제품 카탈로그 강화를 위한 AI: 이미지에서 속성 자동 생성

제품 카탈로그 품질은 이커머스 사업이 성공하거나 어려움을 겪는지 조용히 결정하는 것 중 하나입니다. 제품 목록이 완전하고 정확한 속성을 가질 때, 그것들은 필터링된 검색에 나타나고, 추천 엔진을 적절히 공급하며, 고객이 자신감 있게 구매하는 데 필요한 정보를 제공합니다. 속성이 누락되거나 잘못되었을 때, 제품은 그것들을 구매할 고객에게 보이지 않게 됩니다.

문제는 제품 속성을 수동으로 채우는 것이 정신을 마비시키는 작업이라는 것입니다. 10,000개 SKU를 가진 패션 소매업체는 색상, 자재, 패턴, 네크라인, 소매 길이, 핏 유형, 행사, 시즌으로 각 SKU에 태그를 지정해야 할 수 있습니다. 그것은 정확하게 입력되어야 할 80,000개의 개별 데이터 포인트입니다. 대부분의 카탈로그는 완전한 속성을 유지하는 데 필요한 수동 노력이 막대하기 때문에 상당한 격차를 가집니다.

AI가 제품 이미지에서 속성을 추출하는 방법

AI 카탈로그 강화 도구는 컴퓨터 비전을 사용하여 제품 이미지를 분석하고 자동으로 속성을 추출합니다. 시스템을 드레스 사진에 가리키면, 드레스가 네이비 블루이고, 질감에 기반하여 면이나 린넨으로 보이는 것으로 만들어졌으며, 꽃 패턴이 있고, V자 네크라인을 특징으로 하며, 4분의 3 소매를 가지고 있고, 편안한 실루엣으로 핏된다는 것을 식별합니다.

기술은 수동으로 라벨이 지정된 수백만 개의 제품 이미지에 모델을 훈련시킴으로써 작동합니다. 모델은 시각적 패턴을 속성 값과 연관시키는 법을 학습합니다. 충분한 훈련 후, 새로운 제품 이미지를 보고 이전에 본 적이 없는 제품에 대해서도 높은 정확도로 올바른 속성을 예측할 수 있습니다.

색상 감지는 특히 신뢰할 수 있게 되었습니다. AI 도구는 일관되게 유사한 색상(버건디 대 마룬 대 와인)을 구별할 수 있으며, 이는 색상이 패션 검색에서 가장 일반적으로 사용되는 필터이기 때문에 중요합니다. 패턴 인식(줄무늬, 물방울 무늬, 체크무늬, 추상)도 강합니다. 자재 식별은 많은 자재가 사진에서 비슷해 보이기 때문에 더 까다롭지만, 모델은 질감과 드레이프 특성에 기반하여 면, 폴리에스터, 실크, 데님을 구별하는 데 점점 더 좋아지고 있습니다.

패션을 넘어: 모든 카테고리에 대한 속성

패션이 가장 일반적인 사용 사례이지만, AI 속성 추출은 제품 카테고리 전반에 걸쳐 작동합니다. 가구의 경우, 목재 유형, 천갈이 자재, 스타일(현대, 전통, 미드센추리), 보관함이나 조절 가능한 높이와 같은 특정 기능을 식별할 수 있습니다. 전자제품의 경우, 이미지에서 폼 팩터, 색상 옵션, 물리적 치수를 감지할 수 있습니다.

가정용품은 이 기능이 가치 있는 또 다른 카테고리입니다. 주방용품 이미지는 자재(스테인리스 스틸, 세라믹, 주철), 색상, 의도된 용도에 대해 분석될 수 있습니다. 야외 장비는 활동 유형, 내후성 지표, 크기 카테고리로 태그가 지정될 수 있습니다.

정확도는 카테고리에 따라 다릅니다. 시각적으로 독특한 속성(색상과 패턴 등)을 가진 제품은 핵심 속성이 이미지에 보이지 않는 제품(시트의 실 수 또는 스피커의 와트수 등)보다 자동으로 태그를 지정하기가 더 쉽습니다. 비시각적 속성의 경우, AI 강화 도구는 제품 제목, 설명, 사양 시트와 같은 다른 데이터 소스에서 가져옵니다.

