Kataloğunuzu yapay zekayla her pazaryerinin kategorilerine eşleştirmek.

Bir kategori uzmanı yeni bir ürün grubunu bir pazaryerinde listeliyor; yarısı reddedilip geri dönüyor: yanlış kategori, eksik zorunlu özellik. Diğer yarısı, alışveriş yapanların nadiren gezdiği bir kategoride yayına giriyor. Sıradaki kanalın ağacı da kuralları da farklı; eşleştirme tablosuna bir sekme daha ekleniyor.

Her pazaryerinin kendi kategori ağacı ve zorunlu özellikleri vardır; yanlış kategori ürünü görünmez kılar ya da reddedilmesine yol açar. Pazaryeri kategori eşleştirmede yapay zeka kategoriyi önerebilir ve zorunlu özellikleri güven işaretleriyle birlikte kendi verinizden doldurabilir. Her yeni eşleştirmeyi insanlar bir kez onaylar; eşleştirme o andan itibaren yeniden kullanılır.

Kategori eşleştirme neden bu kadar çok elle iş gerektirir?

Çünkü hiçbir şey birbirine denk düşmez. Bir pazaryeri mobilyayı odaya, bir diğeri malzemeye, üçüncüsü stile göre ayırır; her biri farklı bir derinliğe iner ve kendi kelimelerini kullanır. Zorunlu özellikler kategoriye ve pazaryerine göre değişir; birçoğu yalnızca sabit bir listeden değer kabul eder: sizin verinizde “antrasit” yazarken pazaryeri yalnızca “gri”ye izin verebilir. Kendi kategorileriniz başkasının ağacı için değil, mağazanız ve ERP’niz için kurulmuştur. Üstelik iş her yeni ürün tipinde, her yeni kanalda ve bir pazaryerinin yaptığı her değişiklikte tekrarlanır.

Yapay zeka kategorileri nasıl önerir?

Ürünleri değil, ürün tiplerini eşleştirin. “Üçlü kumaş kanepe” her pazaryeri için bir kez eşleştirilir; o tipteki her ürün eşleştirmeyi devralır. Böylece ürün başına bir karar, ürün tipi başına bir karara dönüşür; insanlar yalnızca yeni ürün tiplerini ya da güven düzeyi düşük önerileri inceler.

Sistem her ürün tipi için pazaryerinin güncel ağacında arama yapar ve her biri bir güven puanı ve gerekçeyle gelen en uygun birkaç kategoriyi önerir. Model yalnızca var olan kategori ID’leri arasından seçer; bu yüzden bir yol uyduramaz. İki en alt kategori birbirine benzediğinde öneri, onları neyin ayırdığını söyler (örneğin birinin çekyatlar için olması); böylece inceleyen kişi saniyeler içinde karar verir. Trendyol, Hepsiburada ve Amazon tipik örneklerdir: eşleştirme bu sistemlere, her birinin sunduğu arayüzler üzerinden bağlanır. Bunlar iş ortaklığı değildir.

Temsili bir örnek: ağaçları bu not için kurgulanmış, hiçbir gerçek pazaryerinin kurallarını izlemeyen üç kurgusal pazaryeri.

Kanepenin kaydında genişlik, derinlik, kumaş, renk ve kişi sayısı var; iskelet malzemesi ve azami yük yok. Öneri kanepeyi üç ağaca da eşleştirir, verinin desteklediği alanları doldurur, “antrasit”i B pazaryerinin izin verdiği “gri”ye çevirip kategori uzmanının onayı için bir not ekler ve iskelet malzemesiyle azami yükü eksik olarak işaretler.

Zorunlu özellikler tahmin yürütmeden nasıl doldurulur?

