Produktattributter: sådan udtrækker, normaliserer og mapper du dem

Hvad produktattributter er (og hvad de ikke er)

En produktattribut er en navngiven egenskab med en værdi: material = stainless steel, capacity = 1.5 L, color = black. Forskning i attributudtræk kalder dem attribut-værdi-par. Attributter beskriver selve produktet og forbliver sande, uanset hvor det sælges, og derfor hører de hjemme i strukturerede felter og ikke kun i beskrivelsens brødtekst.

Tre nærtliggende begreber er lette at forveksle med attributter, og når de blandes sammen, skaber det de fleste skemaproblemer senere:

Definér attributskemaet, før du udtrækker noget

Et attributskema er den kontrakt, hver værdi skal opfylde. Uden det udtrækker man, hvad kilden tilfældigvis siger, og normalisering bliver gætværk. For hver attribut skal du beslutte navn, datatype, kanonisk enhed, tilladte værdier eller valideringsregel, om den kan indeholde flere værdier, og hvor den er påkrævet.

Hold skemaet pr. produktfamilie frem for én gigantisk liste: en kedel har brug for kapacitet og mærkeeffekt, en T-shirt har brug for fibersammensætning og størrelse. Start med de attributter, dine kanaler kræver, og som dine kunder filtrerer på, og tilføj derefter de tekniske attributter, som dine datablade pålideligt leverer.

Hvor attributværdier kommer fra, og hvilken kilde der vinder

Værdier kommer som regel fra flere kilder, som ikke altid er enige. Fastsæt en kildeprioritet pr. attribut, så konflikter løses ensartet og ikke af den, der redigerer posten sidst.

Et praktisk udgangspunkt: tekniske dokumenter vinder over markedsføringstekst, og det specifikke dokument vinder over det generelle. Når ligeværdige kilder er uenige — f.eks. når datablad og emballage angiver forskellige vægte — så beregn ikke et gennemsnit, og vælg ikke bare den ene; spørg leverandøren, hvilken der er gældende.

• Datablade og specifikationsark: den mest pålidelige kilde til dimensioner, mærkedata, materialer og ydeevneværdier, som regel i tabeller.
• Emballage og etiketgrafik: autoritativ for det, der er trykt på pakken, såsom nettomængde, advarsler og mærkninger.
• Sikkerhedsdatablade: fareklassificering, sammensætning og fysiske egenskaber for kemiske produkter; ikke markedsføringsattributter.
• Leverandørens produktbeskrivelser: nyttige til attributter, der aldrig optræder i en tabel (stil, tilsigtet brug, kompatible modeller), men den mindst præcise kilde.

Sådan udtrækker du attributter fra produktbeskrivelser

Frie tekstbeskrivelser er den sværeste kilde, fordi værdierne er pakket ind i sætninger, kvalificeret af markedsføringssprog og somme tider negeret. Uanset om du bruger regler, en ordbog over kendte værdier eller en sprogmodel, er fremgangsmåden, der holder outputtet troværdigt, den samme:

1. List målattributterne for produktfamilien med deres tilladte værdier og enheder, før du læser nogen tekst.
2. Del teksten op i sætninger og punkttegn, og find derefter kandidatværdier: tal med enheder, kendte ordforrådstermer og mønstre som »kompatibel med …«.
3. Tjek konteksten for hver kandidat for forbehold (»op til«, »ca.«, »fra«), negationer (»BPA-fri«, »ikke egnet til«) og betingelser (»med låg«, »ved 20 °C«).
4. Tildel hver værdi til netop én attribut; når et tal kan høre til to attributter, så lad det være utildelt til gennemgang i stedet for at gætte.
5. Normalisér værdien og enheden efter reglerne i de følgende afsnit, og behold den oprindelige tekst ved siden af.
6. Markér hver attribut, der kun stammer fra markedsføringstekst, så den, der gennemgår, kan bekræfte den mod et datablad, før den bruges i en specifikationstabel eller et erklæringsudkast.

Map databladets overskrifter til kanoniske attributnavne

Hver producent betegner den samme attribut forskelligt, ofte på sit eget sprog. Opbyg en synonymtabel, der mapper den overskriftstekst, du rent faktisk støder på, til dit kanoniske attributnavn; den vokser hurtigt i starten, stabiliserer sig derefter og bliver dit mest genbrugelige normaliseringsaktiv. Registrér også den enhed, der står i overskriften: under »Weight (lbs)« gentager ingen celle enheden. Tabellayouts, scanninger og OCR behandles i guiden om udtræk af produktdata fra PDF'er.

Normalisér tal og enheder

Gem hver kvantitativ attribut som to felter: et tal og en enhedskode. UN/CEFACT-anbefaling nr. 20 (»Codes for Units of Measure Used in International Trade«) giver trebogstavs fælleskoder til formålet, og schema.org bruger de samme koder i egenskaben unitCode, for eksempel en QuantitativeValue på 25 med unitCode CMT. Når du bruger disse koder i stedet for fritekstenheder (»cm«, »cms«, »centimeter«), fjerner du en hel klasse af uoverensstemmelser.

Vælg én kanonisk enhed pr. attribut, som regel SI-enheden eller et decimalt multiplum af den, og omregn ved import, så værdier kan sammenlignes korrekt på tværs af leverandører. Behold den oprindelige værdi og enhed som trykt af hensyn til sporbarheden, og omregn tilbage til kanalens enheder ved eksport: en Shopify-produkt-CSV forventer vægt i gram, mens WooCommerce bruger de vægt- og dimensionsenheder, der er konfigureret i butikken.

