الذكاء الاصطناعي لإثراء كتالوج المنتجات: توليد السمات تلقائياً من الصور
جودة كتالوج المنتجات هي أحد تلك الأشياء التي تحدد بصمت ما إذا كان عملك في التجارة الإلكترونية ينجح أم يكافح. عندما تكون قوائم المنتجات تحتوي على سمات كاملة ودقيقة، فإنها تظهر في عمليات البحث المفلترة، وتغذي محركات التوصية بشكل صحيح، وتعطي العملاء المعلومات التي يحتاجونها للشراء بثقة. عندما تكون السمات مفقودة أو خاطئة، تصبح المنتجات غير مرئية للعملاء الذين كانوا سيشترونها.
المشكلة هي أن ملء سمات المنتج يدوياً عمل مرهق ذهنياً. قد يحتاج بائع تجزئة للأزياء يملك 10,000 وحدة SKU إلى وسم كل واحدة باللون والمادة والنمط ونوع الياقة وطول الكم ونوع المقاس والمناسبة والموسم. هذه 80,000 نقطة بيانات فردية يجب إدخالها بشكل صحيح. معظم الكتالوجات بها فجوات كبيرة لأن الجهد اليدوي المطلوب للحفاظ على سمات كاملة هائل.
كيف يستخرج الذكاء الاصطناعي السمات من صور المنتجات
تستخدم أدوات إثراء الكتالوج بالذكاء الاصطناعي رؤية الحاسوب لتحليل صور المنتجات واستخراج السمات تلقائياً. وجّه النظام إلى صورة فستان، فيتعرف على أن الفستان أزرق كحلي، مصنوع مما يبدو قطناً أو كتاناً بناءً على الملمس، وله نمط زهور، ويتميز بياقة V، وله أكمام بطول ثلاثة أرباع، ويناسب صورة ظلية مرتاحة.
تعمل التقنية من خلال تدريب النماذج على ملايين صور المنتجات التي تم وسمها يدوياً. يتعلم النموذج ربط الأنماط البصرية بقيم السمات. بعد تدريب كافٍ، يمكنه النظر إلى صورة منتج جديدة والتنبؤ بالسمات الصحيحة بدقة عالية، حتى للمنتجات التي لم يرها من قبل.
أصبح اكتشاف الألوان موثوقاً بشكل خاص. يمكن لأدوات الذكاء الاصطناعي التمييز بين الألوان المتشابهة (عنابي مقابل كستنائي مقابل نبيذي) باستمرار، وهو أمر مهم لأن اللون هو الفلتر الأكثر استخداماً في البحث عن الأزياء. التعرف على الأنماط (المخططات والنقاط والمربعات والمجردة) قوي أيضاً. تحديد المواد أصعب لأن كثيراً من المواد تبدو متشابهة في الصور، لكن النماذج تتحسن في التمييز بين القطن والبوليستر والحرير والدنيم بناءً على ملامح الملمس والانسدال.
ما وراء الأزياء: السمات لكل فئة
بينما الأزياء هي حالة الاستخدام الأكثر شيوعاً، فإن استخراج السمات بالذكاء الاصطناعي يعمل عبر فئات المنتجات. للأثاث، يمكنه تحديد نوع الخشب ومادة التنجيد والأسلوب (حديث، تقليدي، منتصف القرن)، والميزات المحددة مثل أقسام التخزين أو الارتفاع القابل للتعديل. للإلكترونيات، يمكنه اكتشاف عامل الشكل وخيارات الألوان والأبعاد المادية من الصور.
السلع المنزلية فئة أخرى تكون فيها هذه القدرة قيّمة. يمكن تحليل صورة أدوات المطبخ من حيث المادة (فولاذ مقاوم للصدأ، سيراميك، حديد زهر)، واللون، والاستخدام المقصود. يمكن وسم معدات الهواء الطلق بنوع النشاط ومؤشرات مقاومة الطقس وفئة الحجم.
تتفاوت الدقة حسب الفئة. المنتجات ذات السمات المميزة بصرياً (مثل اللون والنمط) أسهل في الوسم تلقائياً من المنتجات التي لا تكون فيها السمات الرئيسية مرئية في الصور (مثل عدد الخيوط للملاءات أو القدرة بالواط لمكبرات الصوت). للسمات غير البصرية، تستخرج أدوات الإثراء بالذكاء الاصطناعي من مصادر بيانات أخرى مثل عناوين المنتجات والأوصاف وأوراق المواصفات.
