Анатолій Даньков
CEO
Коротка відповідь:
Коли в SKU немає опису від постачальника, текстовому збагаченню нема чого шукати. Замість нього працює підхід на основі зображення:
Більшість матеріалів про збагачення даних виходять із того, що є з чого починати: PDF від виробника, специфікація, картка конкурента, сторінка з відгуками. AI знаходить цей контент, витягує його та структурує в атрибути. Це працює, поки товар взагалі присутній в інтернеті.
Велика частина роздрібних каталогів - ні. Приватні торгові марки, дрібносерійні іграшки та не брендовий одяг від закордонних постачальників часто приходять з одним рядком і більше нічим, на кшталт «іграшка-антистрес, червона, артикул 4471». Текстовий інструмент шукає цю назву й не знаходить нічого, не тому що AI слабкий, а тому що індексувати нема що.
Ця стаття пояснює, як підхід на основі зображення закриває цю прогалину, де ще він корисний окрім відсутніх описів, і як його вартість співвідноситься з ручним наповненням карток.
Значна частина роздрібного асортименту сьогодні - це приватні та білі торгові марки, особливо в категоріях іграшок, аксесуарів і недорогого одягу. Власні марки давно не ніша: продажі приватних торгових марок у США досягли рекордних $282,8 млрд у 2025 році, піднявши їхню частку до 21,3% у грошовому вираженні, за даними Circana, оприлюдненими Private Label Manufacturers Association.
Фабрики, що виробляють ці товари для десятків мереж під різними марками, не мають жодних причин публікувати власний каталог. Те, що ритейлер отримує через дистриб'ютора, - це фото, артикул і рядок на кшталт «іграшка-антистрес, червона, артикул 4471»: ні матеріалу, ні розмірів, ні вікової групи, ні бренду.
Для ритейлера з переважно брендовим каталогом це поодинокий випадок, який кілька людей закривають вручну. Для ритейлера, чий асортимент побудований на приватних марках, це стан майже кожного вхідного SKU. На сезонних піках проблема загострюється: нова колекція одягу чи святковий асортимент можуть додати тисячі карток без опису за кілька тижнів, і всі вони потребують повного контенту перед публікацією. Контент-команда, розрахована на звичайний місячний потік, не здатна поглинути такий сплеск без того, щоб або відкласти запуски, або пожертвувати якістю даних.
Обидва варіанти коштують продажів саме у вікні, коли товар продавався б найшвидше. І ціна прогалини не закінчується на недопродажу: товар, опублікований з недостатніми чи неправильними даними, частіше повертають, а повернення й так дорогі, National Retail Federation оцінює, що 19,3% онлайн-продажів було повернуто у 2025 році.
Збагачення товару, в якого немає опису, йде іншою послідовністю, ніж стандартне текстове. Замість того щоб шукати назву й розширювати знайдене, процес стартує з тих сигналів, які вже є у вхідному записі, і будує далі від зображення товару. Кроки нижче описують цю послідовність.
Точка старту, той невеликий набір даних, який усе ж приходить із товаром: рядок постачальника, артикул, ціна, категорія (якщо вона взагалі є) і фото. Кожне з цього, сигнал, навіть коли жодне не є повноцінним атрибутом. Ціновий рівень звужує ймовірний сегмент товару. Груба категорія від постачальника звужує простір пошуку. Найбільше інформації несе фото, саме тому воно стає основним входом, коли текстові сигнали вичерпані.
Оскільки пошук за назвою нічого не дає, запитом стає зображення. Підхід, який тут працює, зіставляє фото з пріоритезованим набором джерел: whitelist перевірених ритейлерів, маркетплейсів і каталогів виробників, у парі з blacklist, що відсікає неякісні чи ненадійні картки. Обмеження пошуку перевіреними джерелами важливіше за його широту. Широкий нефільтрований пошук дає більше збігів, але гіршої якості, а неправильний атрибут, витягнутий із ненадійної картки, коштує дорожче на етапі виявлення, ніж заощаджує на старті.
Там, де зображення збігається з подібним товаром, у якого вже є повний опис, релевантні атрибути витягуються та мапляться на запис: категорія, колір, матеріал, стиль і будь-яка структурована деталь, яку розкриває знайдена картка. Це витяг із реального джерела, а не вигадування.
Жоден атрибут не потрапляє в запис, якщо його неможливо простежити до конкретного збігу - це тримає результат перевірюваним, а не спекулятивним. Інформацію, якої не існує ніде в мережі, не відновить ні цей, ні будь-який інший метод, бо жодному інструменту нема з чого її брати.
Кожен витягнутий атрибут отримує рівень впевненості та посилання на джерело. Збіг із високою впевненістю, знайдений у кількох незалежних джерелах, обробляється інакше, ніж поодинокий здогад із низькою впевненістю. Саме оцінка робить результат аудитованим: контент-менеджер бачить, чому товар класифіковано як поліестер, а не бавовну, і з якого джерела це взято, замість того щоб довіряти непоясненому результату.