Vær opmærksom på de detaljer, der giver stille fejl. Decimal- og tusindseparatorer afhænger af dokumentets landestandard: på et tysk datablad er »1.000 W« et tusind watt. Del intervaller op i minimums- og maksimumsfelter, gem tolerancer adskilt fra nominalværdien, og behold forbehold som »ca.« eller »maks.« i deres eget felt. Imperiale omregninger bruger eksakte definitioner (1 tomme = 25,4 mm; 1 lb = 0,45359237 kg); afrund én gang, ved visning.

Brug kontrollerede ordforråd til tekstattributter

Et kontrolleret ordforråd er listen over de værdier, en tekstattribut kan antage, plus de synonymer, der mapper til hver af dem. Det gør, at et filter »Farve: black« fanger produkter, der er beskrevet som »blk«, »Black« og »schwarz«.

Hold to felter adskilt, hvor markedsføring og filtrering trækker i hver sin retning: en normaliseret basisværdi til filtre og feeds og producentens eget navn til visning. »Midnight Graphite« er en god detalje på produktsiden og en ubrugelig filterværdi; »gray« er det modsatte. For flersprogede kataloger skal du gemme ordforrådsværdier som sprogneutrale koder og oversætte deres etiketter, så det samme produkt filtreres korrekt på alle butikkens sprog.

Map attributter til taksonomier og kanalskemaer

En taksonomi afgør, hvilke attributter der gælder for et produkt, og hvad de hedder. Du får sjældent selv lov at vælge: en forhandler kan bede om GS1 GPC, en grossist om ETIM, Shopify om sin Standard Product Taxonomy, og søgemaskiner læser schema.org-markup. Behold dit eget attributskema som master, og vedligehold en mapping til hver ekstern taksonomi.

I GS1 GPC er brick byggestenen, og brick-attributter rummer detaljer såsom, om en mælk er animalsk eller ikke-animalsk. ETIM giver hver klasse et foruddefineret sæt egenskaber med faste værdilister og enheder og udgiver sin model på 17 sprog. Shopify beder om én kategori, valgt efter produktets hovedfunktion; når den er sat, låses kategorimetafelter op. schema.org Product har dedikerede egenskaber som gtin, mpn, brand, color, material, size og weight.

Håndtér varianter uden at duplikere attributter

Varianter er produkter, der deler de fleste attributter og adskiller sig på nogle få. Modellér dem som en forældrepost med de fælles attributter og børneposter, der kun rummer variantakserne og de værdier, der ændrer sig med dem, såsom farve, størrelse, kapacitet og deres egne identifikatorer. GS1's GTIN-regler behandler hver stil-, farve- og størrelsesvariation som et unikt produkt med sin egen GTIN, så identifikatoren hører altid hjemme på børneposten.

Specifikationstabeller med flere modeller giver de fleste variantfejl. Del en tabel med én kolonne pr. model op i én post pr. kolonne, og kopiér enhver værdi, der er trykt én gang på tværs af kolonner — en flettet celle eller »alle modeller: 230 V« under tabellen — til hver børnepost, den gælder for. I Shopify forbinder CSV-kolonnen Option1 LinkedTo et variantvalg med et kategorimetafelt; et produkt kan have op til tre valg og 2.048 varianter.

Valider attributter med regler og QA-stikprøver

Valideringsregler fanger mekaniske fejl: forkert type, forkert enhed, umulig værdi, manglende påkrævet attribut. Kør dem ved hver import, og send fejl videre til en, der gennemgår, i stedet for at lade værdier forsvinde stille.

Regler kan ikke fange en plausibel, men forkert værdi — en kapacitet kopieret fra nabomodellens kolonne består alle kontroller. QA-stikprøver kan: sammenlign udtrukne poster med kildedokumenterne felt for felt. Der findes ingen universel stikprøvestørrelse eller fejltærskel; fastsæt dem efter risiko.

1. Træk en stikprøve af poster pr. leverandør, vægtet mod nye leverandører og nye dokumentlayouts.
2. Sammenlign hver udtrukket attribut i stikprøven med kilden, og registrér match, forkerte værdier og manglende værdier hver for sig.
3. Beregn fejlrater pr. attribut, ikke kun pr. post, for at finde de attributter eller overskriftsmappinger, der volder problemer.
4. Kontrollér sikkerhedsrelevante og lovpligtige attributter på hver post, ikke på en stikprøve.

Kør attributnormalisering i stor skala

Skemaet, synonymtabellerne, ordforrådene og reglerne er den varige del af dette arbejde; udtrækmetoden kan ændre sig under dem. Versionsstyr dem, giv hver en ejer, log manuelle rettelser med en begrundelse (gentagne rettelser viser en manglende regel), og gennemgå synonymtabellen, hver gang en ny leverandør onboardes.

Hvis dine attributter starter i leverandør-PDF'er, kan Doc2Shelf udføre udtrækstrinnet: det læser uploadede datablade, specifikationsark, sikkerhedsdatablade og kataloger, bevarer værdier og enheder nøjagtigt som trykt med siden og et kort citat som dokumentation og markerer manglende påkrævede data. Dine normaliseringsregler anvendes derefter under gennemgangen, før posten fodrer produktlister eller erklæringsudkast.