Il machine learning è un insieme di tecniche statistiche che permettono a un software di apprendere schemi dai dati e fare previsioni senza essere programmato esplicitamente per ogni caso. Nella gestione dei feed viene applicato ad attività come prevedere attributi di prodotto mancanti, abbinare le inserzioni tra cataloghi, prevedere la domanda e segnalare errori nei dati: compiti troppo lenti o incoerenti da gestire solo con regole manuali fisse. Invece di sostituire del tutto le regole del feed, il machine learning in genere lavora al loro fianco, gestendo i casi ambigui che una regola rigida non coglierebbe o applicherebbe in modo errato.
Perché il machine learning è importante per la gestione dei feed
I cataloghi con migliaia o milioni di SKU hanno inevitabilmente delle lacune: categorie mancanti, convenzioni sulle taglie incoerenti, attributi incompleti o titoli che non corrispondono a ciò che gli acquirenti cercano davvero. Correggerle manualmente non è scalabile, e le regole di business statiche coprono solo gli schemi per cui qualcuno ha pensato di scrivere una regola. I modelli di machine learning addestrati sui 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 a stagionalità e storico dei prezzi, colmando lacune su una scala che la revisione manuale non potrebbe mai raggiungere. Questo incide direttamente sui ricavi: gli attributi compilati con la stima migliore di un modello devono comunque essere abbastanza accurati da soddisfare i requisiti dei canali e corrispondere all'intento dell'acquirente, altrimenti l'automazione sostituisce semplicemente un tipo di errore con un altro.
Come funziona il machine learning nelle pipeline dei feed
La maggior parte delle applicazioni di machine learning legate ai feed parte da un modello addestrato, costruito su dati storici di prodotto, risultati di vendita o inserzioni dei concorrenti raccolte tramite crawling, che assegna un punteggio o prevede un valore per ogni articolo che attraversa la pipeline. Può trattarsi di prevedere un tipo di prodotto mancante, stimare i prezzi ottimali o abbinare la SKU di un merchant alla voce di catalogo canonica di un marketplace, un compito strettamente legato all'hybrid matching, che spesso combina il punteggio del machine learning con logiche basate su regole per i casi in cui il modello è meno sicuro. Le stesse tecniche alimentano il demand forecasting, in cui modelli addestrati su vendite storiche e stagionalità prevedono la domanda futura, e la normalizzazione, in cui i modelli possono uniformare valori incoerenti di taglia, colore o unità tra fornitori molto più velocemente delle tabelle di mappatura manuali. Poiché l'output dei modelli è probabilistico e non certo, la maggior parte delle pipeline in produzione imposta soglie di confidenza: applica automaticamente solo le previsioni sopra un certo punteggio e indirizza i casi a confidenza più bassa alla revisione umana.
Esempio: campi previsti dal machine learning in un feed di prodotto
<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>Qui product_type e google_product_category sono stati compilati da un modello anziché inseriti manualmente, e il punteggio di confidenza nella custom label permette alle regole a valle di decidere se quella previsione è abbastanza affidabile da essere pubblicata così com'è.
Concetti correlati
Il machine learning è alla base di diverse altre discipline della gestione dei feed anziché esserne separato: è il motore di gran parte del demand forecasting moderno, alimenta la parte automatizzata della normalizzazione quando i cataloghi hanno bisogno di valori coerenti su larga scala, ed è spesso combinato con logiche deterministiche nell'hybrid matching per riconciliare le inserzioni provenienti da fonti diverse. I team che vogliono applicare queste tecniche ai propri cataloghi possono trovare una guida pratica in Using AI for Smarter E-commerce Feed Management and Automation, che spiega dove si colloca l'automazione basata sui modelli accanto alle tradizionali regole del feed.
