AI voor productcatalogusverrijking: kenmerken automatisch genereren uit afbeeldingen

De kwaliteit van uw productcatalogus is een van die zaken die stilzwijgend bepaalt of uw e-commercebedrijf slaagt of worstelt. Wanneer productvermeldingen volledige en correcte kenmerken hebben, verschijnen ze in gefilterde zoekresultaten, voeden ze aanbevelingsmotoren goed en geven ze klanten de informatie die nodig is om met vertrouwen te kopen. Wanneer kenmerken ontbreken of onjuist zijn, worden producten onzichtbaar voor de klanten die ze zouden willen kopen.

Het probleem is dat het handmatig invullen van productkenmerken geestdodend werk is. Een modehandelaar met 10.000 SKU's moet elk product taggen met kleur, materiaal, patroon, halslijn, mouwlengte, pasvorm, gelegenheid en seizoen. Dat zijn 80.000 afzonderlijke gegevenspunten die correct moeten worden ingevoerd. De meeste catalogi bevatten aanzienlijke gaten omdat de handmatige inspanning om volledige kenmerken te onderhouden enorm is.

Hoe AI kenmerken uit productafbeeldingen haalt

Tools voor AI-catalogusverrijking gebruiken computervisie om productafbeeldingen te analyseren en automatisch kenmerken te extraheren. Wijst u het systeem op een foto van een jurk, dan stelt het vast dat de jurk marineblauw is, gemaakt lijkt van katoen of linnen op basis van de textuur, een bloemenpatroon heeft, een v-hals heeft, driekwartmouwen heeft en een ontspannen silhouet heeft.

De technologie werkt door modellen te trainen op miljoenen handmatig gelabelde productafbeeldingen. Het model leert visuele patronen te koppelen aan kenmerkwaarden. Na voldoende training kan het naar een nieuwe productafbeelding kijken en de juiste kenmerken met hoge nauwkeurigheid voorspellen, zelfs voor producten die het nooit eerder heeft gezien.

Kleurherkenning is bijzonder betrouwbaar geworden. AI-tools kunnen consistent onderscheid maken tussen vergelijkbare kleuren (bordeaux versus kastanjebruin versus wijnrood), wat belangrijk is omdat kleur het meestgebruikte filter in modezoekopdrachten is. Patroonherkenning (strepen, stippen, ruit, abstract) is ook sterk. Materiaalherkenning is lastiger, omdat veel materialen op foto's vergelijkbaar lijken, maar de modellen worden steeds beter in het onderscheiden van katoen, polyester, zijde en denim op basis van textuur en val.

Verder dan mode: kenmerken voor elke categorie

Hoewel mode het meest voorkomende toepassingsgebied is, werkt AI-extractie van kenmerken in alle productcategorieen. Voor meubels kan het systeem houtsoort, bekledingsmateriaal, stijl (modern, klassiek, mid-century) en specifieke kenmerken zoals opbergvakken of in hoogte verstelbaarheid herkennen. Voor elektronica kan het formaat, kleuropties en fysieke afmetingen uit afbeeldingen afleiden.

Woonaccessoires is een andere categorie waar deze mogelijkheid waardevol is. Een afbeelding van keukengerei kan worden geanalyseerd op materiaal (roestvrij staal, keramiek, gietijzer), kleur en beoogd gebruik. Outdooruitrusting kan worden gelabeld met type activiteit, indicaties van weerbestendigheid en maatcategorie.

De nauwkeurigheid varieert per categorie. Producten met visueel kenmerkende eigenschappen (zoals kleur en patroon) zijn eenvoudiger automatisch te taggen dan producten waarvan de kernkenmerken niet zichtbaar zijn op afbeeldingen (zoals het aantal draden per inch bij lakens of het wattage van speakers). Voor niet-visuele kenmerken halen AI-verrijkingstools gegevens uit andere bronnen, zoals producttitels, beschrijvingen en specificatiebladen.