Пороги впевненості вирішують, що публікується автоматично, а що потребує людини. Товар, збагачений із високою впевненістю за всіма ключовими атрибутами, публікується без перевірки. Товар із низькою впевненістю за критичним атрибутом іде до контент-менеджера на швидке підтвердження чи виправлення. Так людська увага витрачається на випадки, які її справді потребують, а не на весь каталог, і саме це дозволяє процесу масштабуватися на сезонному піку.
Розпізнавання зображень стає в пригоді саме тоді, коли текст вичерпано. Окрім заповнення відсутніх атрибутів, воно класифікує товари за вимірами, яких дані виробника ніколи не фіксували. Підрозділи нижче охоплюють типи класифікації, найважливіші для сторінки товару та рекламного фіду.
Найочевидніше застосування - поставити товар у правильну категорію, коли постачальник її не дав або дав хибну. Візуальна класифікація читає товар за тим, чим він насправді є - машинка, конструктор чи м'яка іграшка, і присвоює категорію, від якої залежать навігація й фільтри вітрини. Правильна категоризація - це базовий шар, на якому будується решта, адже товар у неправильній категорії просто невидимий для покупця, який переглядає потрібний розділ.
Реальна аудиторія товару часто відрізняється від тієї, яку передбачають вхідні дані, і саме зображення несе сигнали, що це розкривають. Рівень деталізації дизайну, якість оздоблення й ціновий сегмент разом вказують, на кого розрахований товар: на малих дітей, старших дітей чи дорослих покупців. Це важливо і для фільтрів на сайті, і для таргетингу реклами, де хибна аудиторія зливає бюджет на не тих покупців.
Гендерні позначки виробника відображають рішення, ухвалене для його домашнього ринку, і не завжди збігаються з тим, як шукає локальний покупець. Візуальна класифікація присвоює атрибут статі на основі реальних дизайнерських ознак товару: колірної палітри, силуету, принта й упаковки. Зберігання цього як окремого атрибута, відмінного від позначки виробника, дає вітрині локально точне значення для фільтрації, і при цьому не втрачає початкові дані.
Теми й стилі формують велику частку відкриття товару в категоріях на кшталт іграшок та одягу, і в даних постачальника їх майже ніколи немає. Розпізнавання тематики, колірної гами чи дизайнерської естетики з фото дозволяє вітрині показувати товари в тих тематичних пошуках і фільтрах, якими покупці справді користуються. Ці атрибути перетворюють знеособлену картку на таку, що відповідає реальній логіці перегляду.
Зіставлення товару з візуально схожими позиціями, які вже є в каталозі, працює у два боки. Воно живить рекомендації та блок «вам також може сподобатися», і водночас прискорює саме збагачення, дозволяючи успадкувати перевірені атрибути від близького збігу, який уже наповнений. Новий SKU, що близько нагадує наявний і повністю збагачений товар, стартує з сильної бази, а не з нуля.
Атрибути постачальника описують, чим товар є на папері. Маркетингові атрибути описують, як його шукає покупець. Коли ці дві речі розходяться, саме маркетинговий атрибут визначає, чи знайдуть товар і чи куплять, і тому саме його варто мати правильним.
Норми безпеки іграшок вимагають вікового маркування, зазвичай «3+», виходячи з ризику проковтування деталей і випробувань матеріалів, а не з того, хто насправді купує товар. Деталізовану колекційну модель авто, ціна якої суттєво вища за типовий діапазон іграшок, купує дорослий колекціонер, а не малюк, хай що написано на маркуванні.
Підстановка регуляторного віку в таргетинг реклами чи у віковий фільтр на сайті хибно класифікує саме ті дорогі товари, де точний таргетинг важить найбільше. В результаті зберігається два окремі значення, одне для відповідності нормам, друге для маркетингу, і виводити маркетинговий вік із деталізації на фото та цінового сегмента, а не з маркування безпеки.
Великі бренди позначають широкий діапазон товарів як унісекс - це категоризація, зроблена під домашній ринок бренду. На ринках, де покупці шукають «для дівчинки» чи «для хлопчика» і за звичкою пропускають фільтр «унісекс», навіть цілком коректна позначка унісекс усе одно знижує видимість товару для тих покупців, які найімовірніше його куплять. Позначка не помилкова. Вона відповідає на інше питання, ніж те, яке ставить пошук на вітрині, і саме тому локально виведений атрибут статі працює краще за фірмовий.
Постачальники впорядковують товари за тим, як їх виробляють і відвантажують. Покупці впорядковують товари за тим, як думають про покупку, і ці дві таксономії майже ніколи не збігаються. Категорія постачальника «пластикові фігурки» відповідає десятку різних речей, які може шукати покупець, від конкретної тематики до подарунка на певний вік. Збагачення, яке класифікує товари навколо пошукової поведінки, а не таксономії постачальника, і є тим, що закриває розрив між тим, що лежить у каталозі, і тим, що покупець здатен знайти.
