Productdata en generatieve AI: een vruchtbare combinatie

Kwalitatief hoogstaande productdata zijn essentieel voor een gezonde bedrijfsvoering, maar het kost veel werk om deze data goed te krijgen. Generatieve AI kan helpen productdata te verbeteren en uit te breiden – mits het goed wordt aangepakt.

Of je een product wel of niet vindt, koopt en na ontvangst wel of niet retourneert, is grotendeels afhankelijk van de kwaliteit van de productdata. Die moeten accuraat, volledig en duidelijk zijn om je klanten tijdens het koopproces goed te informeren en vervolgens ook de logistiek soepel te laten verlopen. Het leveren van verkeerde producten schaadt het imago en resulteert in negatieve recensies.

Voor het verzamelen, beheren en verrijken van productdata is een PIM-systeem (Product Information Management) de oplossing. Het kernidee is dat er één waarheid voor alle productdata is. Met PIM kun je productdata centraal optimaliseren, maar het creëren en vertalen van productomschrijvingen is vaak een vervelende, tijdsintensieve taak. Met de komst van generatieve AI voerden we gesprekken met onze klanten om te horen welke problemen met het beheren van productdata het meest voorkomen. Samen werkten we de mogelijkheden en noden van generatieve AI in PIM-systemen uit.

Logische fouten in de data

Een banaan kan geen meter lang zijn en een fiets past niet in een kleine verzenddoos. Dit zijn logische fouten die een mens direct ziet wanneer hij of zij ernaar kijkt. De crux is dat in veel PIM-systemen deze fouten niet met standaard checks worden gevonden: je moet ze echt tegenkomen in de vaak duizenden productrecords. Dit probleem werd het meest genoemd door onze klanten, ongeacht de markt.

Generatieve AI kan de velden en omschrijvingen verwerken en signaleren bij welke artikelen er iets niet lijkt te kloppen, zoals verkeerde afmetingen of inconsistenties. Een medewerker kan die meldingen vervolgens nalopen en verbeteringen aanbrengen.

Vertalingen maken én de context veranderen

Het volautomatisch vertalen van productdata bestaat al geruime tijd, bijvoorbeeld met een clouddienst zoals Google’s Cloud Translation AI of Deepl Translate API. Daarmee kun je snel je productaanbod toegankelijk maken in andere talen. De kracht van generatieve AI is dat je veel meer kunt doen door ook de context te veranderen:

• Leesniveau – Vertaal én schrijf voor leesniveau B1, zodat het beter leesbaarder wordt. Vervang moeilijke woorden met synoniemen en gewone taal.
• Lengte – Schrijf de tekst heel sec (droog) zodat de omschrijving in dit veld past, of maak deze juist langer.
• Stijl – Maak de tekst minder droog, of herschrijf deze in je eigen onderscheidende tone of voice.
• Taalvariant – Pas de tekst aan voor de Vlaamse markt (“dagdagelijks”) of de Nederlandse markt (“alledaags”/”dagelijks”).
• Thematisch – Laat de tekst inspelen op het thema (zoals “Kerst”), bijvoorbeeld met de toevoeging dat het een leuk kerstcadeau kan zijn.

Je kunt een generatieve AI alles vragen. De kwaliteit van de output is echter sterk afhankelijk van hoe de input-vragen zijn geformuleerd. De output is slechts zo goed als je vraag.

Het vullen van lege velden en beschrijvingen

Het aanleveren van gedetailleerde, volledige productinformatie in een marktconform bestandsformaat is nog lang niet in elke branche de standaard. Essentiële velden zijn bijvoorbeeld niet ingevuld of de beschrijving is bijzonder summier. Daar knappe productdata van maken kost tijd en aandacht: een klant van ons geeft aan dat bij hen één persoon per dag tussen de twintig en veertig volledige omschrijvingen schrijft.

Ook op dit gebied kun je generatieve AI inzetten door op basis van de beschrijving velden te vullen, en vice versa. Vervolgens hoef je alleen deze gegevens nog maar na te kijken, waardoor de productiviteit en de creativiteit omhoog schieten. Interessant is dat je ook afbeeldingen als input kunt gebruiken: schrijf omschrijvingen of maak nieuwe productrecords aan op basis van deze afbeeldingen. Door je vraag slim te formuleren – zoals bijvoorbeeld door het meegeven van de acht mogelijke kleuren – kun je al vrij snel een aantal velden automatisch laten vullen. Wanneer dit gaat om honderden of duizenden producten, dan maakt ieder veld dat je zo kunt vullen een merkbaar verschil.

Generatieve AI zoals ChatGPT of Gemini hebben toegang tot het volledige internet en dus ook kennis van alle standaarden, zoals ETIM en 2BA. Daardoor kun je producten classificeren en velden invullen op basis van deze standaarden, zonder grote aanpassingen of extra training.

Productdata toegankelijk maken met een chatbot

Een veelgehoord idee is om productdata toegankelijk te maken met een chatbot, bijvoorbeeld om klanten inspiratie te kunnen geven. Het probleem daarmee is dat er geen menselijk filter meer tussen zit dat voorkomt dat er foutieve informatie wordt gegeven. Een vrij interpreteerbare vraag, zoals bijvoorbeeld: “Welke jas past bij een bruiloft?”, kan een vreemd antwoord opleveren dat niet aansluit bij de klantverwachting. Of je had misschien liever gewezen op de promoties of juist een product met meer marge. Als merk of aanbieder verlies je dan de regie.

Zet je een chatbot echter in voor je eigen medewerkers met bijbehorende training, dan geef je hen een praktische tool waarmee ze klanten beter kunnen helpen. Ze kunnen doorvragen, verifiëren welke richting de klant al denkt en dan vervolgens de chatbot gericht aan het werk zetten.

Minder fouten, minder werk

Iedereen die met ChatGPT heeft gespeeld weet dat generatieve AI allesbehalve feilloos is: de disclaimer is er met goede reden. De output zul je dus voorlopig goed moeten controleren. Dat is echter fors minder werk dan alles helemaal handmatig te moeten opsporen en invullen. De inzet van je beschikbare mankracht kun je vervolgens verschuiven naar het verbeteren van fouten en het maken van overwegingen, of inzetten voor andere belangrijke taken. Op termijn, wanneer de generatieve AI goed is afgestemd op de vereisten van je bedrijf, kun je geleidelijk aan de controle verminderen.

Door de prompts steeds beter te formuleren en dankzij het zelflerend vermogen van generatieve AI, zal de foutmarge van de output op den duur verbeteren. Het combineren van generatieve AI met mensen is een geleidelijk leerproces. De uitdaging daarbij is om scherp te zijn op de inrichting van die combinatie en om generatieve AI niet te zien als een ‘zwarte doos’ waar automatisch van alles uitrolt: het is een bijzonder handig hulpmiddel met voor- en nadelen dat je moet leren effectief in te zetten.

Over de auteur: Korneel Coenen is Application consultant PIM bij SQLI Digital Experience.