Machine learning is een verzameling statistische technieken waarmee software patronen uit data kan leren en voorspellingen kan doen zonder dat dit expliciet voor elk geval geprogrammeerd hoeft te worden. In feedmanagement wordt het toegepast op taken zoals het voorspellen van ontbrekende productkenmerken, het matchen van aanbiedingen in verschillende catalogi, het voorspellen van de vraag en het signaleren van datafouten – taken die te traag of inconsistent zijn om met alleen vaste handmatige regels af te handelen. In plaats van feedregels volledig te vervangen, werkt machine learning er doorgaans mee samen en behandelt het de ambigue gevallen die een rigide regel zou missen of verkeerd zou interpreteren.

Waarom machine learning belangrijk is voor voerbeheer

Catalogi met duizenden of miljoenen SKU's bevatten onvermijdelijk hiaten: ontbrekende categorieën, inconsistente maattabellen, onvolledige attributen of titels die niet overeenkomen met wat klanten daadwerkelijk zoeken. Het handmatig corrigeren hiervan is niet schaalbaar en statische bedrijfsregels dekken alleen patronen waarvoor iemand een regel heeft bedacht. Machine learning-modellen die getraind zijn op bestaande catalogus- en verkoopgegevens kunnen een ontbrekend attribuut afleiden uit vergelijkbare producten, voorspellen tot welke categorie een nieuw artikel behoort of vraagverschuivingen inschatten op basis van seizoensinvloeden en prijsgeschiedenis – waardoor hiaten op een schaal worden gedicht die met handmatige controle nooit mogelijk is. Dit is direct van belang voor de omzet: attributen die worden ingevuld met de beste schatting van een model moeten nog steeds nauwkeurig genoeg zijn om te voldoen aan de kanaalvereisten en aan te sluiten bij de intentie van de klant, anders vervangt de automatisering de ene fout door de andere.

Hoe machine learning werkt in feedpipelines

De meeste machine learning-toepassingen voor productfeeds beginnen met een getraind model – gebouwd op historische productgegevens, verkoopresultaten of verzamelde gegevens van concurrenten – dat een score toekent of een waarde voorspelt voor elk item dat door de pipeline gaat. Dit kan betekenen dat een ontbrekend producttype wordt voorspeld, optimale prijsniveaus worden geschat of dat de SKU van een verkoper wordt vergeleken met de canonieke catalogusvermelding van een marktplaats. Deze laatste taak is nauw verwant aan hybride matching , waarbij vaak machine learning-scores worden gecombineerd met op regels gebaseerde logica voor gevallen waarin het model minder zeker is. Dezelfde onderliggende technieken worden gebruikt voor vraagvoorspelling , waarbij modellen die zijn getraind op historische verkoopcijfers en seizoensinvloeden de toekomstige vraag voorspellen, en voor normalisatie , waarbij modellen inconsistente maten, kleuren of eenheden van verschillende leveranciers veel sneller kunnen standaardiseren dan handmatige mappingtabellen. Omdat de output van het model probabilistisch is in plaats van zeker, hanteren de meeste productiepipelines betrouwbaarheidsdrempels – voorspellingen boven een bepaalde score worden alleen automatisch toegepast en gevallen met een lagere betrouwbaarheid worden doorgestuurd naar een menselijke beoordeling.

Voorbeeld: Door machine learning voorspelde velden in een productfeed

<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>

Hier product_type en google_product_category De gegevens werden ingevuld door een model in plaats van handmatig ingevoerd, en de betrouwbaarheidsscore in het aangepaste label laat vervolgregels bepalen of die voorspelling betrouwbaar genoeg is om ongewijzigd te publiceren.

Verwante concepten

Machine learning vormt de basis van diverse andere disciplines binnen feedmanagement, in plaats van er los van te staan: het is de motor achter veel moderne vraagvoorspellingen, het stuurt de geautomatiseerde kant van normalisatie aan wanneer catalogi op grote schaal consistente waarden nodig hebben, en het wordt vaak gecombineerd met deterministische logica in hybride matching om vermeldingen uit verschillende bronnen te synchroniseren. Teams die deze technieken willen toepassen op hun eigen catalogi, kunnen een praktische handleiding vinden in Using AI for Smarter E-commerce Feed Management and Automation , waarin wordt uitgelegd hoe modelgestuurde automatisering past naast traditionele feedregels.