AI agent za produktne podatke: uskladite ERP in spletno trgovino

Katalog potrebuje pravilne podatke, preden potrebuje več besedila

ERP vsebuje eno prostornino, opis izdelka drugo, slika pa kaže drugo različico. Kupec teh razlik ne vidi kot podatkovni problem, ampak kot nejasno ponudbo. AI agent bi lahko primerjal dogovorjene vire, označil neskladja in pripravil predlog popravka z dokazili. Uporaben izhod je seznam konkretnih odločitev za skrbnika kataloga.

NUMEDIA bi prvi projekt omejila na izbrano skupino izdelkov in nekaj pomembnih polj. Spodnji primeri so hipotetični, ne ugotovitve o dejanski trgovini ali obljuba prodajnega učinka. Članek obravnava kakovost podatkov med sistemi. Namen je, da vaša ekipa razume, kako bi takšen nadzor vključili v vsakodnevno urejanje kataloga.

Primer: enakovreden zapis ali napačna različica?

Zapis 0,75 l v ERP in 750 ml v trgovini lahko pomeni isto količino. Po pravilni pretvorbi to ni vsebinska napaka. Če pa naziv izbrane različice navaja 500 ml, nastane drugačen problem. Agent mora pokazati, katero različico primerja, in ohraniti izvorne vrednosti. En sam splošni pregled podobnosti opisov ni dovolj.

Primerjava zato potrebuje pravilno identiteto izdelka, povezavo različic in dogovorjene pretvorbe. Pri kompletu je pomembna tudi količina posameznih enot. Če en sistem opisuje kos in drugi komplet, lahko številki pomenita različni stvari. Predlog popravka mora začeti pri tej razliki, namesto da bi brez pojasnila izbral najpogostejšo vrednost.

Predloga: kateremu viru zaupamo za posamezno polje

Pred razvojem določimo izvor podatka po poljih. ERP ni nujno glavni vir vseh marketinških vsebin, spletna trgovina pa ni samoumevni vir identitete izdelka. Vsako pravilo dobi lastnika in način pregleda. Spodnja tabela je delovni vzorec NUMEDIA, ki ga prilagodimo vašemu katalogu.

Izdelek, različica in trgovski identifikator niso zamenljivi

Shopify v dokumentaciji obravnava različico izdelka kot ločen objekt, povezan z nadrejenim izdelkom. GS1 pa s standardom GTIN ureja dosledno identifikacijo trgovskih izdelkov. Pri zasnovi primerjave to pomeni, da ne smemo vseh podobno poimenovanih zapisov združiti v enega. Povezava mora biti dovolj natančna za namen polja, ki ga preverjamo.

NUMEDIA bi skupaj z vašo ekipo zapisala preslikavo identifikatorjev med sistemi. Če obstaja več kandidatov, primer dobi pregled. Manjkajoče oznake ne dopolnimo z izmišljeno številko. Tudi pravilno oblikovan identifikator sam po sebi še ne potrdi, da je pripet pravemu izdelku. Potrebujemo povezavo s potrjenim virom.

Kaj naj bo opozorilo in kaj razlog za zadržanje objave

Niso vsa neskladja enako pomembna. Napačna količina ali različica lahko neposredno spremeni razumevanje ponudbe, slogovna nedoslednost pa potrebuje drugačno prioriteto. Vaša ekipa določi, katera polja zahtevajo pregled pred objavo in katera lahko ostanejo v uredniški čakalni vrsti. Pravila morajo biti vidna, ne skrita v oceni modela.

Agent lahko predlaga opis, dejstev pa ne dopolnjuje po občutku

Ko so lastnosti potrjene, lahko AI pomaga pripraviti jasnejši opis ali lokalizirano različico. Predlog mora ostati znotraj preverjenih podatkov. Besedilo ne sme dodati nove sestavine, združljivosti ali certifikata samo zato, ker je to pogosto pri podobnih izdelkih. Ustvarjanje opisa in potrjevanje dejstev sta ločena koraka.

