L'apprendimento automatico è un insieme di tecniche statistiche che consentono al software di apprendere modelli dai dati e fare previsioni senza essere esplicitamente programmato per ogni singolo caso. Nella gestione dei feed, viene applicato a compiti come la previsione di attributi di prodotto mancanti, la corrispondenza di inserzioni tra cataloghi, la previsione della domanda e la segnalazione di errori nei dati: attività troppo lente o incoerenti per essere gestite esclusivamente con regole manuali fisse. Anziché sostituire completamente le regole dei feed, l'apprendimento automatico in genere le affianca, gestendo i casi ambigui che una regola rigida non riuscirebbe a individuare o a gestire in modo errato.

Perché l'apprendimento automatico è importante per la gestione dei mangimi

I cataloghi con migliaia o milioni di SKU presentano inevitabilmente delle lacune: categorie mancanti, convenzioni di taglia incoerenti, attributi incompleti o titoli che non corrispondono a ciò che i clienti cercano effettivamente. Correggere manualmente questi problemi non è scalabile e le regole aziendali statiche coprono solo schemi per i quali qualcuno ha pensato di scrivere una regola. I modelli di machine learning addestrati su dati di catalogo e di vendita esistenti possono dedurre un attributo mancante da prodotti simili, prevedere a quale categoria appartiene un nuovo articolo o stimare le variazioni della domanda in base alla stagionalità e allo storico dei prezzi, colmando le lacune su una scala che la revisione manuale non potrebbe mai raggiungere. Questo ha un impatto diretto sul fatturato: gli attributi completati con la migliore stima di un modello devono comunque essere sufficientemente accurati per soddisfare i requisiti del canale e corrispondere all'intento di acquisto del cliente, altrimenti l'automazione si limita a sostituire un tipo di errore con un altro.

Come funziona l'apprendimento automatico nelle condotte di alimentazione

La maggior parte delle applicazioni di machine learning relative ai feed inizia con un modello addestrato, basato su dati storici di prodotto, risultati di vendita o elenchi di concorrenti acquisiti tramite crawling, che assegna un punteggio o prevede un valore per ogni articolo che attraversa la pipeline. Ciò potrebbe significare prevedere un tipo di prodotto mancante, stimare i prezzi ottimali o abbinare lo SKU di un venditore alla voce canonica del catalogo di un marketplace, un'attività strettamente correlata all'abbinamento ibrido , che spesso combina il punteggio del machine learning con la logica basata su regole per i casi in cui il modello è meno sicuro. Le stesse tecniche di base alimentano la previsione della domanda , dove i modelli addestrati su vendite storiche e stagionalità prevedono la domanda futura, e la normalizzazione , dove i modelli possono standardizzare valori di dimensioni, colore o unità incoerenti tra i fornitori molto più velocemente rispetto alle tabelle di mappatura manuali. Poiché l'output del modello è probabilistico piuttosto che certo, la maggior parte delle pipeline di produzione imposta soglie di confidenza, applicando automaticamente solo le previsioni superiori a un determinato punteggio e indirizzando i casi con minore confidenza alla revisione umana.

Esempio: Campi previsti tramite apprendimento automatico in un feed di prodotti

<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 &amp; Kitchen &gt; Coffee &amp; Tea &gt; Drip Coffee Makers</g:product_type>
  <g:google_product_category>Kitchen &amp; Dining &gt; 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>

Qui, product_type and google_product_category I dati sono stati compilati da un modello anziché manualmente, e il punteggio di affidabilità nell'etichetta personalizzata consente alle regole successive di decidere se la previsione è sufficientemente attendibile da poter essere pubblicata così com'è.

Concetti correlati

L'apprendimento automatico è alla base di diverse altre discipline di gestione dei feed, anziché esserne separato: è il motore di gran parte delle moderne previsioni della domanda, alimenta la parte automatizzata della normalizzazione quando i cataloghi necessitano di valori coerenti su larga scala ed è spesso combinato con la logica deterministica nella corrispondenza ibrida per conciliare le inserzioni provenienti da diverse fonti. I team che desiderano applicare queste tecniche ai propri cataloghi possono trovare una guida pratica in " Using AI for Smarter E-commerce Feed Management and Automation" , che illustra come l'automazione basata su modelli si integri con le regole tradizionali dei feed.