Produktattribute: extrahieren, normalisieren und zuordnen

Was Produktattribute sind (und was nicht)

Ein Produktattribut ist eine benannte Eigenschaft mit einem Wert: material = Edelstahl, capacity = 1.5 L, color = schwarz. Die Forschung zur Attributextraktion nennt diese Attribut-Wert-Paare. Attribute beschreiben das Produkt selbst und bleiben überall gültig, wo es verkauft wird; deshalb gehören sie in strukturierte Felder und nicht nur in den Beschreibungstext.

Drei benachbarte Konzepte werden leicht mit Attributen verwechselt, und ihre Vermischung verursacht später die meisten Schemaprobleme:

Das Attributschema definieren, bevor Sie etwas extrahieren

Ein Attributschema ist der Vertrag, den jeder Wert erfüllen muss. Ohne es liefert die Extraktion, was die Quelle gerade sagt, und die Normalisierung wird zum Ratespiel. Legen Sie für jedes Attribut Name, Datentyp, kanonische Einheit, zulässige Werte oder Validierungsregel fest, außerdem, ob es mehrere Werte aufnehmen kann und wo es erforderlich ist.

Führen Sie das Schema pro Produktfamilie statt als eine riesige Liste: Ein Wasserkocher braucht Fassungsvermögen und Nennleistung, ein T-Shirt Faserzusammensetzung und Größe. Beginnen Sie mit den Attributen, die Ihre Kanäle verlangen und nach denen Ihre Käufer filtern, und ergänzen Sie dann die technischen Attribute, die Ihre Datenblätter zuverlässig liefern.

Woher Attributwerte stammen und welche Quelle gewinnt

Werte kommen meist aus mehreren Quellen, die nicht immer übereinstimmen. Legen Sie pro Attribut eine Quellenpriorität fest, damit Konflikte einheitlich gelöst werden und nicht von der Person, die den Datensatz zuletzt bearbeitet.

Ein praxistauglicher Standard: Technische Dokumente schlagen Werbetexte, und das spezifische Dokument schlägt das allgemeine. Widersprechen sich gleichrangige Quellen — etwa Datenblatt und Verpackung mit unterschiedlichen Gewichten —, mitteln Sie nicht und wählen Sie auch keinen Wert aus; fragen Sie den Lieferanten, welcher aktuell ist.

• Datenblätter und Spezifikationsblätter: die zuverlässigste Quelle für Abmessungen, Nennwerte, Materialien und Leistungswerte, meist in Tabellen.
• Verpackung und Etikettenvorlagen: maßgeblich für das, was auf der Packung steht, etwa Nettomenge, Warnhinweise und Kennzeichnungen.
• Sicherheitsdatenblätter: Gefahreneinstufung, Zusammensetzung und physikalische Eigenschaften bei chemischen Produkten; keine Marketingattribute.
• Produktbeschreibungen des Lieferanten: nützlich für Attribute, die nie in einer Tabelle stehen (Stil, Verwendungszweck, kompatible Modelle), aber am ungenauesten.

Attribute aus Produktbeschreibungen extrahieren

Freitextbeschreibungen sind die schwierigste Quelle, weil Werte in Sätze eingebettet, durch Werbesprache eingeschränkt und manchmal verneint sind. Ob Sie Regeln, ein Wörterbuch bekannter Werte oder ein Sprachmodell verwenden — das Vorgehen, das die Ergebnisse vertrauenswürdig hält, ist dasselbe:

1. Listen Sie die Zielattribute der Produktfamilie mit zulässigen Werten und Einheiten auf, bevor Sie einen Text lesen.
2. Teilen Sie den Text in Sätze und Aufzählungspunkte und suchen Sie dann Kandidatenwerte: Zahlen mit Einheiten, bekannte Vokabelbegriffe und Muster wie „kompatibel mit …“.
3. Prüfen Sie den Kontext jedes Kandidaten auf Einschränkungen („bis zu“, „ca.“, „ab“), Verneinungen („BPA-frei“, „nicht geeignet für“) und Bedingungen („mit Deckel“, „bei 20 °C“).
4. Ordnen Sie jeden Wert genau einem Attribut zu; kann eine Zahl zu zwei Attributen gehören, lassen Sie sie zur Prüfung unzugeordnet, statt zu raten.
5. Normalisieren Sie Wert und Einheit nach den Regeln in den nächsten Abschnitten und behalten Sie den Originaltext daneben.
6. Markieren Sie jedes Attribut, das nur aus Werbetext stammt, damit eine prüfende Person es anhand eines Datenblatts bestätigen kann, bevor es in einer Spezifikationstabelle oder einem Erklärungsentwurf verwendet wird.