Google v specifikaciji produktnih podatkov opozarja na manjkajoče oziroma nasprotujoče si atribute ter neskladja med virom in spletno stranjo. Za naš predlog to podpira pomen urejenega izhodišča. Ta članek ne ponavlja optimizacije feeda za oglaševanje; obravnava proces, ki pomaga podatke pripraviti in preveriti, preden pridejo v prodajne kanale.

Sprememba potrebuje svojo različico in ponovno preverjanje

Agent pripravi predlog na podlagi določenega trenutka. Če zaposleni medtem spremeni izdelek, starega predloga ne smemo nekritično zapisati čez nove podatke. Pred izvedbo primerjamo trenutno stanje s stanjem, na katerem je predlog nastal. Razlika lahko zahteva nov pregled, zlasti pri ceni, razpoložljivosti ali različicah.

Ohranimo predhodno vrednost, predlog, razlog, vir in odločitev odgovorne osebe. Po zapisu preverimo rezultat v ciljnem sistemu. Pri neuspešni povezavi najprej ugotovimo, ali je sprememba dejansko že nastala. V prvem obsegu bi uporabljali predloge za pregled; samodejne spremembe bi dodajali samo za posebej potrjene primere.

Kako bi preizkusili kakovost nadzora

Pripravimo nabor znanih napak in pravilnih zapisov. Vključimo enakovredne enote, podobno poimenovane različice, komplete, stare podatke in manjkajoče identifikatorje. Sistem mora najti pomembne razlike, hkrati pa ne sme ustvariti prevelike količine neupravičenih opozoril. Skrbnik, ki mora potrjevati vsako neškodljivo razliko, bo težko uporabljal rešitev.

Merimo delež pravilno potrjenih ugotovitev, spregledane napake v preverjenem vzorcu, čas obravnave in ponovno pojavljanje iste težave. Rezultate ločimo po vrstah polj. Povprečna ocena celotnega kataloga lahko skrije slabo povezovanje različic. Sprejetje pilota mora temeljiti na lastnostih, ki so za vaše izdelke dejansko pomembne.

Prvi projekt z NUMEDIA: ena skupina, jasen izhod

Predlagan obseg vključuje pregled virov, preslikavo izdelkov, pravila izbranih polj in seznam ugotovitev za pregled. Dodali bi predloge popravkov, testne primere in navodila za skrbnike. Če je pisanje sprememb del dogovora, preverimo vmesnike ter potrebna pooblastila pred izvedbo. Najprej vzpostavimo sledljiv pregled nad tem, kaj predlagamo spreminjati.

Vaša ekipa prispeva reprezentativen izvoz, opis izvora podatkov in osebe, ki lahko potrdijo pravilne vrednosti. Izberemo skupino z dovolj različicami in poznanimi težavami. Predlog projekta loči urejanje izhodiščnih podatkov, povezave, razvoj preverjanj in nadaljnje delovanje. Tako lahko ovrednotite konkretno rešitev za svoj katalog.

Pokažite nam podatke, ki jih danes popravljate večkrat

V kontaktnem obrazcu napišite »AI kakovost produktnih podatkov«. Dodajte ERP, trgovinsko platformo in dve ali tri vrste napak, ki se ponavljajo. NUMEDIA bi na tej podlagi pripravila izvedljiv prvi obseg. Koristen začetek je primer istega izdelka v obeh sistemih in pojasnilo, katera vrednost je pravilna.

Spodnji seznam pomaga pripraviti pogovor. Prodajni učinek morebitnih izboljšav bi spremljali ločeno; ne obljubljamo, da vsaka popravljena vrstica poveča konverzijo. Prva merljiva vrednost je manj ponavljajočega se usklajevanja in bolj zanesljiva osnova za delo z izdelki.

• Preslikava šifer in različic med sistemi
• Lastnik pravil za vsako izbrano polje
• Primer znane napake ter pravilne pretvorbe enot
• Dogovor o pregledu, zapisu in preverjanju spremembe

Viri in metodologija

1. ProductVariant: GraphQL Admin API (Shopify, dostop 2026-10-26)
2. GTIN Management Standard (GS1, dostop 2026-10-26)
3. Product data specification (Google, dostop 2026-10-26)

Pogosta vprašanja