Lieferanten und Drittanbieter liefern Produktdaten in ihren eigenen Formaten, und Kunden fanden die richtigen Produkte nicht. Ein ML-Modell auf Basis von Text-Embeddings ordnet jedes Produkt der richtigen Kategorie zu, und kleine Sprachmodelle machen aus den Texten der Lieferanten und Händler eine Produktdetailseite mit strukturierten technischen Attributen.
Eine E-Commerce-Plattform verkauft Produkte aus zwei Quellen: von Lieferanten für das eigene Sortiment und von Drittanbietern, die auf der Plattform listen. Beide liefern Produktdaten im eigenen Format – mit eigenen Kategorienamen, eigenen Spalten und Beschreibungen, die für eine Preisliste geschrieben sind und nicht für Kunden, die am Bildschirm Produkte vergleichen.
Bevor ein Kunde ein Produkt finden kann, muss zweierlei passieren: Das Produkt muss an der richtigen Stelle im Kategoriebaum der Plattform stehen, und aus dem Text des Lieferanten oder Händlers muss eine Produktdetailseite im Format der Plattform werden – mit den technischen Attributen, nach denen Kunden suchen.
Kunden fanden die richtigen Produkte nicht. Produkte in der falschen oder in einer allgemeinen Sammelkategorie tauchten dort, wo Kunden stöberten, nie auf. Die Produktseiten trugen die Formulierungen der Lieferanten und Händler, technische Attribute steckten im Freitext – wer die Suche nach Spezifikationen eingrenzte, bekam diese Produkte gar nicht zu sehen. Kunden, die nicht fanden, was sie suchten, sprangen ab, und mit ihnen der Umsatz.
Jeder neue Lieferant und jeder neue Händler brachte ein weiteres Format mit. Die Produkte standen im Katalog, waren aber nicht auffindbar: Das Problem lag in den Produktdaten, noch vor der Suche – denn Suche und Kategorienavigation können nur zeigen, was die Daten beschreiben.
Zwei Stufen, die für jedes gelieferte Produkt laufen, danach der Rollout im Produktivbetrieb.
Wir erzeugen Text-Embeddings aus den Katalogdaten der Lieferanten und Händler, und ein darauf trainiertes ML-Modell ordnet jedes Produkt seiner Kategorie im Baum der Plattform zu. Embeddings erfassen, was ein Produkt ist, nicht welche Worte ein Lieferant zufällig verwendet – zwei Quellen, die denselben Artikel unterschiedlich beschreiben, landen so in derselben Kategorie.
Kleine Sprachmodelle schreiben jede Beschreibung der Lieferanten und Händler in das Format der Produktdetailseite der Plattform um, sodass jede Seite gleich aufgebaut ist, egal woher das Produkt kommt. Im selben Schritt ziehen sie die technischen Attribute aus dem Freitext in strukturierte Felder, nach denen der Shop filtern und vergleichen kann.
Die Aufgabe ist eng umrissen und wiederholt sich für jedes Produkt in jedem Katalog – genau die Art von Arbeit, die kleine, auf ein Ausgabeformat abgestimmte Modelle gut erledigen.
Beide Stufen gingen auf der laufenden Plattform in den Produktivbetrieb, und wir haben gemessen, wie sich das auf die Interaktion der Kunden mit den angezeigten Produkten auswirkte.
Der Zuwachs kam aus den Produktdaten. Kunden fanden die richtigen Produkte, weil diese in der richtigen Kategorie standen und die Attribute trugen, nach denen Kunden suchen und filtern.
Sprechen wir darüber, was in Ihrem konkreten Umfeld möglich ist.
Gespräch vereinbaren →