Агентный маппинг: как сделать ваш каталог товаров доступным для ИИ

По прогнозам, к 2030 году 20% онлайн-покупок будут совершаться с помощью ИИ-агентов, поэтому бренды не могут позволить себе игнорировать агентную коммерцию. Главный вопрос, который волнует каждую розничную компанию: как сделать свои товары доступными для ИИ?

Агентная коммерция зависит от качества данных о товарах, а агентный маппинг — это процесс, который делает эти данные понятными для поиска и оформления заказа с помощью ИИ.

Чтобы рекомендовать товар, ИИ-платформам нужна четкая, структурированная информация, актуальный поток данных и специфические атрибуты товаров. Безусловно, это критически важный шаг для подготовки вашего каталога к агентным продажам. Однако до недавнего времени маппинг существующего каталога товаров для агентных каналов в больших масштабах был огромной задачей.

Теперь это не так. Smart Data Modeler снижает барьер для брендов и ритейлеров, позволяя подготовить каталоги к работе с агентами; инструмент доступен в commercetools AgenticLift и AI Hub.

Прочитайте это руководство, чтобы узнать, что такое агентный маппинг, как лучше всего сопоставлять атрибуты товаров в масштабе и как бренды могут подготовить свой каталог товаров к агентной коммерции с помощью Smart Data Modeler.

Что такое агентный маппинг товаров?

Агентный маппинг товаров, или просто агентный маппинг, — это процесс стандартизации данных о товарах бренда с использованием необходимых метаданных и атрибутов для агентной коммерции.

Агентный маппинг важен, потому что списки товаров с отсутствующими или неправильно названными атрибутами не просто будут ранжироваться ниже — они вообще не будут рекомендоваться. Товары, которые не соответствуют стандартам агентной коммерции, фактически невидимы для ИИ-платформ для шопинга.

Многие бренды уже знакомы с маппингом товаров для традиционных каналов, таких как Google Shopping, или маркетплейсов, таких как Amazon. У ИИ-платформ есть свои собственные схемы, обязательные атрибуты, правила именования и требования к доступности товаров и оформлению заказа. Агентный маппинг устраняет разрыв между вашей текущей структурой данных и требованиями LLM.

Как выглядят данные о товарах, готовые к работе с агентами

ИИ-платформам для шопинга нужны структурированные, богатые и актуальные данные, чтобы превратить ваш товар в персонализированную рекомендацию. Вот что должны предоставить бренды:

Актуальные потоки данных о ценах, запасах и акциях.

Согласованные атрибуты и правила именования, например, всегда «brand» вместо «manufacturer»; «Small» вместо «S».

Описания, ориентированные на контекст, такие как повод, целевая аудитория или варианты использования.

Структурированные данные и разметка схемы.

Одним из важных требований для агентной коммерции являются обязательные атрибуты товара. Протокол агентной коммерции (ACP) от OpenAI требует наличия определенных полей для каждого товара, включая item_id, title, description, image_url и brand. Многие атрибуты необходимы для поиска, в то время как другие, такие как URL-адреса политики конфиденциальности и политики возврата, нужны для оформления заказа. Любые отсутствующие поля приведут к ошибке валидации — ваш товар не будет рекомендован или доступен для покупки.

Другие атрибуты настоятельно рекомендуются, например, размер, цвет, возрастная группа, габариты, звездный рейтинг, стоимость доставки и политика возврата. Они помогают ИИ-чат-ботам понять ваш товар, чтобы они могли рекомендовать его заинтересованным покупателям.

Как выполнять маппинг данных о товарах для агентной коммерции

У ритейлера могут быть тысячи или миллионы товаров, данные о которых распределены по PIM, платформе электронной коммерции, ERP, DAM и другим системам. Даже если данные богаты, это не означает, что они готовы к работе с агентами. Чтобы выполнить маппинг данных вручную, бренду пришлось бы:

Провести инвентаризацию существующего каталога в PIM, платформе электронной коммерции и других системах.

Изучить спецификации целевой ИИ-платформы и создать соответствие между этими требованиями и существующими полями товаров.

Определить источник истины для каждого атрибута.

Устранить несоответствия в именовании, форматах, значениях и структурах вариантов.

Выявить отсутствующие обязательные поля и определить, как их заполнить.

Создать логику трансформации для преобразования существующего каталога в требуемую структуру.

Создать новую схему товаров на платформе электронной коммерции.

Выполнить трансформацию и импорт каталога.

Повторять это упражнение каждый раз, когда ИИ-платформы меняют свои требования или ритейлер добавляет новый канал.

Это упражнение особенно сложно выполнять в масштабе. Ритейлер со 100 000 товаров не просто выполняет маппинг 100 000 записей — он может работать с сотнями тысяч или миллионами вариантов и атрибутов. Эта трансформация не является разовым решением. Ритейлерам нужна модель данных, которая может адаптироваться к традиционным и ИИ-каналам без необходимости перестраивать каталог для каждого из них.

Вместо того чтобы предлагать ручное решение для ИИ-задачи, мы решили создать решение на базе ИИ для борьбы с этой проблемой.

