Návod
Produktové atributy: jak je extrahovat, normalizovat a mapovat
Čisté produktové atributy jsou to, co zajišťuje fungování filtrů, srovnání, feedů a návrhů dokumentů o shodě. Tento návod pokrývá schéma, extrakci, pravidla pro jednotky a slovníky a mapování na taxonomie, které mění nepořádek v hodnotách od dodavatelů na konzistentní data.
Každý dodavatel popisuje totéž jinak. Jeden technický list uvádí „Kapacita: 1,5 l“, jiný „1500 ml“, třetí skrývá „obsah 1.5 litru“ v odstavci. Pro nakupujícího je to jeden fakt; pro filtr nebo feed jsou to tři nesouvisející řetězce. Normalizace produktových atributů tyto odchylky převede na jednu hodnotu, v jedné jednotce, pod jedním názvem atributu.
Tento návod sleduje pořadí, v jakém se práce v praxi odehrává: schéma, extrakce, normalizace čísel a textu, mapování na taxonomie, varianty a validace. Příklady používají skutečné kódy jednotek a struktury taxonomií, takže je můžete přímo upravit pro sebe.
Co jsou produktové atributy (a co nejsou)
Produktový atribut je pojmenovaná vlastnost s hodnotou: materiál = nerezová ocel, kapacita = 1.5 L, barva = černá. Výzkum extrakce atributů je nazývá dvojicemi atribut–hodnota. Atributy popisují samotný výrobek a platí všude, kde se prodává, proto patří do strukturovaných polí, nikoli jen do souvislého textu popisu.
Tři sousední pojmy se snadno zaměňují s atributy a jejich směšování způsobuje později většinu problémů se schématem:
| Pojem | Účel | Příklad | Typické umístění |
|---|---|---|---|
| Atribut | Popisuje vlastnost výrobku | Materiál: nerezová ocel; Kapacita: 1.5 L | Tabulka specifikací, filtry, pole kategorie |
| Identifikátor | Jednoznačně pojmenovává výrobek nebo obchodní jednotku | GTIN, MPN, SKU, číslo modelu | Vyhrazená pole pro identifikátory |
| Možnost varianty | Atribut, mezi nímž si kupující vybírá | Barva: černá / bílá; Velikost: S / M / L | Osy variant (Shopify povoluje až 3 možnosti) |
| Popis | Souvislým textem vysvětluje přínosy a použití | „Uvaří plnou konvici za pár minut“ | Popis a odrážky |
Schéma atributů definujte dřív, než cokoli extrahujete
Schéma atributů je smlouva, kterou musí každá hodnota splnit. Bez něj extrakce vytváří to, co zdroj náhodou říká, a normalizace se mění v hádání. U každého atributu určete název, datový typ, kanonickou jednotku, povolené hodnoty nebo validační pravidlo, zda může obsahovat více hodnot a kde je povinný.
Schéma veďte pro každou produktovou rodinu, ne jako jeden obří seznam: konvice potřebuje kapacitu a jmenovitý výkon, tričko složení vláken a velikost. Začněte atributy, které vyžadují vaše kanály a podle kterých vaši nakupující filtrují, a poté přidejte technické atributy, které vaše technické listy spolehlivě poskytují.
| Atribut | Datový typ | Jednotka / formát | Povolené hodnoty nebo pravidlo | Povinný |
|---|---|---|---|---|
| model_number | Text | — | Tak, jak jej uvádí výrobce; bez přidaných mezer | Ano |
| gtin | Text (číslice) | 8, 12, 13 nebo 14 číslic | Platná kontrolní číslice GS1 | Pokud byl přidělen |
| capacity | Desetinné číslo | LTR (litr) | 0.1 až 5.0; jedna hodnota na variantu | Ano |
| rated_power_min / rated_power_max | Celé číslo | WTT (watt) | min ≤ max; obě ze stejného řádku s parametry | Ano |
| body_material | Výčet (více hodnot) | — | nerezová ocel, sklo, plast, keramika | Ano |
| color | Výčet | — | Seznam základních barev; marketingový název se ukládá zvlášť | Ano, pro každou variantu |
| net_weight | Desetinné číslo | KGM (kilogram) | > 0; nesmí překročit hrubou hmotnost | Pro přepravu |
Odkud hodnoty atributů pocházejí a který zdroj má přednost
Hodnoty obvykle přicházejí z několika zdrojů, které se nemusí shodovat. Nastavte pro každý atribut prioritu zdrojů, aby se konflikty řešily konzistentně, a ne podle toho, kdo záznam upravil jako poslední.