Zoekfunctie en filterbaarheid verbeteren

Het meest directe voordeel van catalogusverrijking is een betere zoekprestatie. Wanneer producten over volledige kenmerkgegevens beschikken, verschijnen ze in gefilterde zoekresultaten. Een klant die zoekt op blauwe katoenen v-halsjurk vindt alleen producten waarbij alle vier deze kenmerken zijn vastgelegd. Ontbreekt bij uw blauwe katoenen v-halsjurk het kenmerk halslijn, dan verschijnt deze niet in die zoekopdracht en gaat de verkoop naar een concurrent met een vollediger ingevulde catalogus.

Dit geldt zowel voor zoekopdrachten op de eigen site als voor zoekopdrachten op marktplaatsen. Amazon, Google Shopping en andere platforms gebruiken productkenmerken om te bepalen welke vermeldingen bij specifieke zoekopdrachten verschijnen. Rijkere kenmerkgegevens leiden tot meer zoekzichtbaarheid, en daarmee tot meer verkeer en verkopen.

Het verband tussen catalogusvolledigheid en omzet is meetbaar. Retailers die hun productgegevens hebben verrijkt, melden conversieverbeteringen in de zoekfunctie van tientallen procenten. Producten die voorheen onzichtbaar waren in gefilterde zoekopdrachten gaan voor het eerst verkeer genereren.

Aanbevelingsmotoren aansturen

Aanbevelingsmotoren zijn afhankelijk van productkenmerken om relevante suggesties te doen. Koopt een klant een mid-century salontafel van walnotenhout, dan zou de aanbevelingsmotor passend meubilair in dezelfde stijl en hetzelfde materiaal moeten suggereren. Maar dat kan alleen als de overige producten in uw catalogus de kenmerken stijl en materiaal hebben ingevuld.

AI-catalogusverrijking voorziet deze aanbevelingssystemen van de gegevens die ze nodig hebben om goed te functioneren. Vollediger ingevulde kenmerken leiden tot relevantere aanbevelingen, hogere gemiddelde orderwaarden en een betere klantbeleving. De verbetering werkt cumulatief door, omdat de aanbevelingsmotor steeds betere trainingsdata krijgt uit de verrijkte catalogus.

Geautomatiseerde kwaliteitscontrole en consistentie

Door mensen ingevoerde productkenmerken zijn berucht inconsistent. De ene medewerker tagt een kleur als marineblauw, de andere tagt dezelfde tint als donkerblauw, en een derde tagt het als indigo. Deze inconsistenties verstoren gefilterd zoeken (een klant die op marineblauw filtert, ziet geen producten die als donkerblauw zijn getagd) en zorgen voor een rommelige catalogus die lastig te onderhouden is.

AI-verrijkingstools passen een consistente taxonomie toe. Ze zijn getraind op een specifieke set kenmerkwaarden en gebruiken altijd dezelfde termen. Marineblauw is altijd marineblauw, nooit donkerblauw of indigo. Deze consistentie is essentieel voor de werking van de zoekfunctie en voor het opbouwen van een professionele catalogusbeleving.

De tools sporen ook fouten in bestaande catalogusgegevens op. Wordt een product als rood getagd terwijl op de afbeelding duidelijk een groen artikel staat, dan markeert de AI de tegenstrijdigheid. Het verrijkingsproces over uw hele catalogus laten lopen, fungeert als audit waarmee onjuist getagde producten worden geidentificeerd en gecorrigeerd.

Implementatie en integratie

De meeste AI-tools voor catalogusverrijking integreren via API met grote e-commerceplatforms en PIM-systemen. U kunt verrijking als batchproces over uw bestaande catalogus uitvoeren om gaten te dichten en daarna automatische verrijking instellen voor nieuwe producten zodra ze worden toegevoegd.

Bij de eerste batchrun over een bestaande catalogus komt de grootste waarde tot uiting. U ontdekt honderden of duizenden producten met ontbrekende kenmerken die ondermaats hebben gepresteerd in zoekopdrachten. Het opvullen van die gaten levert direct een toename op in zoekzichtbaarheid en verkeer.

Voor de dagelijkse praktijk betekent integratie van AI-verrijking in uw productinvoerwerkstroom dat elke nieuwe SKU vanaf dag een over volledige kenmerken beschikt. Daarmee voorkomt u dat het probleem opnieuw ontstaat en zorgt u dat nieuwe producten vanaf de lancering maximaal vindbaar zijn. Lees meer over AI-tools voor e-commerce op onze branchepagina e-commerce en retail.