Dopasowywanie produktów i tworzenie łańcuchów: zwiększ niezawodność porównań produktów dzięki sztucznej inteligencji

Dopasowywanie produktów, zwane w niektórych sytuacjach „matchingiem”, polega na automatycznym identyfikowaniu produktów równoważnych w różnych sieciach handlowych lub asortymentach w celu porównania ich cen, parametrów i pozycji konkurencyjnej na jednolitej podstawie.

Niniejsza praca stanowi odpowiedź na prosty, ale kluczowy problem: porównywanie cen ma sens tylko wtedy, gdy porównuje się produkty rzeczywiście równoważne. Bez wiarygodnego powiązania istnieje ryzyko, że w ramach monitoringu konkurencji porównywane będą produkty podobne, ale różne (inny format, nieznacznie odmienny skład), co może zafałszować wnioski dotyczące rzeczywistego pozycjonowania cenowego danej sieci.

BOOPER MPS organizuje te powiązania za pomocą kilku uzupełniających się mechanizmów: automatycznego dopasowywania opartego na sztucznej inteligencji w przypadkach, gdy zgodności można wykryć na podstawie nazw i atrybutów, klonowania, gdy nie ma bezpośredniego dopasowania na podstawie kodu EAN, oraz tworzenia łańcuchów w celu uporządkowania relacji między produktami samej sieci handlowej.

Dla sprzedawcy detalicznego takie powiązanie produktów stanowi często niewidoczny, ale niezbędny warunek każdej poważnej strategii cenowej: decyduje ono o wiarygodności monitoringu cenowego, a co za tym idzie – o trafności decyzji cenowych podejmowanych w reakcji na zmiany na rynku lub w celu ich wyprzedzenia.

Sztuczna inteligencja jednocześnie analizuje nazwy, atrybuty, formaty, marki i zachowania cenowe w celu wykrycia podobieństw niewidocznych dla ludzkiego oka. Nieustannie uczy się na podstawie informacji zwrotnych od użytkowników, aby zwiększać swoją dokładność. Jeśli jest to możliwe, sztuczna inteligencja wykorzystuje również rozpoznawanie obrazów.

Głównym wkładem sztucznej inteligencji w tej dziedzinie jest zdolność do przetwarzania zróżnicowanych nazw produktów: dwie różne sieci handlowe rzadko nazywają ten sam produkt w ten sam sposób, co uniemożliwia wiarygodne dopasowanie na podstawie zwykłego porównania tekstu. Przetwarzanie języka naturalnego pozwala rozpoznać, że chodzi o ten sam produkt pomimo różnych nazw, opierając się na atrybutach, formacie i marce jako uzupełnieniu nazwy.

Dokładność ta poprawia się z upływem czasu dzięki mechanizmowi ciągłego uczenia się: każde potwierdzenie lub poprawka wprowadzona przez użytkownika wzbogaca model, który stopniowo udoskonala swoje rekomendacje dotyczące przyszłych dopasowań, zamiast pozostawać przy początkowych ustawieniach.

Dla sprzedawcy detalicznego ta możliwość zmienia skalę, na jaką można przeprowadzać proces dopasowywania: ręczne dopasowywanie produktów szybko napotyka ograniczenia w przypadku asortymentu obejmującego kilka tysięcy pozycji monitorowanych w wielu konkurencyjnych sieciach handlowych, podczas gdy sztuczna inteligencja pozwala obsłużyć taką ilość, zachowując jednocześnie możliwość weryfikacji przez człowieka w przypadkach budzących wątpliwości.

Ręczne dopasowywanie polega na porównywaniu produktów jeden po drugim poprzez analizę nazw i opisów, często w arkuszu kalkulacyjnym; natomiast dopasowywanie oparte na sztucznej inteligencji automatycznie proponuje odpowiednie powiązania. W BOOPER kod EAN natychmiast łączy produkty, które go posiadają; w przypadku braku wspólnego kodu EAN sztuczna inteligencja odczytuje nazwy produktów za pomocą przetwarzania języka naturalnego (NLP), porównuje atrybuty, formaty i markę oraz analizuje zdjęcie produktu. Każda propozycja ma przypisaną ocenę wiarygodności.

Różnica polega przede wszystkim na ilości danych i dokładności. Ręczne przetwarzanie kilku tysięcy pozycji asortymentowych z różnych konkurencyjnych sieci oraz aktualizowanie ich przy każdej zmianie asortymentu wymaga ogromnej ilości czasu. Sztuczna inteligencja przetwarza taką ilość danych i rozróżnia bardzo podobne warianty w ramach tej samej linii produktów: pojemność, odcień, zapach.

