Агентный маппинг: делаем ваш каталог товаров доступным для ИИ
Учитывая, что 20% онлайн-покупок estimated to be transacted by AI agents by 2030 совершаются с помощью ИИ, 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 барьеры для брендов и ритейлеров, позволяя подготовить каталоги к агентной коммерции; инструмент доступен в commercetools AgenticLift и AI Hub.
Прочитайте это руководство, чтобы узнать, что такое агентный маппинг, какой способ маппинга атрибутов товаров является наиболее эффективным в больших масштабах 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 метаданных и атрибутов, необходимых для агентной коммерции.
Агентный маппинг важен, потому что товарные позиции 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 поиску и оформлению заказа. Агентный маппинг устраняет разрыв между вашей текущей структурой данных и требованиями LLM.
Как выглядят данные о товарах, готовые к агентной коммерции
ИИ-платформам для шопинга нужны структурированные, богатые и актуальные данные, чтобы превратить ваш товар в персонализированную рекомендацию. Вот что должны предоставить бренды:
- Актуальные данные о ценах, запасах и акциях.
- Согласованные атрибуты и правила именования, например, всегда «brand» вместо «manufacturer»; «Small» вместо «S».
- Контекстные описания, такие как повод, целевая аудитория или сценарии использования.
- Структурированные данные и разметка схемы.
Одним из важных требований для агентной коммерции являются обязательные атрибуты товаров. 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, например URL-адреса вашей 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, рейтинг, стоимость доставки и правила 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 между PIM, платформой электронной коммерции, ERP, DAM и другими системами. Даже если данные полные, это не означает, что они готовы к работе с агентами. Чтобы выполнить маппинг данных вручную, бренду потребовалось 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 достоверных данных для каждого атрибута.
- Устранить несоответствия в именовании, форматах, значениях и структурах вариантов.
- Выявить отсутствующие обязательные поля и определить способы их заполнения.
- Создать логику преобразования для приведения существующего каталога к требуемой структуре.
- Создать новую схему товаров на платформе электронной коммерции.
- Преобразовать и импортировать каталог.
- Повторять это упражнение по мере изменения требований ИИ-платформ или добавления ритейлером новых каналов.
Это упражнение особенно сложно выполнять в больших масштабах. Ритейлер со 100 000 товаров не просто выполняет маппинг 100 000 записей — он может работать с сотнями тысяч или миллионами вариантов и атрибутов. Это преобразование 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 помощник на базе ИИ, который избавляет от догадок и ручной работы 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 правок. Вот как это работает.
Вместо полного ручного аудита вы начинаете с репрезентативного экспорта 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 предлагает структуру данных для выбранных вами агентных каналов, разделенную на три категории:
- 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 товарных фидах. 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, какому существующему полю следует отдать 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, для которого нет 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 агентных каналов для синхронизации продуктов с соответствующими платформами ИИ.
Почему агентное сопоставление продуктов необходимо для ритейлеров
Поскольку потребители ежедневно отправляют миллиарды запросов к ИИ, ритейлерам необходимо агентное сопоставление, чтобы их продукты оставались актуальными и заметными в онлайн-поиске. Но помимо охвата клиентов, агентное сопоставление помогает справиться с растущей операционной задачей.
Хотя агентное 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 и теперь со многими каналами, каждый из которых требует своих собственных стандартов. Брендам нужен план для преобразования этих сложных, несогласованных моделей продуктов в структуры, которые могут понять ИИ-каналы.
Моделирование данных о продуктах с помощью гибкой headless-платформы, такой как commercetools, позволяет брендам создать единый источник достоверной информации и структурировать свой каталог продуктов для различных каналов.
Как начать работу со Smart Data Modeler от commercetools
Агентное сопоставление с помощью Smart Data Modeler доступно всем клиентам AI Hub и AgenticLift на платформе commercetools:
- AI Hub позволяет брендам продавать товары через ИИ-каналы и управлять логикой обнаружения и транзакций в одном месте.
- AgenticLift позволяет брендам преобразовывать данные о своих продуктах для агентной коммерции без смены платформы.
На данный момент клиентам необходимо отправить запрос в службу поддержки, указав свой ключ проекта (Project Key), чтобы активировать Smart Data Modeler.
После активации бренды могут получить к нему доступ, перейдя по пути: Merchant Center → Settings → Product types and attributes → Add product type → choose Agentic channels → Continue to Smart Data Modeler.
Хотите узнать больше? Запросите демоверсию AI Hub или AgenticLift.