Praktické výchozí pravidlo: technické dokumenty mají přednost před marketingovým textem a konkrétní dokument před obecným. Když se rovnocenné zdroje rozcházejí — například technický list a obal uvádějí různé hmotnosti — neprůměrujte ani jednu nevybírejte; zeptejte se dodavatele, která je aktuální.
- Technické listy a specifikace: nejspolehlivější zdroj rozměrů, jmenovitých hodnot, materiálů a výkonnostních hodnot, obvykle v tabulkách.
- Obaly a grafika štítků: směrodatné pro to, co je vytištěno na obalu, například čisté množství, varování a označení.
- Bezpečnostní listy: klasifikace nebezpečnosti, složení a fyzikální vlastnosti chemických výrobků; nejde o marketingové atributy.
- Popisy výrobků od dodavatelů: užitečné pro atributy, které se v tabulce nikdy neobjeví (styl, zamýšlené použití, kompatibilní modely), ale nejméně přesné.
Jak extrahovat atributy z popisů produktů
Volný text popisů je nejobtížnějším zdrojem, protože hodnoty jsou zabaleny do vět, doplněny marketingovým jazykem a někdy negovány. Ať použijete pravidla, slovník známých hodnot nebo jazykový model, postup, který udrží výstup důvěryhodný, je stejný:
- Dříve než přečtete jakýkoli text, sepište cílové atributy pro produktovou rodinu s jejich povolenými hodnotami a jednotkami.
- Rozdělte text na věty a odrážky a najděte kandidátní hodnoty: čísla s jednotkami, známé výrazy ze slovníku a vzory jako „kompatibilní s …“.
- U každého kandidáta zkontrolujte kontext z hlediska kvalifikátorů („až“, „přibl.“, „od“), negací („bez BPA“, „nevhodné pro“) a podmínek („s víkem“, „při 20 °C“).
- Každou hodnotu přiřaďte právě jednomu atributu; pokud číslo může patřit ke dvěma atributům, ponechte je nepřiřazené ke kontrole, místo abyste hádali.
- Hodnotu a jednotku normalizujte podle pravidel v následujících částech a původní text ponechte vedle ní.
- Označte každý atribut, který pochází jen z marketingového textu, aby jej kontrolující mohl potvrdit podle technického listu, než se použije v tabulce specifikací nebo v návrhu prohlášení.
| Text v popisu | Atribut | Extrahovaná hodnota | Poznámka |
|---|---|---|---|
| „…nerezová konvice o objemu 1,7 litru…“ | capacity; body_material | 1.7 LTR; nerezová ocel | Dva atributy v jedné frázi |
| „…s plastovým víkem bez BPA…“ | lid_material; bpa_free | plast; true | Negace se změní na logickou hodnotu, nikoli na materiál |
| „…není vhodná pro indukční desky…“ | induction_compatible | false | Záporné tvrzení převráceno |
| „…k dispozici v matné černé a krémové…“ | color (možnost varianty) | černá; béžová | Marketingové názvy se ukládají zvlášť |
Mapování záhlaví technických listů na kanonické názvy atributů
Každý výrobce označuje stejný atribut jinak, často ve svém jazyce. Vytvořte tabulku synonym, která mapuje text záhlaví, s nímž se skutečně setkáte, na váš kanonický název atributu; zpočátku rychle roste, pak se ustálí a stane se vaším nejvíce znovupoužitelným normalizačním aktivem. Zaznamenejte také jednotku uvedenou v záhlaví: pod „Hmotnost (lbs)“ ji žádná buňka neopakuje. Rozvržení tabulek, skeny a OCR jsou popsány v návodu k extrakci produktových dat z PDF.
| Záhlaví tak, jak je vytištěno | Kanonický atribut | Jednotka vyplývající ze záhlaví | Poznámka |
|---|---|---|---|
| Jmenovitý výkon / Příkon / Leistung | rated_power | WTT | Ověřte, že jde o příkon, nikoli o výstupní výkon |
| Čistá hmotnost / Hmotnost (jednotka) / Nettogewicht | net_weight | KGM nebo LBR, podle vytištěného údaje | Nejde o přepravní hmotnost |
| Kapacita / Objem / Fassungsvermögen | capacity | LTR nebo MLT | U nádob, nikoli objem balení |
| Rozměry (Š × H × V) mm | width, depth, height | MMT | Pořadí os převzaté ze záhlaví |
Normalizace čísel a jednotek
Každý kvantitativní atribut ukládejte jako dvě pole: číslo a kód jednotky. Doporučení UN/CEFACT č. 20 („Codes for Units of Measure Used in International Trade“) poskytuje pro tento účel třímístné běžné kódy a schema.org používá stejné kódy ve vlastnosti unitCode, například QuantitativeValue o hodnotě 25 s unitCode CMT. Použití těchto kódů místo volného textu jednotek („cm“, „cms“, „centimetrů“) odstraní celou třídu nesrovnalostí.