Google Shopping винагороджує повні й точні дані про товар і карає за прогалини нижчою релевантністю та злитим бюджетом. Збагачені атрибути напряму впливають на якість фіду та структуру кампаній. Підрозділи нижче показують, де цей зв'язок найсильніший.
Google Shopping підтримує до п'яти кастомних міток для сегментації товарів у кампанії. Збагачені атрибути - маркетинговий вік, аудиторія, тема, стиль, ціновий сегмент, наповнюють ці мітки змістом. Фід, побудований на збагачених даних, можна сегментувати за типом покупця чи маржинальністю замість тонкої категорії від постачальника, і саме це дозволяє кампанії ставити різні ставки на товари, які заслуговують різного ставлення.
Не кожен товар варто рекламувати. Коли ринкова ціна конкурента опускається нижче за поріг рентабельності товару, показ реклами витрачає бюджет на продаж, який або збитковий, або не відбудеться. Збагачені дані з надійними атрибутами ціни й маржі дозволяють виявити такі товари й виключити їх із фіду, замість того щоб рекламувати весь каталог без розбору й покривати збитки на позиціях, яких там бути не мало.
Видимість у фіді найцінніша на товарах, де ритейлер справді конкурентний за ціною. Прив'язка цінової позиції до включення у фід — щоб товар випадав із нього, коли конкурент опускає ціну нижче заданого порогу, і повертався, коли розрив закривається, концентрує рекламний бюджет там, де він конвертує. Так фід перетворюється зі статичного вивантаження на щось, що відображає поточну конкурентну позицію.
HootCore PIM виконує цю послідовність збагачення на каталогах без даних від постачальника, подивіться, як працює HootCore AI Enrichment.
Описані вище кроки працюють як повторюваний процес, а не набір ручних рішень, і живе цей процес у PIM із rule engine. Rule engine поєднує умову з дією й не потребує розробника для налаштування, що передає процес у руки тих, хто реально володіє каталогом.
Логіка маршрутизації прямо повторює послідовність збагачення. Якщо текстовий пошук не дав впевненого збігу - перейти до збагачення за зображенням. Якщо впевненість за зображенням нижча за поріг, відправити товар на перевірку людині, а не публікувати. Якщо ціна товару перевищує пороговий рівень для категорії, позначити його регуляторний вік для перевизначення маркетингового віку перед потраплянням у рекламний фід. Кожне правило - це умова та дія, налаштована один раз і застосована до кожного наступного SKU.
Налаштований так, виняток - рішення, що робити з товаром, якого ніхто не описав, стає стандартною гілкою, яку автоматично проходить кожен новий SKU. Правила спрацьовують однаково, чи то десять товарів заходять за тиждень, чи десять тисяч за вихідні на сезонному піку, тобто саме в умовах, за яких ручний процес ламається.
Практична точка старту - вибірково перевірити поточний каталог на те, скільки SKU взагалі провалять текстовий пошук. Це число задає масштаб проблеми ще до вибору інструмента чи структури правил.
Спробувати обробити каталог може майже будь-який інструмент. Корисні питання стосуються крайніх випадків, саме там, де живе асортимент приватних торгових марок. Перед вибором інструмента варто спитати прямо.
Багато інструментів збагачують, розширюючи наявний текст, і зупиняються, коли розширювати нема чого. Інструмент, придатний для каталогів приватних марок, має стартувати із зображення, а не з назви.
Зіставлення за зображенням - це різниця між збагаченням задокументованого товару й товару, якого не існує ніде в мережі. Без цього SKU без опису все одно лишаються на ручній роботі.
Якщо кожне правило маршрутизації потребує розробника, процес не встигатиме за каталогом. Люди, які володіють товарами, мають самі задавати умови й дії.
Ритейлер, який продає на кількох ринках, потребує атрибутів і описів мовою кожного ринку, згенерованих у тому самому проході збагачення, а не окремим проєктом перекладу.
Збагачення, яке не лягає чисто в системи, що вже ведуть каталог і замовлення, створює паралельне джерело даних, яке доведеться звіряти. Саме інтеграція з наявним стеком тримає збагачені дані придатними до використання наскрізь.
Коли товар приходить із самим лише фото та артикулом, розширювати наявний опис неможливо, бо описувати нічого. Замість цього працює читання самого товару: з його зображення, ціни й місця серед подібних позицій, і побудова даних уже звідти.
Ця здатність найбільше важить для тих ритейлерів, чиї каталоги найважче збагачувати: продавців приватних торгових марок, імпортерів небрендованих товарів і всіх, чиї постачальники зупиняються на фото й номері. Для них збагачення, яке спирається на наявний контент у мережі, розв'язує легку половину каталогу й лишає важку недоторканою. Збагачення, яке стартує із самого товару, і є тим, що закриває розрив.
Поспілкуйтеся з нашою командою та подивіться, як HootCore інтегрується у ваш існуючий tech stack — від управління товарними даними до обробки замовлень