Skaluj katalog produktów, nie zespół. Nieoczywista rola AI w e-commerce

Wejście na nowy marketplace albo kanał B2B to dziś decyzja zajmująca jeden dzień, a wybór platformy – kwestia kilku dni. Start sprzedaży i tak potrafi przesunąć się o miesiące. Powód rzadko leży w technologii sklepu, a częściej – w danych produktowych – każdy kanał chce, aby były inaczej opisane, w innym formacie i z innym kompletem parametrów. Z pomocą ma przyjść AI, ale w katalogu kieruje się je zwykle w najmniej wartościowe miejsce – do generowania opisów, a nie do porządkowania samych danyc

Ukryty hamulec wzrostu

W e-commerce dużo mówi się o platformach, płatnościach i UX. Rzadziej o tym, co rzeczywiście wyznacza tempo, w jakim produkty trafiają do sprzedaży – o jakości danych produktowych. A te przychodzą od dziesiątek dostawców: w PDF, arkuszach, marketingowych opisach. Bywają niekompletne, niespójne, zaprezentowane według różnych konwencji. Zanim trafią do sklepu czy na marketplace, ktoś musi je ujednolicić, uzupełnić brakujące parametry i dopasować do wymagań kanału.

Ta praca rośnie liniowo wraz z katalogiem. Dwa razy większy asortyment to dwa razy więcej godzin, a nowy kanał z własnym zestawem atrybutów to kolejna runda przepisywania. W praktyce zespół produktowy staje się wąskim gardłem wzrostu – firma rośnie w tempie, w jakim ludzie nadążają z danymi, niezależnie od popytu i budżetu.

Słuchaj podcastu „E-commerce bez tajemnic”

Konsekwencje są mierzalne. Każde opóźnienie we wprowadzeniu produktu na rynek oznacza przesunięcie momentu generowania przychodów. Produkt z niekompletną specyfikacją nie pojawia się w wynikach filtrowania na marketplace’ach lub trafia na ich dalsze pozycje, przez co dla wielu klientów staje się praktycznie niewidoczny. 

Najpierw struktura, potem AI

Naturalnym odruchem jest dziś „wrzucić to w AI”. To jednak błąd kolejności. Algorytm nie uporządkuje chaosu, którego nie rozumie. Najpierw potrzebna jest struktura. Do jej zbudowania służy natomiast klasyfikacja – własna firmy albo gotowy standard branżowy, jak ETIM czy eCl@ss. To klasyfikacja określa, jakie atrybuty opisują dany typ produktu: złączka ma gwint i ciśnienie, oprawa – strumień świetlny i barwę. 

Dopiero na dobrze przygotowanej strukturze danych AI pokazuje swoją rzeczywistą wartość. Najbardziej kosztownym i czasochłonnym etapem jest uzupełnianie wartości atrybutów dla tysięcy produktów, często w wielu standardach klasyfikacyjnych i językach jednocześnie.

Właśnie ten etap – uzupełnianie wartości atrybutów – najlepiej nadaje się do automatyzacji. Większość narzędzi AI kierowana jest jednak do pisania opisów na podstawie gotowych danych. Odwrotnie działa getName.ai: analizuje nieustrukturyzowane informacje i przypisuje im wartości atrybutów wymaganych przez wybraną klasyfikację. Strukturę – czyli komplet atrybutów do wypełnienia – wyznacza klasyfikacja; getName.ai uzupełnia w niej same wartości.

Od projektu do procesu

Klasyfikacja i AI rozwiązują problem przygotowania danych, jednak aby cały proces działał powtarzalnie i na dużą skalę, potrzebny jest odpowiedni silnik. Tę rolę pełni system PIM. Gromadzi dane w jednym miejscu, łączy się z ERP i platformą e-commerce, a z jednego źródła automatycznie przygotowuje i publikuje karty w formatach, których wymagają poszczególne kanały i standardy. Przeniesienie rozproszonych danych do wspólnej struktury wykonuje się raz, a kolejne aktualizacje odbywają się automatycznie.

Ta zmiana ma też aspekt ekonomiczny. Tradycyjnie przy nowym dostawcy należało żmudnie mapować jego dane na własną strukturę, pole po polu. Ten etap znika – getName.ai, dostępny przez API, wpina się w istniejący proces i czyta surowe opisy, od razu zwracając komplet wartości atrybutów w docelowej klasyfikacji. Masowy onboarding produktów i dostawców przestaje być projektem, a staje się powtarzalnym procesem, w dużej mierze bez udziału człowieka. Te same uporządkowane dane zasilają nie tylko sklep, lecz także automatycznie generowane dokumenty: karty katalogowe, cenniki, specyfikacje. Zmiana w jednym miejscu trafia do wszystkich kanałów naraz, zamiast rozjeżdżać się między sklepem, marketplace’em a kartą PDF.

Najwyraźniej widać to u dystrybutorów z dużym, wielomarkowym katalogiem, w którym części marek brakowało ustrukturyzowanych danych. Po ułożeniu struktury i podłączeniu automatyzacji ten sam zespół obsługuje wielokrotnie większy katalog i więcej kanałów. Logika „więcej produktów = więcej ludzi” ustępuje regule „więcej produktów = ten sam zespół”.

Nie znika rola ludzi – zmienia się jej charakter. Zamiast przepisywać parametry, zespół weryfikuje wyjątki i wykorzystuje
wiedzę o produktach tam, gdzie naprawdę jej potrzeba: w decyzjach o asortymencie i w pracy z dostawcą. To zarazem odpowiedź na obawę przed zwolnieniami: automatyzacja przejmuje powtarzalność, ale nie kompetencję.

Punkt wyjścia

Punktem wyjścia nie musi być wdrożenie. Często warto najpierw policzyć rzeczywisty koszt obecnego stanu: ile godzin miesięcznie pochłania przepisywanie i poprawianie danych, ile dni trwa wejście na nowy kanał oraz ile zwrotów wynika z błędnych opisów. Audyt danych produktowych zwykle pokazuje to wprost i wskazuje, co da się zautomatyzować najszybciej. 

Jakość automatycznego uzupełniania wartości atrybutów można sprawdzić na własnych danych w getName.ai. Reszta to kwestia narzędzi i procesów – tych samych, dzięki którym katalog może rosnąć szybciej niż zespół.

Artykuł pochodzi z e-booka „Dochodowy e-commerce 2026”. Kliknij w baner i pobierz.

Materiał reklamowy partnera.