Pro každý atribut zvolte jednu kanonickou jednotku, obvykle jednotku SI nebo její desítkový násobek, a při importu převádějte, aby se hodnoty od různých dodavatelů správně porovnávaly. Pro dohledatelnost ponechte původní hodnotu a jednotku tak, jak byly uvedeny, a při exportu převádějte zpět na jednotky kanálu: produktové CSV Shopify očekává hmotnost v gramech, zatímco WooCommerce používá jednotky hmotnosti a rozměrů nastavené v obchodě.
Sledujte detaily, které způsobují tiché chyby. Desetinné oddělovače a oddělovače tisíců závisí na jazykové lokalitě dokumentu: v německém technickém listu je „1.000 W“ tisíc wattů. Rozsahy rozdělte na pole minima a maxima, tolerance ukládejte odděleně od jmenovité hodnoty a kvalifikátory jako „přibl.“ nebo „max.“ ponechte ve vlastním poli. Převody imperiálních jednotek používají přesné definice (1 palec = 25.4 mm; 1 lb = 0.45359237 kg); zaokrouhlujte jednou, při zobrazení.
| Nezpracovaná hodnota tak, jak je vytištěna | Normalizovaná hodnota | Kód UNECE Rec 20 | Použité pravidlo |
|---|---|---|---|
| 1,5 l | 1.5 | LTR | Desetinná čárka přečtena podle jazykové lokality dokumentu |
| 1500 ml | 1.5 | LTR | Převedeno na kanonickou jednotku atributu; originál zachován |
| 1.000 W (německý technický list) | 1000 | WTT | Tečka přečtena jako oddělovač tisíců |
| 220–240 V~ | min 220, max 240 | VLT | Rozsah rozdělen; „~“ uloženo jako druh proudu AC |
| Ø 12 mm ± 0,2 | jmenovitá 12, tolerance 0.2 | MMT | Tolerance uložena zvlášť |
| přibl. 2.3 kg | 2.3 (kvalifikátor: přibližně) | KGM | Kvalifikátor zachován, nikoli vypuštěn |
| 5 lb | 2.26796 | KGM | Převedeno koeficientem 0.45359237; originál LBR zachován |
| 1/2 in | 12.7 | MMT | Zlomek vyčíslen; originál INH zachován |
| Balení po 6 | 6 | H87 | Počet kusů v balení |
Pro textové atributy používejte řízené slovníky
Řízený slovník je seznam hodnot, kterých může textový atribut nabývat, spolu se synonymy, která se na každou z nich mapují. Díky němu filtr „Barva: černá“ zachytí i výrobky popsané jako „blk“, „Black“ a „schwarz“.
Tam, kde marketing a filtrování táhnou různými směry, vedete dvě pole: normalizovanou základní hodnotu pro filtry a feedy a vlastní název výrobce pro zobrazení. „Midnight Graphite“ je dobrý detail na stránce produktu a k ničemu jako hodnota filtru; „šedá“ je opak. U vícejazyčných katalogů ukládejte hodnoty slovníku jako jazykově neutrální kódy a překládejte jejich popisky, aby se stejný výrobek správně filtroval v každém jazyce obchodu.
| Nezpracovaná textová hodnota | Normalizovaná hodnota | Pravidlo slovníku |
|---|---|---|
| blk / BLACK / schwarz | černá | Synonyma a překlady se mapují na jeden kód |
| Midnight Graphite | šedá (zobrazovaný název zachován) | Marketingový název se ukládá zvlášť |
| 18/8 SS | nerezová ocel | Zkratka rozepsána; jakost zachována jako samostatný atribut |
| Bavlna 95 %, elastan 5 % | bavlna 95; elastan 5 | Složení jako dvojice hodnota–procento |
| Ano / ✓ / součástí balení | true | Logické hodnoty převedeny na true nebo false |
Mapování atributů na taxonomie a schémata kanálů
Taxonomie určuje, které atributy se na výrobek vztahují a jak se jmenují. Málokdy si ji můžete vybrat: maloobchodník může chtít GS1 GPC, velkoobchod ETIM, Shopify svou Standard Product Taxonomy a vyhledávače čtou značení schema.org. Mějte vlastní schéma atributů jako hlavní a udržujte mapování na každou externí taxonomii.
