e-postagent som väljer ut produkter åt en prenumerant kan inte veta att ”Blå”, ”blue” och ”navy” är samma färg om tre leverantörer har stavat det på tre olika sätt.

  En bättre modell kan lösa en del av dessa problem. Genom att rensa upp i data åtgärdas problemet för alla fyra verktygen på en gång.

## Vad vi upptäcker när vi granskar en katalog

Kataloger blir sällan röriga över en natt. Problemen byggs upp under årens lopp genom import från leverantörer, omdesign och snabba lösningar, och det här är de problem vi oftast stöter på:

  
    **Samma attribut med flera olika namn**

    En leverantör skriver ”Color”, en annan ”Farge”, medan en tredje tar med det i produktnamnet. På produktsidan märker ingen något. När det gäller sökning och filter är det tre olika fält.
  

  
    **Endast supporten kan ge svar på frågor om passform och kompatibilitet**

    När det gäller reservdelar, verktyg och teknisk utrustning måste kunderna veta om en del passar just deras modell och årsmodell. Om den kunskapen bara finns i supportteamets huvuden kan ingen sökmotor eller modell utnyttja den.
  

  
    **Kategorier som är uppbyggda kring menyn**

    Produkterna hamnar där de just då passar in i navigeringen. Efter några omdesigneringar finns vissa i fem kategorier och andra i ingen alls.
  

  
    **Attribut som är dolda i beskrivningarna**

    Storlek, material och användningsområde anges som löpande text. Det fungerar bra för den som läser sidan, men är svårt att använda för filter och rekommendationer.
  

  
    **Ingen äger uppgifterna efter lanseringen**

    Katalogen skapades som en del av lanseringsprojektet. När projektet avslutades fick ingen i uppdrag att hålla den uppdaterad.
  

Man stöter sällan på sådana här problem i en demoversion. De dyker upp i produktionsmiljön, i form av sökningar som ger fel resultat och supportärenden som egentligen inte borde ha behövts.

## Båtdelar: Konstruktionen först, AI-funktionen sedan

![En utombordsmotor utan kåpa, en båt som passerar bakom och logotypen för boatparts.no](/images/blog/fix-the-catalog-before-you-buy-ai/boatparts-hero.webp)

Boatparts säljer eftermarknads- och reservdelar till båtar i hela Norden. Sortimentet är stort, och det är viktigt att kompatibiliteten stämmer. En kund som letar efter en bränslepump behöver exakt rätt pump för en viss motor, ett visst årsmodell och en viss modell. Den tidigare webbutiken rangordnade inte sökresultaten, produktinformationen var inkonsekvent och webbutiken konverterade inte så bra som den kunde ha gjort.

Vi började med data. Vi rensade upp och standardiserade katalogen så att attributen mappades på samma sätt hos alla leverantörer, och lade till mer strukturerad produktinformation och storleksguider. Därefter utvecklade vi en sökfunktion som är skräddarsydd för reservdelar. Därefter kom AI:n in i bilden för att göra produktsökningen mer naturlig och avlasta supportteamet, och sedan dess har vi fortsatt att optimera butiken och kassan.

> **Försäljningsvolymen ökade med 126 %** under tiden som vi arbetade med butiken, och marginalerna förbättrades tack vare det pågående ombyggnadsarbetet.

Kunderna kan lättare navigera i katalogen, sökfunktionen hittar rätt artikelnummer bättre och teamet lägger mindre tid på tekniska problem.

## Hur AI:n underlättar arbetet med själva katalogen

Ett område där vi har upptäckt att AI är verkligen användbart är rensning av produktkataloger. I ett projekt använde vi en modell för att sortera långa produktkoder i strukturerade kategorier, och det taxonomiarbete som tidigare tog veckor att utföra manuellt tar nu bara några timmar.

Regler och ett granskningssteg är inbyggda i det flödet. Modellen föreslår en kategori, en person med produktkunskap kontrollerar förslaget och det godkända resultatet läggs tillbaka i katalogen.

Det här tillvägagångssättet fungerar bra för oss: Vi ger modellen en tydligt definierad uppgift, låter någon som känner till produkterna granska resultatet, och kundens data förblir i deras egna system. Vi skickar inte katalog- eller kunddata till modellleverantörer utan uttryckligt tillstånd.

## Innan du påbörjar ett AI-projekt

Om det är svårt att svara på flera av dessa frågor är det troligen dit en del av budgeten bör gå i första hand.

  1. **Kan du filtrera hela ditt sortiment utifrån de egenskaper som kunderna frågar efter?** Storlek, färg, material, kompatibilitet: Med andra ord de egenskaper som dina kunder faktiskt använder för att fatta sina beslut.
  2. **Har varje attribut ett namn och en uppsättning värden?** För alla leverantörer och alla importer.
  3. **Ingår varje produkt i minst en kategori som beskriver vad den är?** Det spelar ingen roll var den visas i menyn.
  4. **Finns det någon som ansvarar för produktinformationen efter lanseringen?** En namngiven person eller en arbetsgrupp som har avsatt tid för detta.
  5. **Kan du beskriva vad AI:n ska göra i en enda mening som går att mäta?** ”Färre supportärenden om passform”, ”mindre manuell kategorisering”, ”högre intäkter per e-post”. Om du inte kan det är det värt att definiera detta innan du väljer teknik.

## Lanseringen är bara början

En webbutik förändras ständigt efter lanseringen – nya leverantörer, nya sortiment, nya säsonger. Produktuppgifterna förändras i takt med detta, och en katalog som var felfri vid lanseringen blir snart inaktuell om ingen sköter om den. Vi föredrar att etablera den rutinen tillsammans med kunden redan från början, snarare än att behöva rensa upp efter nästa plattformsbyte.

Så om AI ingår i din plan är det värt att först ta en titt på katalogen. Kvaliteten på dessa data kommer att ha stor betydelse för vad AI:n faktiskt kan åstadkomma.

*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](https://bluemint.se).*

> **Från Hello Retail: Product Intelligence**
>
> Product Intelligence är den AI-motor som ligger bakom Hello Retails sökfunktion, rekommendationer och Product Agents. Den berikar ditt sortiment med attribut som den härleder från produktbilder och beskrivningar, och den lär sig hur produkterna förhåller sig till varandra utifrån köpmönster för över 250 miljoner produkter. När dina egna data är begränsade – till exempel för en ny produkt eller en ny butik – utgår den från mönster som nätverket redan har lärt sig.
>
> [Läs mer om Product Intelligence](/en/product-intelligence/)

---

*This content is from the Hello Retail blog. For the full experience with images and formatting, visit [helloretail.com/sv/blog/fix-the-catalog-before-you-buy-ai](https://helloretail.com/sv/blog/fix-the-catalog-before-you-buy-ai)*
