Einzelhändler A macht mit dem gleichen Produkt zum gleichen Preis durchweg höhere Umsätze als Einzelhändler B. Beide Einzelhändler haben 4,5+ Sterne und positive Bewertungen, aber Einzelhändler B hat eine höhere Absprungrate auf der Website und kann anscheinend seine Besucher nicht in Kunden umwandeln. Bei näherer Betrachtung zeigt sich, dass die E-Commerce-Website von Einzelhändler A aufwändiger ist. Sie enthält ausführliche Informationen zu jedem Produkt. Die Website von Einzelhändler A verfügt beispielsweise über klar definierte Hierarchien und Kategorien, die es den Nutzern ermöglichen, einfach nach ihren Produkten zu suchen. Außerdem verfügt sie über vollständige Produktinformationen mit starken Schlüsselwörtern und einer tieferen und präziseren Kategorisierung. Die Website von Einzelhändler B enthält schlecht definierte Kategorien mit Tippfehlern, unvollständigen Informationen und Kategorien mit fehlenden Produkten. Insgesamt hat Einzelhändler A seine Produktdaten im Griff, auch wenn seine Website nicht so schick ist wie die von Einzelhändler B.
Laut Forrester Research können Einzelhandels-Websites mit einer falsch organisierten Struktur ihre
bis zu 50% weniger Umsatz
im Vergleich zu gut strukturierten Websites.
Einzelhändler B kämpft mit der Qualität der Produktdaten und dem Fehlen einer klar definierten Produkttaxonomie. Wir empfehlen, sich hier über Produkttaxonomien zu informieren.
In diesem Beitrag erläutern wir Ihnen das Grundgerüst der Produktdatenqualität. Es werden wichtige Punkte behandelt wie:
- Herausforderungen bei Produktdaten
- Definieren, was hochwertige Produktdaten ausmacht
- Technologie für maschinelles Lernen als Lösung
- Wie der Produktabgleich von Data Ladder hilfreich sein kann
Fangen wir an.
Herausforderungen mit Produktdaten, auf die Sie gestoßen sind
Produktdaten sind von Natur aus unstrukturierte Textdaten und können daher nicht ohne weiteres in Zeilen und Spalten klassifiziert oder kategorisiert werden, es sei denn, die einzelnen Attribute werden extrahiert und manuell in ein Arbeitsblatt eingegeben.
Hier ein Beispiel dafür, wie eine Produktbeschreibung in Attribute unterteilt und in Tabellen gespeichert wird, die später zur Bestimmung der Kategorie und Klassifizierung des Produkts auf einer Website verwendet werden.
Die mehrfache Klassifizierung der Attribute stellt sicher, dass Ihr Produkt für den Verbraucher bei der Eingabe eines Suchbegriffs auffindbar und sichtbar ist.
Dies war ein ideales Beispiel, d. h. es gibt keine strukturellen Mängel, keine Rechtschreibfehler, keine Standardisierungsprobleme, keine fehlenden Informationen.
Unter weniger idealen Umständen können diese Daten in einem Produktbestand mehrfach vorhanden sein. Schlimmer noch: Wenn Dateneingabebeamte die Daten manuell eingeben, kann es passieren, dass Sie falsche oder unvollständige UPNs erhalten. Auch wenn die UPN korrekt ist, können die Produktdaten selbst fehlerhaft sein. Zum Beispiel, Samsung kann als SMSG geschrieben werden in Kurzform oder das Farbfeld kann leer bleiben. Schlechte Produktdaten haben nicht nur Auswirkungen auf die Kunden, sondern auch auf Backend-Prozesse, die das Produktmanagement und die Bestandsauflistung betreffen, insbesondere wenn Sie Produktlisten mit Anbietern oder Lieferanten abgleichen möchten.
…Aber was genau sind gute oder qualitativ hochwertige Produktdaten?
Wie bestimmen Sie, was gute, akzeptable oder hochwertige Produktdaten sind? Es gibt einen gemeinsamen, weit verbreiteten Maßstab für die Datenqualität, der jedoch eher für andere Datenformen wie Kunden- oder Transaktionsdaten geeignet ist. Für Produktdaten müssen Sie ein System verwenden, das die Komplexität der Daten berücksichtigt. Idealerweise sollten die Produktdaten von hoher Qualität sein:
- Strukturiert:Das wichtigste Kriterium ist die Umwandlung unstrukturierter Daten in strukturierte Daten. Dies ist notwendig, damit die Produkte in eine Hierarchie eingeordnet werden können.