V GS1 GPC je základním stavebním kamenem brick a jeho atributy nesou podrobnosti, například zda je mléko živočišné, nebo neživočišné. ETIM přiděluje každé třídě předdefinovanou sadu vlastností s pevnými seznamy hodnot a jednotkami a svůj model zveřejňuje v 17 jazycích. Shopify požaduje jednu kategorii zvolenou podle hlavní funkce výrobku; její nastavení odemkne metafields kategorie. Schema.org Product má vyhrazené vlastnosti jako gtin, mpn, brand, color, material, size a weight.
| Taxonomie | Hlavní uživatelé | Struktura | Model atributů | Na co si dát pozor |
|---|---|---|---|---|
| GS1 GPC | Výměna dat v maloobchodu a spotřebním zboží | Segment > Rodina > Třída > Brick | Atributy bricku s definovanými hodnotami | Klasifikace, nikoli úplný model specifikací |
| ETIM | Technický velkoobchod: elektro, vytápění a klimatizace, instalace | Třídy se synonymy | Vlastnosti typu alfanumerické, logické, číselné nebo rozsah, s jednotkami | Hodnoty vlastností musí pocházet ze seznamů dané třídy |
| Shopify Standard Product Taxonomy | Obchody Shopify | Cesta kategorie nebo ID kategorie | Metafields kategorie (produktové atributy) pro každou kategorii | V CSV uveďte cestu, nebo ID, ne obojí |
| schema.org Product | Strukturovaná data pro vyhledávače | Jediný typ Product s vlastnostmi | Vyhrazené vlastnosti; QuantitativeValue s unitCode | Nejdřív používejte konkrétní vlastnosti, až poté additionalProperty |
Zpracování variant bez duplikace atributů
Varianty jsou výrobky, které sdílejí většinu atributů a liší se v několika. Modelujte je jako nadřazený záznam se sdílenými atributy a podřízené záznamy, které nesou jen osy variant a hodnoty, jež se s nimi mění, například barvu, velikost, kapacitu a vlastní identifikátory. Pravidla GS1 pro GTIN považují každou variantu stylu, barvy a velikosti za jedinečný výrobek s vlastním GTIN, takže identifikátor vždy patří podřízenému záznamu.
Většinu chyb variant způsobují specifikační tabulky s více modely. Tabulku s jedním sloupcem pro každý model rozdělte na jeden záznam na sloupec a každou hodnotu vytištěnou jednou přes více sloupců — sloučenou buňku nebo „všechny modely: 230 V“ pod tabulkou — zkopírujte ke každému podřízenému záznamu, jehož se týká. Ve Shopify sloupec CSV Option1 LinkedTo propojuje možnost varianty s metafield kategorie; produkt může mít až tři možnosti a 2 048 variant.
Validace atributů pravidly a vzorkovou kontrolou kvality
Validační pravidla zachytí mechanické chyby: špatný typ, špatnou jednotku, nemožnou hodnotu, chybějící povinný atribut. Spouštějte je při každém importu a selhání směrujte ke kontrolujícímu, místo abyste hodnoty potichu zahazovali.
Pravidla nezachytí věrohodnou, ale chybnou hodnotu — kapacita zkopírovaná ze sousedního sloupce modelu projde všemi kontrolami. Vzorková kontrola kvality ji zachytit umí: porovnejte vybrané záznamy se zdrojovými dokumenty pole po poli. Neexistuje univerzální velikost vzorku ani prahová hodnota chyb; stanovte je podle rizika.
- Vyberte vzorek záznamů od každého dodavatele, s důrazem na nové dodavatele a nová rozvržení dokumentů.
- Porovnejte každý vybraný atribut se zdrojem a zaznamenávejte shody, chybné hodnoty a chybějící hodnoty zvlášť.
- Počítejte míru chyb pro každý atribut, nejen pro každý záznam, abyste našli atributy nebo mapování záhlaví, která způsobují potíže.