검색 및 필터링 가능성 향상

카탈로그 강화의 가장 즉각적인 이점은 향상된 검색 성능입니다. 제품이 완전한 속성 데이터를 가질 때, 필터링된 검색 결과에 나타납니다. 파란색 면 V넥 드레스를 검색하는 고객은 그 네 가지 속성이 모두 태그된 제품만 찾을 것입니다. 파란색 면 V넥 드레스에 네크라인 속성이 누락되어 있다면, 그 검색에 나타나지 않을 것이고, 카탈로그 데이터가 더 완전한 경쟁자에게 판매를 잃을 것입니다.

이는 사이트 내 검색과 마켓플레이스 검색 모두에 적용됩니다. Amazon, Google Shopping, 기타 플랫폼은 특정 쿼리에 어떤 목록이 나타날지 결정하기 위해 제품 속성을 사용합니다. 더 풍부한 속성 데이터는 더 많은 검색 가시성을 의미하며, 이는 더 많은 트래픽과 더 많은 매출을 의미합니다.

카탈로그 완전성과 매출 사이의 관계는 측정 가능합니다. 제품 데이터를 강화한 소매업체는 검색 전환율에서 두 자릿수 증가를 보고합니다. 이전에는 필터링된 검색에 보이지 않았던 제품이 처음으로 트래픽을 생성하기 시작합니다.

추천 엔진 구동

추천 엔진은 관련 제안을 하기 위해 제품 속성에 의존합니다. 고객이 미드센추리 모던 호두나무 커피 테이블을 구매하면, 추천 엔진은 같은 스타일과 자재의 어울리는 가구를 제안해야 합니다. 그러나 카탈로그의 다른 제품이 스타일과 자재 속성을 채웠을 때만 이를 할 수 있습니다.

AI 카탈로그 강화는 이러한 추천 시스템에 적절히 작동하는 데 필요한 데이터를 공급합니다. 더 완전한 속성은 더 관련성 있는 추천을 의미하며, 이는 더 높은 평균 주문 가치와 더 나은 고객 경험을 의미합니다. 추천 엔진이 강화된 카탈로그에서 더 나은 훈련 데이터를 얻음에 따라 시간이 지남에 따라 개선이 복리됩니다.

자동화된 품질 관리 및 일관성

인간이 입력한 제품 속성은 악명 높게 일관성이 없습니다. 한 사람은 색상을 네이비로 태그하고, 다른 사람은 같은 음영을 다크 블루로 태그하며, 세 번째 사람은 인디고로 태그합니다. 이러한 불일치는 필터링된 검색을 깨뜨리고(네이비로 필터링하는 고객은 다크 블루로 태그된 제품을 보지 못함) 유지하기 어려운 지저분한 카탈로그를 만듭니다.

AI 강화 도구는 일관된 분류법을 적용합니다. 그것들은 특정 속성 값 세트에 훈련되고 항상 같은 용어를 사용합니다. 네이비는 항상 네이비이며, 결코 다크 블루나 인디고가 아닙니다. 이 일관성은 검색 기능과 전문적인 카탈로그 경험을 만드는 데 중요합니다.

도구는 또한 기존 카탈로그 데이터의 오류를 잡아냅니다. 제품이 빨간색으로 태그되었지만 이미지가 명확하게 녹색 항목을 보여준다면, AI는 불일치를 표시합니다. 전체 카탈로그에 강화 도구를 실행하면 잘못 속성이 지정된 제품을 식별하고 수정하는 감사 역할을 합니다.

구현 및 통합

대부분의 AI 카탈로그 강화 도구는 API를 통해 주요 이커머스 플랫폼 및 PIM 시스템과 통합됩니다. 격차를 채우기 위해 기존 카탈로그에 걸쳐 강화를 배치 프로세스로 실행할 수 있고, 그런 다음 새 제품이 추가됨에 따라 자동 강화를 설정할 수 있습니다.

기존 카탈로그에 걸친 초기 배치 실행은 가장 큰 가치가 나타나는 곳입니다. 검색에서 성과가 낮았던 누락된 속성을 가진 수백 또는 수천 개의 제품을 발견합니다. 그러한 격차를 채우는 것은 검색 가시성과 트래픽에서 즉각적인 상승을 만듭니다.

지속적인 운영의 경우, AI 강화를 제품 목록 워크플로에 통합하면 모든 새 SKU가 첫날부터 완전한 속성을 얻습니다. 이는 격차 문제가 재발하는 것을 방지하고 새 제품이 출시되는 순간부터 최대 검색 가시성을 가지도록 보장합니다. AI 기반 이커머스 도구에 대한 자세한 내용은 이커머스 및 소매 산업 페이지를 방문해 주십시오.