Automatisch classificeren met AI: producten in ETIM, ECLASS en GPC

Wat doet automatisch classificeren met AI in een PIM?

Automatisch classificeren met AI deelt elk product in bij een class in een taxonomie, op basis van naam, omschrijving en attributen. Die taxonomie kan intern zijn, een branchestandaard als ETIM of ECLASS, of de categorieboom van een kanaal. Het model doet een voorstel en een productdata-steward beslist.

In de volwassenheidstabel voor AI in PIM krijgt automatisch classificeren het oordeel productierijp met review. De doellijst is eindig, dus het model kiest uit bekende opties. De steward kan een voorstel in enkele seconden naast de definitie van de class leggen.

Classificatie weegt zwaarder dan de omvang van de taak doet vermoeden. In de meeste datamodellen bepaalt de class welke attributen een product nodig heeft en welke waarden zijn toegestaan. Een foute class koppelt het verkeerde attribuutsjabloon. Het product mist dan verplichte data, staat onder het verkeerde filter en valt door de validatie bij datapools en retailers.

Drie situaties maken de businesscase voor AI-classificatie het sterkst:

• Grote leveranciersassortimenten onboarden die zonder classificatie binnenkomen.
• Een branchestandaard als ETIM of ECLASS invoeren voor een bestaande catalogus.
• Eén interne taxonomie mappen op de categoriebomen van meerdere kanalen.

In alle drie de gevallen is het werk repetitief, liggen de opties vast en reviewt een specialist sneller dan hij zelf vanaf nul indeelt. Een illustratief voorbeeld: een installatiegroothandel in Utrecht die een nieuw leveranciersassortiment in ETIM moet onderbrengen.

In welke classificatiesystemen kan AI indelen?

AI kan indelen in elk classificatiesysteem met gedefinieerde classes, maar elk systeem heeft een eigen opbouw en eigen gebruikers. Bepaal vóór de test welke systemen je kanalen en klanten vragen.

De standaarden verschillen in diepgang. GS1 beschrijft GPC als een opbouw van segmenten tot bricks, met brick-attributen voor productdetails. Eén publicatie van GS1 meldde 1.636 bricks, 3.144 attributen en 25.081 waarden. ETIM-classes hebben kenmerken met vastgelegde waarden en eenheden. De pagina over ETIM legt dat model uit.

Categoriebomen van kanalen zijn een aparte taak. De productfeed van OpenAI accepteert bijvoorbeeld een categoriepad met niveaus die het teken > scheidt. Map je interne classes één keer op elke kanaalboom en laat het PIM die mapping bij export toepassen.

Hoe nauwkeurig is AI-classificatie en hoe meet je dat?

Meet AI-classificatie met top-1- en top-3-nauwkeurigheid per class, want een totaalcijfer verbergt de zwakke classes. Een model kan hoog scoren op een catalogus vol makkelijke classes en tegelijk falen op de technische classes die ertoe doen.

Verwarring met buurclasses is de fout om in de gaten te houden. Classes met vergelijkbare namen, zoals verschillende soorten kabelwartels of connectoren, trekken de meeste fouten aan. Die fouten glippen bovendien het makkelijkst door de review, omdat het voorstel aannemelijk oogt.

Een onthoudingsoptie helpt. Een model dat aangeeft een artikel niet met zekerheid te kunnen indelen, bespaart de reviewer een stellig fout antwoord. Vraag leveranciers of hun classificatie zich kan onthouden en het artikel dan naar handmatige verwerking stuurt.

Hoe richt je de reviewstap voor AI-classificatie in?

Het model stelt drie gerangschikte classes voor met betrouwbaarheidsscores, en een steward kiest er één. Zo combineer je de snelheid van AI met het oordeel van een specialist.

1. Het model geeft de drie beste classes terug met betrouwbaarheidsscores.
2. Artikelen boven een gekalibreerde drempel gaan naar bulkreview, gegroepeerd per voorgestelde class.
3. Artikelen onder de drempel gaan naar individuele review.
4. De steward kiest een class of markeert het artikel voor opheldering bij de leverancier.
5. Het PIM legt het voorstel, de keuze en de reviewer vast.

Groeperen per voorgestelde class versnelt de review. Een steward die 200 artikelen met hetzelfde classvoorstel doorloopt, ziet uitschieters sneller dan iemand die 200 gemengde artikelen bekijkt.

Correcties horen terug te stromen naar het model. Als stewards één voorstel steeds overrulen, wijst dat op een onduidelijke classdefinitie of een zwakte van het model. Vraag leveranciers of correcties latere voorstellen verbeteren, en hoe snel.

Classificatie voedt ook AI-attribuutextractie. Staat de class eenmaal vast, dan weet de extractie welke attributen ze moet zoeken. Classificeer dus eerst, extraheer daarna, en test beide in dezelfde ronde.

Wat gebeurt er als een classificatiestandaard een nieuwe versie uitbrengt?

Een nieuwe versie van een standaard start een herclassificatieproject, en AI kan dat terugbrengen tot een review van classmappings. ETIM 10.0 verscheen bijvoorbeeld in december 2024, en bedrijven op eerdere versies krijgen te maken met gewijzigde classes en kenmerken.

Handmatige herclassificatie raakt elk product. Een aanpak met AI werkt op het niveau van de class:

1. Het model stelt voor elke oude class een doelclass voor, op basis van de wijzigingsinformatie van de release en productvoorbeelden.
2. Een steward keurt de mapping één keer per oude class goed.
3. Het PIM past de mapping in bulk toe op alle producten in die class.
4. Het model markeert producten die niet in de gemapte class passen voor individuele review.
5. Nieuwe of gewijzigde kenmerken verschijnen als attribuutgaten in het volledigheidsrapport.

De reviewinspanning schaalt dan mee met het aantal gebruikte classes. Voor een catalogus met tienduizenden producten in een paar honderd classes scheelt dat enorm.

Versiebeheer hoort in je eisen. Vraag of het PIM tijdens de overgang twee versies van een standaard tegelijk kan vasthouden. Vraag ook of het de oudere versie naar klanten kan exporteren en bijhoudt welke producten al zijn gemigreerd. De pagina over datamodelontwerp behandelt geversioneerde classificaties.

Wat vraag je leveranciers over AI-classificatie?

Laat leveranciers een steekproef van je eigen producten indelen in je doelsystemen en top-1- en top-3-nauwkeurigheid per class rapporteren. Democlassificaties op schone voorbeelddata voorspellen weinig.

Neem deze eisen op:

• Classificatie in interne taxonomieën en in de branchestandaarden die je gebruikt, per versie.
• Drie beste voorstellen met betrouwbaarheidsscores en een onthoudingsoptie.
• Bulkreview gegroepeerd per voorgestelde class.
• Vastlegging van voorstel, keuze en reviewer per product.
• Ondersteuning van classmapping bij versie-upgrades van een standaard.
• Mapping van interne classes naar categoriebomen van kanalen.
• Prijs per ingedeeld artikel en per herclassificatierun.

Stel de testset zorgvuldig samen. Neem producten op uit elke grote class, een deel lastige gevallen uit naburige classes en enkele artikelen die in geen enkele class passen. Houd de antwoordsleutel achter. Het protocol van het AI Claims Lab bevat classificatie als een van vier taken op 200 producten van de koper en levert het scoreformulier.