Тендеры и лиды
Информация
Дубли, разнобой в названиях и ошибки в атрибутах снижают конверсию и SEO-трафик. Разбираем, как решение на базе нейросети помогает очистить каталог крупного онлайн-магазина и увеличить выручку.
Представим себе крупного ретейлера, у которого 70 000 товаров от полутора десятков поставщиков. Каждый присылает данные в своем формате, а в каталог их параллельно вносят три контент-менеджера. Спустя полгода получаем предсказуемый итог: свыше 700 карточек дублируются, сотни не имеют важных покупателю характеристик, товары находятся не в своих категориях или вообще вне «дерева» каталога.
Один или два случая не повлияют на продажи, но время идёт, а ошибки накапливаются. В итоге их масса начинает заметно давить на конверсии и SEO: покупатель путается в карточках и уходит, ухудшая показатели сайта, а менеджеры не могут правильно проанализировать продажи и остатки.
Плохая новость: загрязнение каталога и «пересорт» неизбежны везде, где товары сортируют вручную. Хорошая новость: даже самый запущенный случай сегодня можно исправить, не прибегая к долгой и дорогой ручной ревизии товаров. Здесь ретейлерам помогут новейшие технологии, и это снова вездесущие нейросети. Рассказываем об одном из решений, которое мы предлагаем для наших клиентов.
Сервис на основе нейросети, точнее, большой языковой модели (LLM), который помогает сортировать карточки товаров на сайте — уже не фантастика, а реальность. Удобнее спроектировать его так, чтобы он вставал поверх существующей инфраструктуры, подключаясь к ней по API. Такое решение не заменяет CMS, PIM или ERP, а работает как дополнительный слой системы.
Делать всю работу с помощью нейросети, такой как ChatGPT или Claude, было бы слишком дорого. Поэтому фильтрация в ИИ-сервисах для работы с каталогами идёт в несколько этапов и использует комбинацию технологий.
Нормализация регистра, приведение единиц измерения к единому стандарту, сопоставление брендов со справочником («Hewlett Packard» → «HP»). Из текста карточки извлекаются модель, артикул, объем, размер. Здесь работают справочники и сравнительные алгоритмы.
Также проводится с помощью алгоритмов. Сравнить попарно 70 000 карточек вычислительно нереально. Сначала отбираются кандидаты по совпадению штрихкода, артикула, похожему названию внутри бренда, благодаря чему выборка сужается до десятков пар на позицию.
Языковая модель хорошо распознает синонимы и нужна там, где требуется сопоставить смысл. Также нейросеть понимает сокращения и распознает транслитерацию. Например, LLM распознает, что «256 Гб» и «256GB» — одно значение, «Black» и «черный» — один цвет. «Galaxy S24 Ultra» и «Samsung S24 Ultra» для нее — одна и та же модель. Очевидные дубли обрабатываются автоматически. Спорные случаи уходят оператору с подсветкой отличий и объяснением логики решения. Обычные алгоритмы «ломаются» на карточках, где описания написаны на разных языках, характеристики заполнены частично или текст содержит опечатки. LLM справляется с такими случаями, потому что оперирует значением, а не набором символов.
Наша система сама подберет вам исполнителей на услуги, связанные с разработкой сайта или приложения, поисковой оптимизацией, контекстной рекламой, маркетингом, SMM и PR.
Заполнить заявку
13799 тендеров
проведено за восемь лет работы нашего сайта.
Описанный нами сервис на основе искусственного интеллекта может решать сразу несколько проблем больших ретейлеров, а потому каталог товаров улучшается сразу по нескольким параметрам.
Поиск дублей. Нечеткое сопоставление карточек с учетом вариаций написания, перестановок слов, совпадения артикулов и штрихкодов. На выходе — список пар с рекомендацией: объединить, оставить или направить на проверку.
Нормализация названий. Единый формат: бренд → модель → параметры → цвет. Убираются лишние пробелы, спецсимволы, рекламные приписки вроде «ХИТ!!!». Правила настраиваются для каждой отрасли: логика для fashion-ретейлера и для магазина электроники будет разной.
Контроль атрибутов. Приведение единиц к общему стандарту, проверка обязательных характеристик, отлов аномалий (ноутбук весом 0,5 грамма — вероятно, ошибка). Отдельный показатель — процент заполненности обязательных полей в каждой карточке. При массовой загрузке от поставщика карточки проходят валидацию до попадания на сайт, контент-менеджер получает очередь задач на доработку.
Контроль категорий. Поиск товаров вне дерева, дублей разделов, пустых категорий, нарушений вложенности.
Даже если в каталоге крупного ретейлера, содержащего 70 000 товаров, всего 0,5% «брака», это 350 карточек, которые искажают поиск и аналитику. И это не просто путаница для покупателя: например, дубли размывают отзывы, рейтинги и историю продаж между несколькими карточками, а неполные данные могут вводить покупателя в заблуждение и снижать рейтинг товара. Поэтому для крупного бизнеса, ведущего электронную торговлю, внедрение такого сервиса оправдано.
Нередко проблемы с каталогом ретейлеры замечают по косвенным признакам, таким как рост числа негативных отзывов от клиентов, «брошенных корзин» или жалоб от покупателей. А между тем предупредить проблему дешевле, чем лечить. По нашим наблюдениям, есть типичные ситуации, которые приводят к проблемам в каталоге.
Ассортимент вырос кратно, а процессы остались прежними. То, что один контент-менеджер делал для 5 000 позиций, для 50 000 будет делаться с ухудшением качества и накоплением ошибок.
Компания объединяет каталоги после M&A-сделки или подключает дропшиппинг-партнеров. Каждый источник данных приносит свой формат и свое понимание заполненной карточки.
Запланирована миграция на новую CMS или PIM. Аудит и нормализация перед переездом окупаются сразу, иначе старые ошибки переедут в новую систему.
Бизнес выходит на маркетплейсы. У каждой площадки свои требования к карточкам, и при «грязном» каталоге подготовка фидов превращается в ручной труд.
Если ретейлер недавно прошел через одну из таких ситуаций, самое время провести аудит или хотя бы выборочную проверку карточек товара.
Купить готовое решение и поставить его «из коробки», к сожалению, не получится, потому что разработать универсальное ПО почти нереально. У каждого крупного ретейлера своя инфраструктура: 1С + Битрикс, SAP + кастомный фронт, PIM + headless CMS. Каталожные данные часто содержат коммерчески чувствительную информацию, поэтому для нового решения нужно позаботиться об изоляции данных.
Поэтому мы в Uplab предлагаем своим клиентам индивидуальную разработку решений на базе ИИ, в том числе и для наведения порядка в каталогах. Начинаем с аудита и отчетов о состоянии каталога, а потом обсуждаем конфигурацию нового решения, правила нормализации карточек и пороги срабатывания системы.
