El aprendizaje automático (machine learning) es un conjunto de técnicas estadísticas que permiten al software aprender patrones a partir de datos y hacer predicciones sin estar programado explícitamente para cada caso. En la gestión de feeds se aplica a tareas como predecir atributos de producto que faltan, emparejar fichas entre catálogos, prever la demanda y detectar errores en los datos, trabajos demasiado lentos o incoherentes para resolverse solo con reglas manuales fijas. En lugar de sustituir directamente las reglas del feed, el aprendizaje automático suele trabajar junto a ellas y se encarga de los casos ambiguos en los que una regla rígida fallaría o se aplicaría mal.
Por qué el aprendizaje automático es importante para la gestión de feeds
Los catálogos con miles o millones de SKU tienen inevitablemente lagunas: categorías que faltan, convenciones de tallas incoherentes, atributos incompletos o títulos que no coinciden con lo que los compradores buscan realmente. Corregirlas manualmente no es escalable, y las reglas de negocio estáticas solo cubren los patrones para los que alguien pensó en escribir una regla. Los modelos de aprendizaje automático entrenados con datos existentes del catálogo y de ventas pueden deducir un atributo que falta a partir de productos similares, predecir a qué categoría pertenece un artículo nuevo o estimar cambios en la demanda en función de la estacionalidad y del historial de precios, cerrando lagunas a una escala que la revisión manual nunca podría alcanzar. Esto afecta directamente a los ingresos: los atributos rellenados con la mejor estimación de un modelo tienen que ser lo bastante precisos para cumplir los requisitos del canal y coincidir con la intención del comprador; de lo contrario, la automatización solo sustituye un tipo de error por otro.
Cómo funciona el aprendizaje automático en los flujos de feeds
La mayoría de las aplicaciones de aprendizaje automático relacionadas con los feeds parten de un modelo entrenado (construido con datos históricos de productos, resultados de ventas o fichas de la competencia rastreadas) que puntúa o predice un valor para cada artículo que pasa por el flujo. Eso puede significar predecir un tipo de producto que falta, estimar los precios óptimos o emparejar el SKU de un comerciante con la entrada canónica del catálogo de un marketplace, una tarea estrechamente relacionada con el emparejamiento híbrido, que a menudo combina la puntuación del aprendizaje automático con lógica basada en reglas para los casos en los que el modelo tiene menos confianza. Las mismas técnicas de base impulsan la previsión de la demanda, en la que modelos entrenados con ventas históricas y estacionalidad predicen la demanda futura, y la normalización, en la que los modelos pueden estandarizar valores incoherentes de talla, color o unidad entre proveedores mucho más rápido que las tablas de correspondencia manuales. Como el resultado de un modelo es probabilístico y no seguro, la mayoría de los flujos en producción establecen umbrales de confianza: solo aplican automáticamente las predicciones por encima de una determinada puntuación y envían los casos de menor confianza a revisión humana.
Ejemplo: campos predichos por aprendizaje automático en un feed de productos
<item>
<g:id>SKU-40217</g:id>
<title>Ceramic Pour-Over Coffee Dripper - Speckled White</title>
<link>https://example-shop.com/products/ceramic-pour-over-dripper</link>
<g:price>34.00 USD</g:price>
<g:product_type>Home & Kitchen > Coffee & Tea > Drip Coffee Makers</g:product_type>
<g:google_product_category>Kitchen & Dining > Kitchen Appliances</g:google_product_category>
<custom_label_0>ml_category_confidence:0.91</custom_label_0>
<custom_label_1>ml_predicted_field:product_type</custom_label_1>
</item>Aquí, product_type y google_product_category los ha rellenado un modelo en lugar de una introducción manual, y la puntuación de confianza de la etiqueta personalizada permite a las reglas posteriores decidir si esa predicción es lo bastante fiable como para publicarla tal cual.
Conceptos relacionados
El aprendizaje automático sustenta otras disciplinas de la gestión de feeds en lugar de mantenerse al margen de ellas: es el motor de gran parte de la previsión de la demanda moderna, impulsa la parte automatizada de la normalización cuando los catálogos necesitan valores coherentes a escala y se combina con frecuencia con lógica determinista en el emparejamiento híbrido para conciliar fichas de distintas fuentes. Los equipos que quieran aplicar estas técnicas a sus propios catálogos encontrarán una guía práctica en Uso de la IA para una gestión y automatización más inteligentes de los feeds de comercio electrónico, que explica dónde encaja la automatización basada en modelos junto a las reglas de feed tradicionales.