- Atributy důležité pro bezpečnost a právně požadované kontrolujte u každého záznamu, ne jen ve vzorku.
| Typ pravidla | Příklad | Akce při selhání |
|---|---|---|
| Typ a formát | capacity musí být desetinné číslo; gtin pouze číslice | Hodnotu odmítnout, surový text ponechat ke kontrole |
| Rozsah a věrohodnost | kapacita konvice mezi 0.1 a 5 L | Označit jako pravděpodobnou chybu jednotky nebo oddělovače |
| Příslušnost k výčtu | color musí být v seznamu základních barev | Namapovat synonymum nebo doplnit slovník |
| Mezi poli | min ≤ max; čistá hmotnost ≤ hrubá hmotnost | Označit obě pole |
| Kontrolní číslice | GTIN projde kontrolou GS1 mod-10 | Odmítnout; znovu přečíst ze zdroje |
| Úplnost | všechny povinné atributy pro rodinu a kanál jsou vyplněny | Zablokovat zveřejnění; vyžádat data od dodavatele |
Normalizace atributů ve velkém měřítku
Schéma, tabulky synonym, slovníky a pravidla jsou trvalou částí této práce; metoda extrakce se pod nimi může měnit. Verzujte je, přidělte každému vlastníka, zaznamenávejte ruční opravy s důvodem (opakované opravy ukazují na chybějící pravidlo) a tabulku synonym projděte při zavedení každého nového dodavatele.
Pokud vaše atributy vznikají v PDF od dodavatelů, Doc2Shelf může provést krok extrakce: čte nahrané technické listy, specifikace, bezpečnostní listy (SDS) a katalogy, ponechává hodnoty a jednotky přesně tak, jak jsou vytištěny, s důkazem v podobě strany a krátké citace, a označuje chybějící povinné údaje. Vaše normalizační pravidla se pak uplatní při kontrole, dříve než záznam poslouží k tvorbě nabídek nebo návrhů prohlášení.
Často kladené otázky
- Co jsou produktové atributy?
- Produktové atributy jsou pojmenované vlastnosti s hodnotami, které popisují výrobek, například materiál, barva, kapacita, rozměry nebo jmenovitý výkon. Na rozdíl od textu popisu jsou uloženy ve strukturovaných polích, takže mohou řídit filtry, tabulky specifikací, feedy a požadavky kategorií.
- Jaký je rozdíl mezi produktovým atributem a variantou?
- Atribut je jakákoli vlastnost výrobku. Varianta je verze výrobku, která se liší v jednom nebo více atributech, mezi nimiž si kupující vybírá, například velikostí nebo barvou. Tyto vybírané atributy jsou možnosti varianty; ostatní zůstávají sdílené na nadřazeném výrobku.
- Jak extrahovat atributy z popisů produktů?
- Nejprve definujte cílové atributy a povolené hodnoty, rozdělte text na věty, najděte kandidátní hodnoty a u každé před přiřazením k atributu zkontrolujte kvalifikátory, negace a podmínky. Atributy, které se objevují jen v marketingovém textu, ověřte podle technického listu.
- Co jsou kódy jednotek podle doporučení UNECE č. 20?
- Jsou to třímístné kódy měrných jednotek používaných v mezinárodním obchodě, které vydává UN/CEFACT — například MTR pro metr, KGM pro kilogram, LTR pro litr a WTT pro watt. Vlastnost unitCode ve schema.org používá stejné kódy.
- Mám ukládat původní, nebo převedenou hodnotu?
- Obojí. Normalizované číslo a kód jednotky ukládejte pro filtrování, porovnávání a validaci a hodnotu tak, jak byla vytištěna, ponechte pro dohledatelnost. Při exportu převádějte na jednotku očekávanou každým kanálem, například na gramy pro hmotnost v produktovém CSV Shopify.
- Kterou produktovou taxonomii použít: GS1 GPC, ETIM, nebo Shopify?
- Tu, kterou požadují vaši obchodní partneři a kanály, a často více než jednu. Mějte vlastní schéma atributů jako hlavní a udržujte mapování na GPC pro výměnu maloobchodních dat, ETIM pro technický velkoobchod a Standard Product Taxonomy Shopify pro obchod na Shopify.
- Jak měřit kvalitu extrakce atributů?
- Porovnejte vzorek extrahovaných záznamů se zdrojovými dokumenty pole po poli a pro každý atribut počítejte správné, chybné a chybějící hodnoty zvlášť. Chybné hodnoty ukazují na problémy s přesností (precision), chybějící na problémy s úplností (recall). Sledujte obojí pro každého dodavatele.
- Jak pracovat s produktovými atributy ve více jazycích?
- Výčtové hodnoty, jako jsou barvy a materiály, ukládejte jako jazykově neutrální kódy s přeloženými popisky a čísla i kódy jednotek ponechte nezávislé na jazyce. Volnotextové atributy vyžadují překlad a kontrolu pro každý jazyk.
Oficiální zdroje
Primární právní texty a oficiální pokyny, na které tento návod odkazuje.
Tento návod poskytuje obecné informace, nikoli právní poradenství. Požadavky závisí na výrobku a trhu; ověřte si oficiální znění předpisů a pro svou situaci vyhledejte kvalifikované poradenství.