Guide
Produktattribut: så extraherar, normaliserar och kopplar du dem
Rena produktattribut är det som får filter, jämförelser, flöden och utkast till efterlevnadsdokument att fungera. Den här guiden går igenom schemat, extraktionen, reglerna för enheter och vokabulär samt taxonomikopplingen som gör rörliga leverantörsvärden till enhetliga data.
Varje leverantör beskriver samma sak olika. Ett datablad säger ”Kapacitet: 1,5 l”, ett annat ”1500 ml” och ett tredje döljer ”rymmer 1.5 liter” i ett stycke. För en kund är det ett enda faktum; för ett filter eller ett flöde är det tre orelaterade textsträngar. Normalisering av produktattribut gör om de variationerna till ett värde, i en enhet, under ett attributnamn.
Den här guiden följer den ordning som arbetet sker i praktiken: schema, extraktion, normalisering av tal och text, taxonomikoppling, varianter och validering. Exemplen använder verkliga enhetskoder och taxonomistrukturer så att du kan anpassa dem direkt.
Vad produktattribut är (och inte är)
Ett produktattribut är en namngiven egenskap med ett värde: material = rostfritt stål, kapacitet = 1,5 L, färg = svart. Forskningen om attributextraktion kallar dessa attribut–värde-par. Attribut beskriver själva produkten och gäller oavsett var den säljs, vilket är anledningen till att de hör hemma i strukturerade fält och inte bara i beskrivningstexten.
Tre närliggande begrepp förväxlas lätt med attribut, och att blanda ihop dem orsakar de flesta schemaproblem senare:
| Begrepp | Syfte | Exempel | Vanlig plats |
|---|---|---|---|
| Attribut | Beskriver en egenskap hos produkten | Material: rostfritt stål; Kapacitet: 1,5 L | Specifikationstabell, filter, kategorifält |
| Identifierare | Namnger produkten eller handelsenheten unikt | GTIN, MPN, SKU, modellnummer | Särskilda identifierarfält |
| Variantalternativ | Ett attribut som köparen väljer mellan | Färg: svart / vit; Storlek: S / M / L | Variantaxlar (Shopify tillåter upp till 3 alternativ) |
| Beskrivning | Förklarar fördelar och användning i löptext | ”Kokar en full vattenkokare på några minuter” | Beskrivning och punktlistor |
Definiera attributschemat innan du extraherar något
Ett attributschema är det kontrakt som varje värde måste uppfylla. Utan det ger extraktionen vad källan råkar säga, och normaliseringen blir gissningar. För varje attribut bestämmer du namn, datatyp, kanonisk enhet, tillåtna värden eller valideringsregel, om det kan ha flera värden och var det är obligatoriskt.
Håll schemat per produktfamilj i stället för en enda jättelista: en vattenkokare behöver kapacitet och märkeffekt, en T-shirt behöver fibersammansättning och storlek. Börja med de attribut som dina kanaler kräver och som dina kunder filtrerar på, och lägg sedan till de tekniska attribut som dina datablad pålitligt innehåller.
| Attribut | Datatyp | Enhet / format | Tillåtna värden eller regel | Obligatoriskt |
|---|---|---|---|---|
| model_number | Text | — | Som tryckt av tillverkaren; inga mellanslag läggs till | Ja |
| gtin | Text (siffror) | 8, 12, 13 eller 14 siffror | Giltig GS1-kontrollsiffra | Om tilldelad |
| capacity | Decimaltal | LTR (liter) | 0,1 till 5,0; ett värde per variant | Ja |
| rated_power_min / rated_power_max | Heltal | WTT (watt) | min ≤ max; båda från samma märkrad | Ja |
| body_material | Uppräkning (flera värden) | — | rostfritt stål, glas, plast, keramik | Ja |
| color | Uppräkning | — | Lista över basfärger; marknadsföringsnamn lagras separat | Ja, per variant |
| net_weight | Decimaltal | KGM (kilogram) | > 0; får inte överstiga bruttovikten | För frakt |
Var attributvärden kommer ifrån, och vilken källa som gäller
Värden kommer vanligtvis från flera källor som inte alltid stämmer överens. Ange en källprioritet per attribut så att konflikter löses konsekvent, inte av den som senast redigerar posten.