Dopasowywanie oparte na sztucznej inteligencji nie eliminuje weryfikacji przez człowieka: skupia ją na niepewnych dopasowaniach, oznaczonych niskim wskaźnikiem pewności, a każda weryfikacja przyczynia się do uczenia się algorytmu. Aby dowiedzieć się więcej, zapoznaj się z naszym przewodnikiem po konkurencyjnym dopasowywaniu produktów.

W przypadku braku bezpośredniego powiązania za pomocą kodu EAN uruchamia się funkcja klonowania, która łączy produkty sieci z produktami konkurencji; dotyczy to zarówno marek własnych, jak i marek krajowych. Innym rodzajem relacji uzupełniającej jest łańcuchowanie: produkty sieci są grupowane w celu ustalenia powiązań hierarchicznych, współczynników oraz modelu historycznego.

Te dwa mechanizmy zaspokajają różne potrzeby. Klonowanie służy do porównań konkurencyjnych: pozwala dopasować produkt danej marki do jego odpowiednika u konkurencji, gdy automatyczne dopasowanie na podstawie standardowego identyfikatora (EAN) nie jest możliwe, na przykład w przypadku marki własnej, która nie ma bezpośredniego odpowiednika w ofercie konkurencji.

Sieć handlowa natomiast zajmuje się wewnętrznym zarządzaniem asortymentem marki: tworzy hierarchiczne powiązania między podobnymi pozycjami (różne formaty, opakowania) oraz współczynniki, które pozwalają odtworzyć spójną historię nawet wtedy, gdy pozycje ulegają zmianom lub są z czasem zastępowane.

Dla sprzedawcy detalicznego te dwa podejścia raczej się uzupełniają, niż pokrywają: klonowanie zapewnia obiektywną analizę konkurencji, natomiast łańcuchowanie gwarantuje ciągłość i spójność analizy wewnętrznej, zwłaszcza gdy produkt zmienia numer katalogowy, nie zmieniając przy tym faktycznie swojego charakteru.

Tak: BOOPER identyfikuje produkty zamienne na podstawie ich cech funkcjonalnych i pozycjonowania cenowego, co pozwala na uporządkowanie łańcuchów produktów (marka krajowa, marka własna, produkty z najniższej półki) oraz asortymentów. Wybrane powiązania (hierarchia, współczynniki, historia) są zgodne z Państwa własnymi zasadami.

Łańcuchowanie łączy produkty z własnego asortymentu, podczas gdy klonowanie łączy je z produktami konkurencji. Służy ono do utrzymania spójnych przedziałów cenowych w ramach asortymentu oraz do analizy kanibalizacji i przesuwania się w górę segmentu cenowego między marką krajową, marką własną sklepu a produktami z najniższej półki cenowej.

Podobnie jak w przypadku dopasowywania, propozycja pozostaje w gestii Państwa zespołów: to Państwa zasady zarządzania decydują o zastosowanych łańcuchach. Co do zasady, proszę zapoznać się z definicją automatycznego łańcuchowania.

BOOPER identyfikuje produkty zamienne na podstawie ich cech funkcjonalnych i pozycjonowania cenowego w celu stworzenia struktur łańcuchów MN/MDD/PPx oraz analizy skutków kanibalizacji i przesunięcia w górę segmentu cenowego.

Taka struktura odpowiada na kluczowe wyzwanie związane z zarządzaniem kategoriami: marki krajowe, marki własnościowe i produkty z najniższej półki cenowej nie stanowią odizolowanych segmentów, lecz pozycje, które wzajemnie na siebie oddziałują w procesie podejmowania decyzji zakupowych przez klientów. Powiązanie tych produktów ze sobą pozwala przeanalizować, w jaki sposób zmiana ceny jednego z nich wpływa na sprzedaż pozostałych, zamiast analizować każdą pozycję osobno.

W praktyce analiza ta wskazuje na zjawisko kanibalizacji (klient przechodzi z marki krajowej na markę własną sklepu, gdy różnica w cenie staje się zbyt niewielka) lub na efekt przesunięcia w górę segmentu cenowego, gdy postrzegana różnica w jakości uzasadnia większą różnicę w cenie bez spadku wielkości sprzedaży.

Dla detalisty takie zestawienie cen marek krajowych, marek własnych i marek prywatnych (MN/MDD/PPx) ma kluczowe znaczenie dla stworzenia spójnej struktury cenowej w danej kategorii: ustalenie ceny marki własnej bez uwzględnienia jej pozycjonowania względem odpowiadającej jej marki krajowej oznacza pominięcie znacznej części rzeczywistej dynamiki popytu na danym dziale.