Hedef kategorinin zorunlu özellikler ve izin verilen değerler listesinden başlayın; bu listeyi pazaryerinin kendi güncel verisinden okuyun. Her birini ürün bilgi sisteminizden, ERP’nizden ya da tedarikçi föylerinden, gerektiğinde birimleri çevirerek doldurun. Pazaryeri yalnızca listelenmiş değerleri kabul ediyorsa model o listeden seçer ya da hiçbirinin uymadığını işaretler. Eksik bir değer kategori uzmanı için işaretlenir, asla tahmin edilmez. Türetilmiş değerlere yalnızca yazılı bir kuralla izin verilir: kişi sayısı ürün tipinden çıkarılabilir, ama azami yük bir fotoğraftan çıkarılamaz. Bir modeli bu tür kapalı listelere nasıl bağlı tutacağınızı yapılandırılmış çıktı notumuz açıklıyor.

Bu yolla bulunan boşlukları kaynağında düzeltmeye değer. İskelet malzemesi bütün kanepelerde eksikse ürün verisinin bin tane elle girişe değil, yeni bir alana ihtiyacı vardır; bu tarafı ana veri temizliği notumuz ele alıyor.

İnsan incelemesi nerede gerekir?

Her eşleştirmeyi bir kez onaylayın, her yerde yeniden kullanın, ağaç değiştiğinde yeniden kontrol edin.

• Yeni ürün tipi eşleştirmeleri: her pazaryeri için kategori uzmanı ya da kanal yöneticisi tarafından bir kez onaylanır.
• Güven düzeyi düşük öneriler ve ilk kez görülen değer dönüşümleri.
• İşaretlenen her eksik özellik.
• Hassas kategoriler: güven düzeyi ne olursa olsun, elektrikli ürünler ya da çocuk ürünleri gibi.
• Yeniden kullanılan eşleştirmelerden bir örneklem: sessiz bir hata bütün bir ürün grubuna yayılmasın diye.

Açıklamalar ayrı bir adımdır; onları yapay zeka ile ürün açıklaması notumuz ele alıyor.

Pazaryerleri değiştiğinde eşleştirmeler nasıl güncel tutulur?

Kategori ağaçları ve özellik kuralları değişir: kategoriler bölünür, birleşir ya da kaldırılır; yeni özellikler zorunlu hale gelir; izin verilen değerler değişir. Bu yüzden eşleştirmeleri belirli aralıklarla yeniden doğrulayın. Sistem her pazaryerinin güncel ağacını ve kurallarını çeker, saklanan sürümle karşılaştırır ve etkilenen eşleştirmeleri yeniden incelemeye gönderir: kaldırılmış bir kategori, yeni bir zorunlu özellik, artık izin verilmeyen bir değer. Eşleştirme tablosunun her sürümünü saklayın; böylece raporlar ve denetimler hangi eşleştirmenin ne zaman yayında olduğunu görebilir. Planlı kontroller arasında bir kategoride retlerin birden artması çoğu zaman bir değişikliğin ilk işaretidir; bunu erken bir yeniden kontrol için tetikleyici sayın.

Doğruluk nasıl ölçülür?

Canlıya geçmeden önce önerileri, onaylı eşleştirmeleri olan ürün tiplerinden oluşan bir değerlendirme setiyle test edin: ilk öneri ne sıklıkla doğru, doğru kategori ne sıklıkla gösterilen birkaç öneri arasında? Doldurulan özellikleri incelenmiş bir örneklemle karşılaştırın. Canlıya geçtikten sonra retleri pazaryerine ve nedene göre, yayına girdikten sonra düzeltilen ilanları ve yeni bir ürün tipini listeleme süresini izleyin. Pazaryerine ve ürün tipine göre raporlayın: iyi bir ortalama, bütün bir ürün grubunun yanlış yerde durduğu tek bir kanalı gizleyebilir.

Önce hangi eşleştirmeler onaylanmalı?

Tek bir pazaryeri ve en yüksek hacimli ürün tiplerinizle başlayın; önce bu eşleştirmeleri onaylayın. Listeleme işinin ürün içeriği ve müşteri yanıtlarıyla nasıl bir arada yürüdüğünü e-ticaret zekası sayfası gösteriyor. Altındaki ürün verisi ve eşleştirme tabloları ise veri ve yapay zeka altyapısı işidir.