En praktisk grundregel: tekniska dokument går före marknadsföringstext, och det specifika dokumentet går före det allmänna. När likvärdiga källor motsäger varandra — till exempel databladet och förpackningen som anger olika vikter — ska du varken ta medelvärdet eller välja ett; fråga leverantören vilket som gäller.
- Datablad och specifikationsblad: den mest pålitliga källan för mått, märkvärden, material och prestandavärden, oftast i tabeller.
- Förpackning och etikettunderlag: auktoritativa för det som är tryckt på förpackningen, till exempel nettokvantitet, varningar och märkningar.
- Säkerhetsdatablad: faroklassificering, sammansättning och fysikaliska egenskaper för kemiska produkter; inte marknadsföringsattribut.
- Leverantörers produktbeskrivningar: användbara för attribut som aldrig förekommer i en tabell (stil, avsedd användning, kompatibla modeller), men de mest oprecisa.
Så extraherar du attribut ur produktbeskrivningar
Fritextbeskrivningar är den svåraste källan eftersom värdena är inbäddade i meningar, modifierade av marknadsföringsspråk och ibland negerade. Oavsett om du använder regler, en ordlista med kända värden eller en språkmodell är förfarandet som gör resultatet tillförlitligt detsamma:
- Lista målattributen för produktfamiljen, med deras tillåtna värden och enheter, innan du läser någon text.
- Dela upp texten i meningar och punkter och hitta sedan kandidatvärden: tal med enheter, kända termer ur vokabulären och mönster som ”kompatibel med …”.
- Kontrollera sammanhanget för varje kandidat med avseende på kvalificerare (”upp till”, ”ca”, ”från”), negationer (”BPA-fri”, ”inte lämplig för”) och villkor (”med lock”, ”vid 20 °C”).
- Tilldela varje värde exakt ett attribut; när ett tal kan tillhöra två attribut, lämna det otilldelat för granskning i stället för att gissa.
- Normalisera värdet och enheten enligt reglerna i de följande avsnitten och behåll originaltexten bredvid.
- Markera varje attribut som bara kom från marknadsföringstext, så att en granskare kan bekräfta det mot ett datablad innan det används i en specifikationstabell eller ett utkast till en försäkran.
| Text i beskrivningen | Attribut | Extraherat värde | Anmärkning |
|---|---|---|---|
| ”…en vattenkokare i rostfritt stål på 1,7 liter…” | capacity; body_material | 1.7 LTR; rostfritt stål | Två attribut i en och samma fras |
| ”…med ett BPA-fritt lock av plast…” | lid_material; bpa_free | plast; true | Negationen blir ett booleskt värde, inte ett material |
| ”…inte lämplig för induktionshällar…” | induction_compatible | false | Negerat påstående inverterat |
| ”…finns i matt svart och krämvit…” | color (variantalternativ) | svart; beige | Marknadsföringsnamn lagras separat |
Koppla databladsrubriker till kanoniska attributnamn
Varje tillverkare benämner samma attribut olika, ofta på sitt eget språk. Bygg en synonymtabell som kopplar den rubriktext du faktiskt stöter på till ditt kanoniska attributnamn; den växer snabbt i början, stabiliseras sedan och blir din mest återanvändbara normaliseringstillgång. Registrera också enheten som anges i rubriken: under ”Vikt (lbs)” upprepar ingen cell enheten. Tabelllayouter, inskanningar och OCR behandlas i guiden om att extrahera produktdata ur PDF:er.
| Rubrik som den är tryckt | Kanoniskt attribut | Enhet som rubriken anger | Anmärkning |
|---|---|---|---|
| Märkeffekt / Effektförbrukning / Leistung | rated_power | WTT | Kontrollera att det är tillförd effekt, inte avgiven effekt |
| Nettovikt / Vikt (enhet) / Nettogewicht | net_weight | KGM eller LBR, som tryckt | Inte fraktvikten |
| Kapacitet / Volym / Fassungsvermögen | capacity | LTR eller MLT | För behållare, inte förpackningens volym |
| Mått (B × D × H) mm | width, depth, height | MMT | Axelordningen tas från rubriken |
Normalisera tal och enheter
Lagra varje kvantitativt attribut som två fält: ett tal och en enhetskod. UN/CEFACT:s rekommendation nr 20 (”Codes for Units of Measure Used in International Trade”) innehåller tretecknade gemensamma koder för detta, och schema.org använder samma koder i sin egenskap unitCode, till exempel ett QuantitativeValue med värdet 25 och unitCode CMT. Att använda dessa koder i stället för fritextenheter (”cm”, ”cms”, ”centimeter”) eliminerar en hel klass av felmatchningar.