- Einzigartig: Koks, Coca Cola oder Cola? Welches ist es? Es gibt mehrere Varianten eines Produktnamens, was bei der Produktgruppierung eine große Herausforderung darstellt. Es wird eine Herausforderung sein, Daten abzugleichen, wenn es so viele Varianten eines Produkts gibt.
- Normalisiert:SAMSUNG oder samsung? GALAXY oder GLXY? 10 Plus oder 10+? Nicht normalisierte Daten verschlechtern die Datenqualität und machen sie weniger brauchbar. A Schlüsselkriterien für Produktdaten ist seine Kohärenz in Bezug auf Format und Standardisierung. Wenn die Hälfte Ihrer Produktliste „10+“ und die andere Hälfte „10 Plus“ hat, werden Sie es schwer haben, diese Daten zu sortieren. Der Fehler wird auf Ihre Website übertragen und beeinträchtigt die Suchergebnisse. Wenn ein Nutzer 10 Plus eingibt und Sie 10+ haben, wird Ihr Produkt einfach nicht in den Suchergebnissen erscheinen.
- Komplett mit definierten Attributen: Produktdaten mit unvollständigen Attributinformationen sind nicht verwendbar. Es ist notwendig, gut definierte Attribute zu haben, die später verwendet werden können, um Kategorien und Hierarchien für das Produkt zu erstellen, ohne die Ihr Benutzer nie in der Lage sein wird, das gewünschte Produkt zu finden.
- Frei von Duplikaten: Ein Duplikat ist ein Produkt, das mehr als einmal an der gleichen Stelle erscheint. Es handelt sich dabei um getrennte Produkte, die jedoch die gleichen Informationen enthalten. Duplikate entstehen in der Regel, wenn ein bereits vorhandenes Produkt erneut erstellt wird. Dies kann aus verschiedenen Gründen geschehen – bei der Dateneingabe oder bei der Verbindung mit mehreren Händlerkonten. So kann beispielsweise ein Produkt, das von zwei verschiedenen Anbietern oder Lieferanten stammt, zweimal in der Bestandsliste aufgeführt sein, wenn es dieselben Spezifikationen aufweist.
Die Verwaltung Ihres E-Commerce-Katalogs kann zu einer Herausforderung werden, wenn Ihre Produktdaten nicht auf dem neuesten Stand sind. Dies ist besonders wichtig, wenn Ihre Produktdaten von Lieferanten bereitgestellt werden, die oft Inhalte in einem falschen Format oder mit Rechtschreibfehlern übermitteln. Sie müssen Data Governance oder eine Lösung für die Produktdatenqualität implementieren, um diese Herausforderungen zu bewältigen, deren Bereinigung Ihr Team Wochen, wenn nicht Monate beschäftigen kann.
Wie lösen Sie diese Herausforderungen und sorgen für saubere Produktdaten?
Die meisten Unternehmen lösen dieses Problem durch den Einsatz mehrerer Systeme. Sie verfügen über ein Produktmanagementsystem oder ein Bestandsverwaltungssystem und ein Team von IT-Experten, die Abfragen schreiben und eindeutige Kennzeichnungen wie UPC-, MPN- und GTIN-Nummern zur Klassifizierung der Daten verwenden. Das PMS-System wird dann für die Produktidentifizierung und die Verfolgung von Bestellungen, Verkäufen und Lieferungen verwendet. Aber keine dieser Lösungen kann bei sauberen Daten helfen. Außerdem können sie nicht zum Abgleich von Daten oder zur Erstellung von Taxonomien verwendet werden. Kleine und mittlere Unternehmen verlassen sich bei der Erstellung von Taxonomien immer noch auf Tabellenkalkulationen, was ein ineffizienter und ineffektiver Ansatz ist.
Hier kommt der Bedarf an einer automatisierten, maschinenlernfähigen Lösung ins Spiel.