Datenblatt-Kopfzeilen kanonischen Attributnamen zuordnen

Jeder Hersteller bezeichnet dasselbe Attribut anders, oft in seiner eigenen Sprache. Erstellen Sie eine Synonymtabelle, die den tatsächlich vorkommenden Kopfzeilentext Ihrem kanonischen Attributnamen zuordnet; sie wächst anfangs schnell, stabilisiert sich dann und wird zu Ihrem am häufigsten wiederverwendbaren Normalisierungsbestand. Erfassen Sie auch die in der Kopfzeile gedruckte Einheit: Unter „Gewicht (lbs)“ wiederholt keine Zelle die Einheit. Tabellenlayouts, Scans und OCR behandelt der Ratgeber zum Extrahieren von Produktdaten aus PDFs.

Zahlen und Einheiten normalisieren

Speichern Sie jedes quantitative Attribut als zwei Felder: eine Zahl und einen Einheitencode. Die UN/CEFACT-Empfehlung Nr. 20 („Codes for Units of Measure Used in International Trade“) liefert dafür dreistellige Common Codes, und schema.org verwendet dieselben Codes in seiner Eigenschaft unitCode, etwa ein QuantitativeValue von 25 mit unitCode CMT. Die Verwendung dieser Codes statt freitextlicher Einheiten („cm“, „cms“, „Zentimeter“) beseitigt eine ganze Klasse von Abweichungen.

Wählen Sie pro Attribut eine kanonische Einheit, meist die SI-Einheit oder ein dezimales Vielfaches davon, und rechnen Sie beim Import um, damit Werte über Lieferanten hinweg korrekt vergleichbar sind. Behalten Sie Originalwert und -einheit wie gedruckt zur Nachvollziehbarkeit und rechnen Sie beim Export in die Einheiten des Kanals zurück: Eine Shopify-Produkt-CSV erwartet das Gewicht in Gramm, während WooCommerce die im Shop konfigurierten Gewichts- und Maßeinheiten verwendet.

Achten Sie auf Details, die stille Fehler verursachen. Dezimal- und Tausendertrennzeichen hängen von der Ländereinstellung des Dokuments ab: In einem deutschen Datenblatt ist „1.000 W“ eintausend Watt. Teilen Sie Bereiche in Minimum- und Maximumfelder auf, speichern Sie Toleranzen getrennt vom Nennwert und halten Sie Zusätze wie „ca.“ oder „max.“ in einem eigenen Feld. Umrechnungen ins imperiale System verwenden exakte Definitionen (1 Zoll = 25,4 mm; 1 lb = 0,45359237 kg); runden Sie einmal, bei der Anzeige.

Kontrollierte Vokabulare für Textattribute nutzen

Ein kontrolliertes Vokabular ist die Liste der Werte, die ein Textattribut annehmen darf, samt den Synonymen, die auf jeden Wert abgebildet werden. So erfasst ein Filter „Farbe: schwarz“ auch Produkte, die als „blk“, „Black“ und „noir“ beschrieben sind.

Führen Sie zwei Felder, wo Marketing und Filterung in verschiedene Richtungen ziehen: einen normalisierten Basiswert für Filter und Feeds und den herstellereigenen Namen für die Anzeige. „Midnight Graphite“ ist ein gutes Detail für die Produktseite und ein nutzloser Filterwert; „grau“ ist das Gegenteil. Speichern Sie bei mehrsprachigen Katalogen Vokabelwerte als sprachneutrale Codes und übersetzen Sie ihre Bezeichnungen, damit dasselbe Produkt in jeder Shop-Sprache korrekt filtert.

Attribute Taxonomien und Kanalschemata zuordnen

Eine Taxonomie bestimmt, welche Attribute für ein Produkt gelten und wie sie heißen. Sie können sich selten eine aussuchen: Ein Händler verlangt vielleicht GS1 GPC, ein Großhändler ETIM, Shopify seine Standard Product Taxonomy, und Suchmaschinen lesen schema.org-Markup. Führen Sie Ihr eigenes Attributschema als Master und pflegen Sie eine Zuordnung zu jeder externen Taxonomie.