Välj en kanonisk enhet per attribut, vanligtvis SI-enheten eller en decimal multipel av den, och konvertera vid import så att värden jämförs korrekt mellan leverantörer. Behåll det ursprungliga värdet och den ursprungliga enheten som de är tryckta för spårbarhetens skull, och konvertera tillbaka till kanalens enheter vid export: en Shopify-produkt-CSV förväntar sig vikt i gram, medan WooCommerce använder de vikt- och måttenheter som är konfigurerade i butiken.
Se upp för detaljer som ger tysta fel. Decimal- och tusentalsavgränsare beror på dokumentets språkinställning: i ett tyskt datablad är ”1.000 W” ett tusen watt. Dela upp intervall i minimi- och maximifält, lagra toleranser skilt från nominellt värde och behåll kvalificerare som ”ca” eller ”max” i ett eget fält. Omräkningar från brittiska och amerikanska enheter använder exakta definitioner (1 tum = 25,4 mm; 1 lb = 0,45359237 kg); avrunda en gång, vid visning.
| Råvärde som tryckt | Normaliserat värde | UNECE Rec 20-kod | Tillämpad regel |
|---|---|---|---|
| 1,5 l | 1.5 | LTR | Decimalkomma tolkad enligt dokumentets språkinställning |
| 1500 ml | 1.5 | LTR | Omräknat till attributets kanoniska enhet; originalet behålls |
| 1.000 W (tyskt datablad) | 1000 | WTT | Punkten tolkad som tusentalsavgränsare |
| 220–240 V~ | min 220, max 240 | VLT | Intervallet delat; ”~” lagras som strömtypen AC |
| Ø 12 mm ± 0,2 | nominellt 12, tolerans 0.2 | MMT | Toleransen lagras separat |
| ca 2,3 kg | 2.3 (kvalificerare: ungefärlig) | KGM | Kvalificeraren behålls, tas inte bort |
| 5 lb | 2.26796 | KGM | Omräknat med 0,45359237; originalet i LBR behålls |
| 1/2 tum | 12.7 | MMT | Bråket löst; originalet i INH behålls |
| Förpackning om 6 | 6 | H87 | Antal enheter per förpackning |
Använd kontrollerade vokabulärer för textattribut
En kontrollerad vokabulär är listan över värden som ett textattribut kan anta, plus de synonymer som kopplas till varje värde. Den gör att ett filter ”Färg: svart” fångar produkter som beskrivs som ”blk”, ”Black” och ”schwarz”.
Behåll två fält där marknadsföring och filtrering drar åt olika håll: ett normaliserat basvärde för filter och flöden, och tillverkarens eget namn för visning. ”Midnight Graphite” är en bra detalj på produktsidan och ett värdelöst filtervärde; ”grå” är tvärtom. För flerspråkiga kataloger bör du lagra vokabulärvärden som språkneutrala koder och översätta deras etiketter, så att samma produkt filtreras korrekt på varje butiksspråk.
| Rått textvärde | Normaliserat värde | Vokabulärregel |
|---|---|---|
| blk / BLACK / schwarz | svart | Synonymer och översättningar kopplas till en kod |
| Midnight Graphite | grå (visningsnamnet behålls) | Marknadsföringsnamn lagras separat |
| 18/8 SS | rostfritt stål | Förkortningen utskriven; kvaliteten behålls som ett eget attribut |
| Bomull 95 %, elastan 5 % | bomull 95; elastan 5 | Sammansättning som par av värde och procent |
| Ja / ✓ / ingår | true | Booleska värden reducerade till true eller false |
Koppla attribut till taxonomier och kanalscheman
En taxonomi avgör vilka attribut som gäller för en produkt och vad de heter. Du får sällan välja själv: en återförsäljare kan be om GS1 GPC, en grossist om ETIM, Shopify om sin Standard Product Taxonomy, och sökmotorer läser schema.org-märkning. Behåll ditt eget attributschema som huvudschema och underhåll en koppling till varje extern taxonomi.