Herausforderungen mit einer Datenqualitätslösung mit maschinellem Lernen bewältigen
Es gibt kein globales Klassifizierungssystem für Produktdaten, was es für E-Commerce-Shops umso schwieriger macht, ihre Produktdaten zu bereinigen, zu analysieren, abzugleichen und zu klassifizieren. Hier kommen ML-gestützte Lösungen wie ProductMatch von Data Ladder ins Spiel. Die meisten dieser Lösungen verwenden Wörterbücher und lineare Modelle, die auf historischem Wissen und vordefinierten Modellen basieren.
ProductMatch bietet zusätzliche Funktionen wie die Verwendung von Fuzzy-Matching-Algorithmen zum Abgleich komplexer Datensätze und ermöglicht dem Benutzer gleichzeitig das Bereinigen, Parsen und Standardisieren von Daten. Aber das ist noch nicht alles, was es gibt.
ProductMatch bietet in erster Linie die Möglichkeit, Attribute aus unstrukturierten Daten zu extrahieren und den Benutzer durch einen Prozess zu führen, der Folgendes beinhaltet:
- Bereinigung der Daten:
Bereinigung der Daten von Inkonsistenzen, Tippfehlern und Duplikaten
- Interpretation der Daten:
Umwandlung dieser Daten oder deren Interpretation in Informationen auf Attributsebene zur Klassifizierung und Kategorisierung
- Spiel: Verwendung proprietärer und bewährter Fuzzy-Matching-Algorithmen zum Abgleich von Datenlisten für die Deduplizierung und Gruppierung von Variationen. Sie können Daten innerhalb Ihrer Listen oder mit integrierten Listen von Anbietern und Lieferanten abgleichen, um sicherzustellen, dass wirklich eine einzige Quelle der Wahrheit existiert, um das Unternehmen effektiv zu bedienen.
- Standardisieren:
Stellen Sie sicher, dass Ihre Daten einem einheitlichen Format folgen, indem Sie eine systematische Anordnung der Beschreibungen nach Substantiven, Modifikatoren, Herstellernamen, Teilenummern, UOM, Attributen usw. vornehmen.
Mit einer Datenabgleichsgenauigkeit von 80 % und einem automatisierten Prozess, der sowohl für Geschäftsanwender als auch für IT-Experten geeignet ist, können Sie mit dieser Lösung Monate und Wochen manuellen Aufwands bei der Datenbereinigung und dem Datenabgleich sparen. Oh, und es verbessert auch Ihre betriebliche Effizienz. Gewinnen, gewinnen!
Was bedeutet das für Ihr Einzelhandelsgeschäft?
Sie sind Teil eines dynamischen und wettbewerbsorientierten Marktes. Jeder Tag, an dem Sie einen Kunden aufgrund schlechter Produktdaten verlieren, ist ein Rückschritt. Um wirklich voranzukommen und Teil des Wettbewerbs zu sein, müssen Sie in Lösungen investieren, die leistungsstarke Technologien wie KI und ML nutzen können, um die mittelmäßige Arbeit für Sie zu erledigen.
Mit einem Produktqualitätstool wie ProductMatch können Sie einen großen Teil Ihrer Arbeit automatisieren und redundante Prozesse zwischen den Abteilungen eliminieren.
Am wichtigsten ist, dass Sie eine Aufgabe, für die Sie
1 Monat dauert, in buchstäblich nur 1 Stunde erledigen.
Die Verwaltung Ihrer Produktdaten, die Erstellung von Produkttaxonomien und die Sicherstellung der Qualität Ihrer Daten ist ein wichtiger, wenn nicht gar überflüssiger Prozess, den Sie automatisieren können, anstatt Millionen von Dollar in die Einstellung von Ressourcen für den Aufbau komplexer Systeme zu investieren, die erst nach jahrelangen Versuchen und Fehlern funktionieren – ohne jegliche Erfolgsgarantie.
Erfahren Sie, wie Data Ladder Sie beim Bereinigen und Klassifizieren von Produktdaten unterstützen kann
Produktdaten sind ein anderes Spiel als jede andere Datenform, die es gibt. Sie brauchen eine Lösung, mit der Sie Ihre unstrukturierten Rohdaten einfach einlesen, analysieren, bereinigen und in eine Taxonomie einfügen können.
Sprechen Sie mit uns und erfahren Sie, wie wir Ihnen helfen können, mit unserer Lösung Ihre Ziele zu erreichen.
