Kluczowe wnioski
- Jakość danych produktowych ustawia sufit jakości każdego workflow. Żaden prompt nie doda atrybutu, którego nie ma w katalogu, a błąd w źródle automat powiela w każdym kanale naraz.
- Przed pierwszym wdrożeniem sprawdzasz sześć obszarów: pola wymagane, identyfikatory, spójność wariantów, jednostki i formaty, duplikaty oraz kategorie i atrybuty. Na realnym eksporcie, nie w panelu sklepu.
- Dane „opisane po ludzku” to nie to samo co dane czytelne maszynowo. Parametr, który ma trafić do filtra, feedu albo odpowiedzi modelu, musi mieszkać w osobnym polu o przewidywalnej nazwie i wartości ze słownika.
- Sprzątaj w kolejności: najpierw pola wymagane i identyfikatory, potem spójność, na końcu wzbogacanie. Wzbogacanie brudnego katalogu to płacenie dwa razy za tę samą pracę.
Z audytu z poprzedniego rozdziału masz listę kandydatów i kolejkę wdrożeń: wiesz, które zadania wracają co tydzień i które zjadają najwięcej godzin. Zanim jednak uruchomisz pierwsze z nich, zrób krok w bok i sprawdź, na czym ten automat będzie pracował. Prawie każde zastosowanie AI w sklepie czyta ten sam katalog: opisy, tłumaczenia, mapowanie atrybutów, feedy, a nawet odpowiedzi dla klienta o parametrach produktu. Teza tego rozdziału jest niewygodna, ale oszczędza kilka tygodni: AI nie naprawi bałaganu w danych, tylko go rozmnoży. Nie chodzi o to, żeby katalog był idealny, bo nigdy nie będzie. Chodzi o to, żeby był wystarczająco uporządkowany w tych polach, których dotknie pierwszy workflow.
Model dostaje śmieci na wejściu i produkuje śmieci szybciej
Kiedy opisy pisze człowiek, dane korygują się po drodze mimochodem. Redaktor patrzy na zdjęcie, widzi, że w kolumnie „kolor” jest „czarny”, a produkt jest grafitowy, i poprawia. Automat tego nie zrobi. Wykona dokładnie to, co mu dałeś, w każdej z trzystu pozycji, tak samo cierpliwie i tak samo błędnie. Na tym polega różnica w charakterze błędu: praca ręczna produkuje błędy pojedyncze i losowe, a automatyzacja błędy systemowe. Systemowy błąd ma jedną zaletę, bo naprawia się go jedną poprawką reguły, i jedną poważną wadę, bo do momentu naprawy dotyka całego asortymentu naraz.
Druga rzecz, którą łatwo przeoczyć: jakość danych ustawia sufit jakości workflow, którego żadne narzędzie nie przebije. Jeżeli w katalogu nie ma pojemności, materiału ani wymiaru, to opis wygenerowany z takich danych będzie kwiecisty i pusty, bo nie ma z czego zbudować konkretu. Wersja gorsza wygląda tak, że model uzupełnia lukę wartością prawdopodobnie brzmiącą i dostajesz parametr, którego nikt nie zweryfikował, w kanale, który za niego odpowiada. Koszt takiego błędu nie zatrzymuje się na poprawce w pliku, tylko wychodzi na zwrotach, reklamacjach i dezaprobatach ofert.
Sześć rzeczy do sprawdzenia przed pierwszym wdrożeniem
Ten przegląd robisz raz, na eksporcie z realnego źródła, i traktujesz jako warunek wejścia do wdrożenia. Nie musi objąć całego katalogu: wystarczy próbka kilkudziesięciu pozycji z dodanymi celowo trudnymi przypadkami (produkty z wariantami, zestawy, pozycje z wieloma jednostkami miary). Szukasz odpowiedzi na jedno pytanie: czy błędy są pojedyncze, czy systemowe.