تحسين البحث وقابلية الفلترة
الفائدة الأكثر فورية لإثراء الكتالوج هي تحسين أداء البحث. عندما تكون لدى المنتجات بيانات سمات كاملة، فإنها تظهر في نتائج البحث المفلترة. عميل يبحث عن فستان قطني أزرق بياقة V لن يجد إلا المنتجات التي تم وسمها بكل هذه السمات الأربع. إذا كان فستانك القطني الأزرق بياقة V يفتقر إلى سمة الياقة، فلن يظهر في هذا البحث، وتخسر البيع لمنافس بيانات كتالوجه أكثر اكتمالاً.
ينطبق هذا على كل من البحث على الموقع وبحث السوق. تستخدم Amazon وGoogle Shopping ومنصات أخرى سمات المنتج لتحديد القوائم التي تظهر لاستفسارات محددة. بيانات سمات أغنى تعني ظهوراً أكبر في البحث، مما يعني حركة مرور أكثر ومبيعات أكثر.
العلاقة بين اكتمال الكتالوج والإيرادات قابلة للقياس. يبلّغ تجار التجزئة الذين أثروا بيانات منتجاتهم عن زيادات بنسب مئوية مزدوجة في معدلات تحويل البحث. المنتجات التي كانت غير مرئية لعمليات البحث المفلترة تبدأ في توليد حركة مرور لأول مرة.
تشغيل محركات التوصية
تعتمد محركات التوصية على سمات المنتج لتقديم اقتراحات ذات صلة. إذا اشترى عميل طاولة قهوة من خشب الجوز بأسلوب منتصف القرن الحديث، فينبغي أن يقترح محرك التوصية أثاثاً مطابقاً بنفس الأسلوب والمادة. لكن يمكنه فعل هذا فقط إذا كانت المنتجات الأخرى في كتالوجك لها سمات الأسلوب والمادة مملوءة.
يغذي إثراء الكتالوج بالذكاء الاصطناعي أنظمة التوصية هذه بالبيانات التي تحتاجها للعمل بشكل صحيح. سمات أكثر اكتمالاً تعني توصيات أكثر صلة، مما يعني قيم طلب متوسطة أعلى وتجربة عميل أفضل. يتراكم التحسن بمرور الوقت مع تحسن محرك التوصية ببيانات تدريب أفضل من الكتالوج المُثرى.
مراقبة الجودة المؤتمتة والاتساق
سمات المنتج المُدخلة بشرياً غير متسقة بشكل سيئ السمعة. شخص واحد يسم اللون كأزرق كحلي، وشخص آخر يسم نفس الظل كأزرق داكن، وثالث يسمه كنيلي. هذه التناقضات تكسر البحث المفلتر (عميل يفلتر بأزرق كحلي لن يرى المنتجات الموسومة بأزرق داكن) وتنشئ كتالوجاً فوضوياً يصعب صيانته.
تطبق أدوات الإثراء بالذكاء الاصطناعي تصنيفاً متسقاً. هي مدربة على مجموعة محددة من قيم السمات وتستخدم دائماً نفس المصطلحات. الأزرق الكحلي دائماً أزرق كحلي، وليس أزرق داكناً أو نيلياً. هذا الاتساق حاسم لوظيفة البحث ولإنشاء تجربة كتالوج احترافية.
تكتشف الأدوات أيضاً الأخطاء في بيانات الكتالوج الموجودة. إذا تم وسم منتج كأحمر لكن الصورة تظهر بوضوح عنصراً أخضر، يضع الذكاء الاصطناعي علامة على التناقض. تشغيل أداة الإثراء عبر كتالوجك بأكمله يخدم كتدقيق يحدد ويصحح المنتجات المنسوبة بشكل خاطئ.
التنفيذ والتكامل
تتكامل معظم أدوات إثراء الكتالوج بالذكاء الاصطناعي مع منصات التجارة الإلكترونية الكبرى وأنظمة PIM عبر واجهات API. يمكنك تشغيل الإثراء كعملية دفعية عبر كتالوجك الموجود لسد الفجوات، ثم إعداد الإثراء التلقائي للمنتجات الجديدة عند إضافتها.
التشغيل الدفعي الأولي عبر كتالوج موجود هو حيث تظهر أكبر قيمة. تكتشف مئات أو آلاف المنتجات بسمات مفقودة كانت تؤدي أداءً ضعيفاً في البحث. سد هذه الفجوات يخلق ارتفاعاً فورياً في ظهور البحث وحركة المرور.
للعمليات المستمرة، دمج إثراء الذكاء الاصطناعي في سير عمل قائمة المنتجات يعني أن كل وحدة SKU جديدة تحصل على سمات كاملة من اليوم الأول. يمنع هذا تكرار مشكلة الفجوة ويضمن أن المنتجات الجديدة لها أقصى ظهور في البحث من لحظة إطلاقها. تعرف على المزيد حول أدوات التجارة الإلكترونية المدعومة بالذكاء الاصطناعي على صفحة قطاع التجارة الإلكترونية والتجزئة.