I GS1 GPC är ”brick” byggstenen, och brick-attribut innehåller detaljer som om en mjölk är animalisk eller icke-animalisk. ETIM ger varje klass en fördefinierad uppsättning egenskaper med fasta värdelistor och enheter, och publicerar sin modell på 17 språk. Shopify ber om en kategori som väljs utifrån produktens huvudfunktion; när den anges låser den upp kategorimetafält. schema.org Product har särskilda egenskaper som gtin, mpn, brand, color, material, size och weight.
| Taxonomi | Främsta användare | Struktur | Attributmodell | Tänk på |
|---|---|---|---|---|
| GS1 GPC | Datautbyte inom detaljhandel och konsumentvaror | Segment > Family > Class > Brick | Brick-attribut med definierade värden | Klassificering, inte en fullständig specifikationsmodell |
| ETIM | Teknisk grossisthandel: el, VVS, ventilation | Klasser med synonymer | Egenskaper av typen alfanumerisk, logisk, numerisk eller intervall, med enheter | Egenskapsvärden måste komma från klassens listor |
| Shopify Standard Product Taxonomy | Shopify-butiker | Kategorins sökväg (breadcrumb) eller kategori-ID | Kategorimetafält (produktattribut) per kategori | Ange i CSV antingen sökvägen eller ID:t, inte båda |
| schema.org Product | Strukturerade data för sökmotorer | En enda Product-typ med egenskaper | Särskilda egenskaper; QuantitativeValue med unitCode | Använd specifika egenskaper före additionalProperty |
Hantera varianter utan att duplicera attribut
Varianter är produkter som delar de flesta attribut och skiljer sig åt på några få. Modellera dem som en överordnad post med de gemensamma attributen och underordnade poster som bara innehåller variantaxlarna och de värden som ändras med dem, till exempel färg, storlek, kapacitet och egna identifierare. GS1:s GTIN-regler behandlar varje stil-, färg- och storleksvariation som en unik produkt med eget GTIN, så identifieraren finns alltid på den underordnade posten.
Specifikationstabeller för flera modeller orsakar de flesta variantfelen. Dela en tabell med en kolumn per modell i en post per kolumn och kopiera varje värde som bara står en gång över kolumnerna — en sammanslagen cell eller ”alla modeller: 230 V” under tabellen — till varje underordnad post det gäller. I Shopify kopplar CSV-kolumnen Option1 LinkedTo ett variantalternativ till ett kategorimetafält; en produkt kan ha upp till tre alternativ och 2 048 varianter.
Validera attribut med regler och stickprov
Valideringsregler fångar mekaniska fel: fel typ, fel enhet, omöjligt värde, saknat obligatoriskt attribut. Kör dem vid varje import och skicka fel till en granskare i stället för att tyst ta bort värden.
Regler kan inte fånga ett rimligt men felaktigt värde — en kapacitet som kopierats från närliggande modellkolumn klarar alla kontroller. Kvalitetsstickprov kan det: jämför urvalsposter med källdokumenten fält för fält. Det finns ingen universell urvalsstorlek eller felgräns; ställ in dem efter risk.
- Dra ett urval av poster per leverantör, med tyngdpunkt på nya leverantörer och nya dokumentlayouter.
- Jämför varje attribut i urvalet med källan och registrera träffar, felaktiga värden och saknade värden separat.
- Beräkna felfrekvens per attribut, inte bara per post, för att hitta de attribut eller rubrikkopplingar som orsakar problem.
- Kontrollera säkerhetsrelevanta och lagstadgade attribut på varje post, inte på ett urval.