| Obszar | Pytanie kontrolne | Sygnał, że masz problem |
|---|---|---|
| Pola wymagane | Czy każdy produkt ma komplet pól wymaganych przez Twoje kanały, a nie tylko przez sklep? | Lista braków przy publikacji nigdy się nie kończy, a każdy kanał wymaga innego kompletu |
| Identyfikatory | Czy SKU i GTIN są unikalne, poprawne i przypisane do właściwego wariantu? | Ten sam SKU w dwóch wierszach albo GTIN produktu nadrzędnego skopiowany na wszystkie warianty |
| Spójność wariantów | Czy każdy wariant ma ten sam zestaw atrybutów i poprawne powiązanie z rodzicem? | Warianty upchnięte w jednej komórce, rozmiar raz jako „M”, raz jako „38” |
| Jednostki i formaty | Czy jednostki, wymiary, daty i ceny są zapisane w jednym formacie? | „42 cm”, „42cm” i „0,42 m” w tej samej kolumnie |
| Duplikaty | Czy ten sam produkt występuje w katalogu dokładnie raz? | Dwa rekordy tego samego produktu z różnym opisem, ceną i stanem |
| Kategorie i atrybuty | Czy kategoria wewnętrzna ma jednoznaczne przełożenie na taksonomię kanału? | Węzeł „Pozostałe” jest jedną z największych kategorii w drzewie |
Przegląd robisz na eksporcie, nie w panelu sklepu. Panel pokazuje dane tak, jak chce je zobaczyć człowiek, a workflow czyta plik.
Sprawdzenia nie musisz robić ręcznie, bo to samo w sobie jest pracą powtarzalną: wykrywanie duplikatów, przeliczanie sum kontrolnych kodów i wyłapywanie niespójnych jednostek to dobre zadania dla narzędzia. Techniczną stronę takiego przeglądu, razem z zasadami pracy na kopii i przeglądem różnic, opisaliśmy krok po kroku w tekście o czyszczeniu katalogu CSV. W tym rozdziale interesuje nas warstwa decyzji: co musi być prawdą o danych, żeby w ogóle miało sens uruchamianie automatu.
Opisane po ludzku to nie to samo co czytelne maszynowo
To rozróżnienie decyduje o połowie nieudanych wdrożeń. Zdanie „wodoodporny, spokojnie wytrzyma prysznic” jest zrozumiałe dla klienta i bezużyteczne dla systemu. Kanał sprzedaży oczekuje atrybutu o ustalonej nazwie i wartości z zamkniętej listy, filtr w sklepie potrzebuje liczby, a model odpowiadający na pytanie o parametr potrzebuje pola, w którym ta wartość po prostu jest. Reguła jest prosta: jeżeli parametr ma trafić do filtra, feedu, porównywarki albo odpowiedzi, musi mieszkać w osobnym polu, z przewidywalną nazwą i wartością ze słownika, a nie tylko w środku zdania w opisie.
Model potrafi wyciągnąć parametry z opisu i czasem to sensowna droga na skróty, ale warto nazwać, czym ona jest. Ekstrakcja z tekstu to zgadywanie o wysokiej trafności, więc nadaje się do ratowania zastanych danych, a nie do bycia źródłem prawdy. Dwa proste testy pozwalają ocenić, po której stronie jest Twój katalog. Pierwszy: czy dane da się posortować i przefiltrować bez czytania opisów. Drugi: czy dwie różne osoby uzupełniające to pole wpisałyby dokładnie tę samą wartość. Jeżeli odpowiedź na którekolwiek brzmi „nie”, to pole jest tekstem, a nie danymi, i każdy workflow zbudowany na nim będzie się sypał w miejscach, których nie przewidzisz.
Jedno źródło prawdy, nawet gdy systemów jest kilka
W praktyce prawie nikt nie ma jednego systemu. Ceny i stany żyją w ERP, opisy i zdjęcia w sklepie albo w PIM, marketplace trzyma własne atrybuty i kategorie, a gdzieś obok funkcjonuje arkusz, w którym marketing prowadzi teksty na kampanie. Jedno źródło prawdy nie oznacza, że trzeba to wszystko zmigrować do jednego narzędzia, bo taka migracja bywa droższa niż problem, który rozwiązuje. Oznacza coś tańszego i wykonalnego od ręki: dla każdego pola wskazujesz jeden system, który jest jego właścicielem, a pozostałe to pole czytają, zamiast je nadpisywać. Konflikt rozstrzyga właściciel pola, a nie ostatni zapis, który się wydarzył.
Bez tego ustalenia workflow działa poprawnie i mimo to jest bezużyteczny. Automat poprawia opisy w sklepie, nocna synchronizacja z ERP nadpisuje je starą wersją, a Ty odkrywasz to po dwóch tygodniach, kiedy nikt już nie pamięta, co było przyczyną. Ustalenie właściciela pola jest zadaniem na jedno popołudnie: bierzesz listę pól, które dotknie pierwszy workflow, i przy każdym wpisujesz system źródłowy oraz kierunek przepływu. Reszty katalogu na tym etapie nie ruszasz.