Nie, proces kojarzenia nie jest w pełni zautomatyzowany. Chociaż rekomendacje stają się coraz bardziej inteligentne i automatyczne, proces kojarzenia wymaga weryfikacji przez człowieka, aby algorytmy mogły się uczyć.

Wybór ten nie wynika z ograniczeń technicznych, lecz z zasad metodologicznych: błędne powiązanie powoduje następnie zafałszowanie wszystkich opartych na nim analiz konkurencyjnych, co wywołuje efekt kaskadowy w zakresie decyzji cenowych. Zachowanie kontroli ludzkiej nad przypadkami niejednoznacznymi pozwala zapobiec cichemu rozprzestrzenianiu się błędów w powiązaniach w ramach zarządzania cenami.

Taki sposób działania wpisuje się w logikę ciągłego uczenia się: im częściej użytkownicy zatwierdzają lub korygują propozycje sztucznej inteligencji, tym bardziej model zwiększa swoją dokładność i z czasem zmniejsza odsetek przypadków wymagających ręcznej interwencji. Automatyzacja postępuje zatem, ale zawsze towarzyszy jej kontrola merytoryczna w przypadku mniej oczywistych dopasowań.

Dla sprzedawcy detalicznego ta równowaga między automatyzacją a weryfikacją przez człowieka stanowi gwarancję niezawodności: pozwala uniknąć poświęcania jakości bazy danych produktów na rzecz szybkości przetwarzania, podczas gdy baza ta ma bezpośredni wpływ na trafność decyzji cenowych opartych na porównaniach z konkurencją.

MPS wykorzystuje katalogi produktów, nazwy produktów, parametry techniczne, historię cen oraz dane dotyczące konkurencji. Im bogatszy zbiór danych, tym dokładniejsze są propozycje powiązań.

Podstawą procesu dopasowywania produktów są katalog produktów i opisy: im bardziej kompletne i uporządkowane są dostępne atrybuty (format, marka, opakowanie, kategoria), tym więcej wiarygodnych informacji ma sztuczna inteligencja do rozróżnienia produktów rzeczywiście równoważnych od tych, które są jedynie podobne. Dane historyczne dotyczące cen oraz dane dotyczące konkurencji służą następnie do udoskonalania i weryfikacji tych dopasowań w dłuższej perspektywie czasowej.

Gdy bazy danych produktów są niekompletne lub słabo ustrukturyzowane (ogólne nazwy, brakujące atrybuty), bezpośrednio wpływa to negatywnie na trafność proponowanych powiązań, co wyjaśnia, dlaczego w przypadkach, gdy dane źródłowe są niskiej jakości, nadal konieczna jest weryfikacja przez człowieka.

Dla sprzedawcy detalicznego oznacza to, że jakość dopasowywania produktów zależy częściowo od często pomijanej pracy przygotowawczej: uporządkowania i zapewnienia wiarygodności wewnętrznej bazy danych produktów, od której zależy wydajność wszystkich modułów, które następnie z niej korzystają – od dopasowywania produktów po analizę konkurencji.

Korzyści wynikają ze skrócenia czasu poświęcanego na czynności ręczne, wiarygodności porównań cenowych, lepszego podejmowania decyzji biznesowych oraz ogólnej konkurencyjności. Pierwsze korzyści zazwyczaj widać już po kilku miesiącach.

Pierwszym zauważalnym efektem jest często oszczędność czasu poświęcanego na ręczne prace: porównywanie ofert konkurencyjnych sieci handlowych to zadanie, które tradycyjnie zajmuje dużo czasu, gdy wykonuje się je ręcznie, pozycja po pozycji, i które jest szczególnie trudne do aktualizowania w przypadku szerokiego asortymentu o wysokim wskaźniku odnowy produktów.

Wzrost niezawodności jest trudniejszy do bezpośredniego zmierzenia, ale ma większe znaczenie w perspektywie długoterminowej: porównania konkurencyjne oparte na wiarygodnym systemie odniesienia dla produktów pozwalają uniknąć decyzji cenowych opartych na błędnych porównaniach, co poprawia jakość decyzji dotyczących ustalania cen w dłuższej perspektywie, a nie tylko w ramach pojedynczej kampanii.

Dla detalisty moduł ten stanowi często mało widoczny, ale kluczowy element podstawy: sam w sobie nie generuje bezpośrednio marży, ale decyduje o wiarygodności wszystkich analiz konkurencji i decyzji cenowych, które następnie opierają się na tych porównaniach produktów.