In GS1 GPC ist der Brick der Baustein, und Brick-Attribute tragen Details wie die Frage, ob eine Milch tierisch oder nicht tierisch ist. ETIM gibt jeder Klasse einen vordefinierten Satz von Merkmalen mit festen Wertelisten und Einheiten und veröffentlicht sein Modell in 17 Sprachen. Shopify verlangt eine Kategorie, die nach der Hauptfunktion des Produkts gewählt wird; ihre Festlegung schaltet Kategorie-Metafelder frei. Das schema.org-Produkt hat eigene Eigenschaften wie gtin, mpn, brand, color, material, size und weight.

Varianten behandeln, ohne Attribute zu duplizieren

Varianten sind Produkte, die die meisten Attribute teilen und sich in wenigen unterscheiden. Bilden Sie sie als Elterndatensatz mit den gemeinsamen Attributen und Kinddatensätze ab, die nur die Variantenachsen und die Werte enthalten, die sich mit ihnen ändern, etwa Farbe, Größe, Fassungsvermögen und eigene Kennungen. Die GTIN-Regeln von GS1 behandeln jede Ausführung nach Stil, Farbe und Größe als eigenes Produkt mit eigener GTIN, sodass die Kennung stets beim Kinddatensatz liegt.

Tabellen mit mehreren Modellen verursachen die meisten Variantenfehler. Teilen Sie eine Tabelle mit einer Spalte pro Modell in einen Datensatz pro Spalte auf und kopieren Sie jeden nur einmal über mehrere Spalten gedruckten Wert — eine verbundene Zelle oder „alle Modelle: 230 V“ unter der Tabelle — in jedes Kind, für das er gilt. In Shopify verknüpft die CSV-Spalte Option1 LinkedTo eine Variantenoption mit einem Kategorie-Metafeld; ein Produkt kann bis zu drei Optionen und 2.048 Varianten haben.

Attribute mit Regeln und Stichproben-QS validieren

Validierungsregeln fangen mechanische Fehler ab: falscher Typ, falsche Einheit, unmöglicher Wert, fehlendes Pflichtattribut. Führen Sie sie bei jedem Import aus und leiten Sie Fehlschläge an eine prüfende Person weiter, statt Werte stillschweigend zu verwerfen.

Regeln erkennen keinen plausiblen, aber falschen Wert — ein aus der Nachbarmodellspalte kopiertes Fassungsvermögen besteht jede Prüfung. Stichproben-QS kann es: Vergleichen Sie Stichprobendatensätze Feld für Feld mit den Quelldokumenten. Es gibt keine universelle Stichprobengröße oder Fehlerschwelle; legen Sie sie nach Risiko fest.

1. Ziehen Sie pro Lieferant eine Stichprobe von Datensätzen, gewichtet zugunsten neuer Lieferanten und neuer Dokumentlayouts.
2. Vergleichen Sie jedes Stichprobenattribut mit der Quelle und erfassen Sie Treffer, falsche Werte und fehlende Werte getrennt.
3. Berechnen Sie Fehlerquoten pro Attribut, nicht nur pro Datensatz, um die Attribute oder Kopfzeilenzuordnungen zu finden, die Probleme verursachen.
4. Prüfen Sie sicherheitsrelevante und gesetzlich vorgeschriebene Attribute bei jedem Datensatz, nicht in einer Stichprobe.

Attributnormalisierung im großen Maßstab betreiben

Schema, Synonymtabellen, Vokabulare und Regeln sind der dauerhafte Teil dieser Arbeit; die Extraktionsmethode darunter kann wechseln. Versionieren Sie sie, geben Sie jedem einen Verantwortlichen, protokollieren Sie manuelle Korrekturen mit Begründung (wiederholte Korrekturen zeigen eine fehlende Regel) und prüfen Sie die Synonymtabelle, wenn ein neuer Lieferant angebunden wird.

Wenn Ihre Attribute in Lieferanten-PDFs entstehen, kann Doc2Shelf den Extraktionsschritt übernehmen: Es liest hochgeladene Datenblätter, Spezifikationsblätter, Sicherheitsdatenblätter (SDS) und Kataloge, behält Werte und Einheiten genau wie gedruckt mit Seite und kurzem Zitat als Beleg und markiert fehlende Pflichtdaten. Ihre Normalisierungsregeln greifen dann bei der Prüfung, bevor der Datensatz Listings oder Erklärungsentwürfe speist.