Zanim uruchomisz workflow, odpowiedz na jedno pytanie: gdzie ląduje wynik? Automat, który zapisuje efekt swojej pracy poza źródłem prawdy (na przykład wprost do kanału sprzedaży albo do osobnego arkusza), nie porządkuje danych, tylko tworzy ich kolejną wersję. Po trzech miesiącach masz cztery wersje opisu tego samego produktu i nikt nie wie, która jest aktualna. Wynik wraca do systemu, który jest właścicielem pola, a stamtąd rozchodzi się do kanałów.
Kolejność sprzątania: wymagane, spójne, dopiero potem bogatsze
Kolejność ma znaczenie finansowe, bo każde przejście wykonane na złym etapie trzeba powtórzyć. Trzy przejścia poniżej robisz po kolei i po każdym sprawdzasz próbkę, zamiast puszczać wszystko naraz.
Przejście pierwsze: pola wymagane i identyfikatory
Zaczynasz od tego, bez czego produkt nie istnieje w kanale, oraz od kluczy, które łączą systemy. Braki w polach wymaganych blokują publikację, a błędny albo zduplikowany identyfikator rozjeżdża wszystko, co potem próbuje połączyć dane z dwóch źródeł. Ważna granica: braków w identyfikatorach się nie generuje. Poprawny GTIN pochodzi z GS1 albo od producenta i jest do uzupełnienia z prawdziwego źródła, a narzędzie ma go rzetelnie oznaczyć, nie wymyślić.
Przejście drugie: spójność
Dopiero teraz ujednolicasz warianty, jednostki, kolory, nazewnictwo i kategorie oraz rozstrzygasz duplikaty. Efektem tego przejścia nie jest wyłącznie czystszy plik, ale też słowniki wartości: lista dopuszczalnych kolorów, format jednostek, mapowanie kategorii wewnętrznych na taksonomię kanału. Te słowniki są wejściem dla wszystkiego, co uruchomisz w następnym rozdziale, więc warto je zapisać w jednym miejscu, a nie trzymać w głowie osoby, która akurat prowadzi katalog.
Przejście trzecie: wzbogacanie
Uzupełnianie brakujących atrybutów, dopisywanie opisów, tłumaczenia i dane pod wyszukiwanie robisz na końcu, na uporządkowanym katalogu. Odwrócenie tej kolejności jest najczęstszym i najdroższym błędem, bo wzbogacasz rekordy, które za chwilę okażą się duplikatami, albo generujesz opisy dla wariantów, które trzeba będzie rozbić inaczej. Płacisz wtedy dwa razy za tę samą pracę, a drugi raz zwykle drożej.
Kryterium wyjścia z tego rozdziału jest praktyczne, a nie doskonałe: potrafisz wskazać próbkę kilkudziesięciu losowych produktów, w której nie ma braków w polach wymaganych przez kanał, identyfikatory są unikalne, warianty spójne, a jednostki zapisane w jednym formacie. Do tego masz spisane, który system jest właścicielem których pól. To wystarczy, żeby uruchomić pierwszy workflow, i o tym jest następny rozdział.
Pytania
Czy trzeba mieć PIM, żeby zacząć z AI w eCommerce?
Nie. Warunkiem startu jest ustalenie, który system jest właścicielem których pól i w którą stronę płyną dane, a to da się spisać nawet na jednej kartce. PIM rozwiązuje problem skali: wielu kanałów, wielu języków i wielu osób edytujących ten sam katalog. Jeżeli masz jeden rynek i jeden kanał, wdrażanie PIM przed pierwszym workflow zwykle odsuwa efekt zamiast go przyspieszać.
Czy AI nie posprząta katalogu za mnie?
W dużej części tak i warto z tego skorzystać: wykrywanie duplikatów, przeliczanie sum kontrolnych kodów, ujednolicanie jednostek i kolorów czy wskazywanie braków to praca powtarzalna, którą narzędzie wykonuje szybciej i cierpliwiej niż człowiek. Granica jest jedna: wartości, których nie ma w źródle (GTIN, parametr techniczny, materiał), narzędzie ma oznaczyć, a nie uzupełnić prawdopodobnie brzmiącą wartością.
Jak duża próbka wystarczy, żeby ocenić jakość danych produktowych?
Kilkadziesiąt losowych rekordów plus kilka celowo trudnych przypadków: produkty z wieloma wariantami, zestawy, pozycje z nietypowymi jednostkami i produkty świeżo dodane. Nie chodzi o istotność statystyczną, tylko o odpowiedź na pytanie, czy błędy są pojedyncze, czy powtarzają się według jednego wzorca. Błąd systemowy widać już na kilkunastu rekordach.