Как моделировать данные о товарах с помощью Smart Data Modeler

Smart Data Modeler от commercetools — это ИИ-помощник, который устраняет необходимость в догадках и ручной работе при моделировании данных о товарах. Инструмент анализирует существующий каталог бренда, мгновенно определяет структуру, атрибуты и шаблоны вариантов, а затем обновляет их в системе с учетом ваших вводных данных. Вот как это работает.

Вместо полного ручного аудита вы начинаете с репрезентативной выгрузки из вашей существующей системы (в формате csv, xlsx, xls или json). Цель этого шага — предоставить Smart Data Modeler достаточно данных для понимания вашей текущей структуры.

Перед загрузкой проверьте важные основы, такие как бренд, состояние, GTIN, ссылка на изображение и описание, а также убедитесь, что варианты товаров имеют правильную логику группировки. Инструмент предложит вам выбрать целевые агентные каналы: OpenAI, Stripe Agentic Commerce Suite или оба.

Smart Data Modeler анализирует образец и генерирует предлагаемую структуру данных для выбранных вами агентных каналов в трех категориях:

Атрибуты, сопоставленные с полями, готовыми к работе с платформой: Smart Data Modeler показывает характеристики из вашего файла, сопоставленные с соответствующим атрибутом платформы, с указанием типа атрибута, уровня (товар или вариант) и любых необходимых действий (например, утвердить, переименовать).

Атрибуты, не нужные в commercetools: поля из вашего каталога, которые ИИ-платформы для шопинга не могут отображать в фидах товаров. Вы можете добавить их позже, если расширитесь до неагентных каналов.

Уже определенные поля в commercetools: Smart Data Modeler распознает нативные поля товаров commercetools, такие как SKU, название, описание, изображения, категории, slug и ключ, избегая дублирования работы.

Человек по-прежнему играет важную роль: проверка сопоставленных полей и разрешение или утверждение исключений.

Smart Data Modeler помечает ситуации, когда:

Несколько полей каталога могут соответствовать одному атрибуту платформы.

Отсутствует обязательный атрибут платформы.

Необходимо принять решение о том, какое существующее поле должно иметь приоритет.

Может потребоваться применение значения по умолчанию.

Например, если у ритейлера есть «Цвет товара», «Основной цвет» и «Цвет для отображения», Smart Data Modeler может определить, что они потенциально соответствуют одному и тому же целевому атрибуту. Затем ритейлер может решить, объединить ли их, отдать приоритет одному источнику или использовать одно поле.

Если обнаружено отсутствие значения без соответствия в вашей системе, вы можете добавить значение по умолчанию, которое будет применяться ко всем товарам.

Как только вы утвердите сопоставление, Smart Data Modeler сможет создать тип продукта и атрибуты, а также преобразовать каталог товаров в новую модель данных непосредственно в commercetools — без необходимости экспорта и импорта.

Если вы хотите выполнить преобразование данных за пределами commercetools, вы можете загрузить полученный JSON-файл и импортировать его через HTTP API commercetools или создать схему атрибутов в качестве шаблона.

После завершения преобразования продуктов вы можете продолжить настройку своих агентских каналов для синхронизации товаров с соответствующими AI-платформами.

Почему агентское сопоставление продуктов необходимо для ритейлеров

Поскольку потребители ежедневно отправляют миллиарды AI-запросов, ритейлерам необходимо агентское сопоставление, чтобы поддерживать актуальность и видимость своих товаров в онлайн-поиске. Но помимо охвата клиентов, агентское сопоставление помогает решать растущую операционную задачу.

Хотя агентское сопоставление может показаться техническим пунктом в списке задач, оно является частью чего-то гораздо большего: стратегии работы с данными о продуктах. Ритейлеры сталкиваются с сотнями тысяч вариантов, множеством внешних источников данных, а теперь и со множеством каналов, каждый из которых требует своих собственных стандартов. Брендам нужна дорожная карта для преобразования этих сложных и противоречивых моделей продуктов в структуры, понятные AI-каналам.

Моделирование данных о продуктах с помощью гибкой headless-платформы, такой как commercetools, позволяет брендам создать единый источник достоверной информации и структурировать каталог товаров для различных каналов.

Как начать работу со Smart Data Modeler от commercetools

Агентское сопоставление с помощью Smart Data Modeler доступно всем клиентам AI Hub и AgenticLift на платформе commercetools:

AI Hub позволяет брендам продавать товары через AI-каналы и управлять логикой поиска и транзакций в одном месте.

AgenticLift позволяет брендам преобразовывать данные о своих продуктах для агентской коммерции без смены платформы.

На данный момент клиентам необходимо отправить запрос в службу поддержки, указав свой Project Key, чтобы активировать Smart Data Modeler.

После активации бренды могут получить к нему доступ, перейдя в: Merchant Center → Settings → Product types and attributes → Add product type → выберите Agentic channels → Continue to Smart Data Modeler.

Хотите узнать больше? Запросите демоверсию AI Hub или AgenticLift.