| Regeltyp | Exempel | Åtgärd vid fel |
|---|---|---|
| Typ och format | capacity måste vara ett decimaltal; gtin endast siffror | Avvisa värdet, behåll råtexten för granskning |
| Intervall och rimlighet | vattenkokarens kapacitet mellan 0,1 och 5 L | Flagga som trolig enhets- eller avgränsarfel |
| Medlemskap i uppräkning | color måste finnas i listan över basfärger | Koppla synonymen eller lägg till den i vokabulären |
| Mellan fält | min ≤ max; nettovikt ≤ bruttovikt | Flagga båda fälten |
| Kontrollsiffra | GTIN klarar GS1:s mod-10-kontroll | Avvisa; läs om från källan |
| Fullständighet | alla obligatoriska attribut för familjen och kanalen är ifyllda | Blockera publicering; begär data från leverantören |
Normalisering av attribut i stor skala
Schemat, synonymtabellerna, vokabulärerna och reglerna är den bestående delen av det här arbetet; extraktionsmetoden kan bytas under dem. Versionshantera dem, ge var och en en ägare, logga manuella rättelser med en orsak (upprepade rättelser visar att en regel saknas) och se över synonymtabellen varje gång en ny leverantör tas in.
Om dina attribut har sitt ursprung i leverantörs-PDF:er kan Doc2Shelf ta hand om extraktionssteget: det läser uppladdade datablad, specifikationsblad, säkerhetsdatablad och kataloger, behåller värden och enheter exakt som de är tryckta med sidan och ett kort citat som belägg, och flaggar saknade obligatoriska data. Dina normaliseringsregler tillämpas sedan under granskningen, innan posten matar annonser eller utkast till deklarationer.
Vanliga frågor
- Vad är produktattribut?
- Produktattribut är namngivna egenskaper med värden som beskriver en produkt, till exempel material, färg, kapacitet, mått eller märkeffekt. Till skillnad från beskrivningstext finns de i strukturerade fält så att de kan driva filter, specifikationstabeller, flöden och kategorikrav.
- Vad är skillnaden mellan ett produktattribut och en variant?
- Ett attribut är vilken egenskap som helst hos en produkt. En variant är en version av produkten som skiljer sig på ett eller flera attribut som köparen väljer mellan, till exempel storlek eller färg. Dessa valda attribut är variantalternativen; resten förblir gemensamma på den överordnade produkten.
- Hur extraherar jag attribut ur produktbeskrivningar?
- Definiera målattributen och de tillåtna värdena först, dela upp texten i meningar, hitta kandidatvärden och kontrollera varje värde med avseende på kvalificerare, negationer och villkor innan du tilldelar det till ett attribut. Bekräfta attribut som bara förekommer i marknadsföringstext mot ett datablad.
- Vad är enhetskoder enligt UNECE:s rekommendation 20?
- Det är tretecknade koder för måttenheter som används i internationell handel, publicerade av UN/CEFACT — till exempel MTR för meter, KGM för kilogram, LTR för liter och WTT för watt. Egenskapen unitCode i schema.org använder samma koder.
- Ska jag lagra originalvärdet eller det omräknade värdet?
- Båda. Lagra det normaliserade talet och enhetskoden för filtrering, jämförelse och validering, och behåll värdet som det är tryckt för spårbarhetens skull. Konvertera till varje kanals förväntade enhet vid export, till exempel gram för vikt i en Shopify-produkt-CSV.
- Vilken produkttaxonomi ska jag använda: GS1 GPC, ETIM eller Shopifys?
- Använd den som dina handelspartner och kanaler ber om, och ofta fler än en. Behåll ditt eget attributschema som huvudschema och underhåll kopplingar till GPC för datautbyte inom detaljhandeln, ETIM för teknisk grossisthandel och Shopifys Standard Product Taxonomy för en Shopify-butik.
- Hur mäter jag kvaliteten på attributextraktion?
- Jämför ett urval av extraherade poster med källdokumenten fält för fält och räkna korrekta, felaktiga och saknade värden separat för varje attribut. Felaktiga värden tyder på precisionsproblem; saknade värden tyder på problem med täckning (recall). Följ båda per leverantör.
- Hur hanterar jag produktattribut på flera språk?
- Lagra uppräknade värden som färger och material som språkneutrala koder med översatta etiketter, och håll tal och enhetskoder språkoberoende. Fritextattribut behöver översättas och granskas per språk.
Officiella källor
Primära rättstexter och officiell vägledning som den här guiden hänvisar till.
- GTIN Management Standard — regler för tilldelning av GTIN (GS1)
- Så beräknar du en kontrollsiffra manuellt (GS1)
Den här guiden är allmän information och utgör inte juridisk rådgivning. Kraven beror på produkten och marknaden; kontrollera de officiella texterna och anlita kvalificerad rådgivning för din situation.