在线零售商的关键任务：清理产品数据

劣质产品数据通常会对零售商产生严重影响。如果不加以解决，不良数据会阻碍业务运营、产品搜索和发现、客户满意度和销售的有效性。

不良的产品数据往往隐藏在显眼的地方，会严重影响零售商的底线。根据信息技术公司Gartner的数据，数据质量差每年平均给组织带来1290万美元的损失。从长远来看，这加剧了对收入的直接影响。除了增加数据生态系统的复杂性外，糟糕的数据还会导致糟糕的决策。

为了使不良数据对零售商的影响更加明显，基于SaaS的电子商务搜索和产品发现平台GroupBy于9月与谷歌云合作伙伴Sada和电子商务公司Rethink Retail举办了一场网络研讨会。该活动题为“坏数据，大麻烦：如何扭转劣质产品数据的局面”，探讨了企业如何利用人工智能丰富数据，提高搜索相关性和产品发现，提高客户满意度，降低运营成本，增加收入。

这种成功的关键在于分析产品数据质量并确定需要改进的领域。最佳实践包括建立标准的数据收集模型，定期进行审查，并实施人工智能驱动的解决方案，以快速、大规模地自动化清洁、标准化和优化产品数据。

因此，人工智能驱动的数据丰富可以提高运营效率，推动增长，并提高品牌声誉。GroupBy产品总监Arvin Natarajan表示，如今，低质量的产品数据几乎困扰着每一家零售商，影响着每一个依赖数据执行的应用程序。

他说：“长期来看，数据不足会对客户体验产生负面影响，最终影响你的底线。”。

他表示，在GroupBy专有的全球分类库上训练的复杂生成人工智能模型可以识别常见的数据问题，并彻底改变产品数据的归属和管理。

在基于云的产品发现中利用人工智能

GroupBy的电子商务搜索和产品发现平台由Google Cloud Vertex AI提供支持，为零售商和批发商提供了对Google Cloud下一代搜索引擎的独特访问。该平台专为电子商务而设计，使用人工智能和机器学习来处理1.8万亿个事件，每天从谷歌的整个产品套件中收集850亿个新事件。

通过访问这些数据，GroupBy提供了对用户意图有深入了解的数字体验。Natarajan指出，其与谷歌的合作关系确保客户从谷歌开发的任何未来人工智能创新中受益。

不完整、不准确和不一致的产品数据会阻碍搜索和发现，导致收入损失和客户忠诚度降低。Natarajan强调了人工智能在数据丰富方面的重要性，并指出在优化产品目录数据进行搜索和发现后，电子商务销售额增长了20%。

暴露错误数据造成的收入损失

技术，或者没有正确使用技术，可能会使零售商难以识别不良数据的存在。Rethink的电子商务策略师Vinny O’Brien讲述了他早期在eBay工作的一个例子，他举了一个例子来说明错误的索引是如何导致突然不可见的产品列表持续损失收入的。

经过与合作伙伴的合作，发现eBay未能将任何产品数据标准化。因此，例如，如果有人搜索了一双耐克鞋，但产品数据在上传时的格式中缺少大写的N，那么该产品在第一阶段搜索后就会消失。

这次失败不仅限于这一个产品条目。对于平台上的其他零售商来说，这是一个系统性的重复结果。

“所以你就消失了。你损失了大约30%的搜索量。当我们最终解决了这个问题时，对于一家如此规模的公司来说，这不是一件容易的事，我们以大约20%到25%的速度为组织恢复收入，特别是那些拥有大目录的组织，因为我们有很多长尾搜索等等。但这是一个具有重大影响的领域，”他详细介绍道。

隔离处理不良数据的挑战

Sada零售解决方案总监Joyce Mueller表示，糟糕的数据问题更多的是一个意想不到的后果，而不是故意降低产品数据的优先级。这一直是一个长期存在的问题。

不完整、不准确或缺失的字段会导致数据错误。她建议，也许提供了错误的数据规范，或者SKU之间存在不一致。穆勒继续说道：“由于缺乏干净的数据管道将所有数据整合在一起，我们最终得到的数据不一定像我们希望的那样完整。”。

她警告说：“大多数情况下，这对后端系统来说是一个问题。但现在，拥有不完整、不准确、描述不当或风格和特征不好的产品数据实际上会给数字购物者带来问题。这会降低你的产品被发现的可能性。”。

数据标准化的难以捉摸的目标

采用一刀切的标准方法是一场失败的战斗。早期的努力未能取得普遍成功。

奥布莱恩指出，2010年左右，所有主要的电子商务零售平台都敦促营销人员遵守每种产品的标准数据集，使其可见。在某种程度上，采用这一前提只是一个好策略。

他表示：“我认为，当那些大公司做出这样的授权时，管理数据规模是一个挑战。”。“它需要被每个人接受，每个人都必须遵守。”

他补充道，这种管理加上数据治理的规模是巨大的。各种行业都在发挥作用，无论是企业对企业还是企业对消费者。在这些垂直领域中，可能是食品级应用或医疗类产品，他说，考虑到合规性的其他并发症。

奥布莱恩认为：“不同类型的行业也有自己的细微差别。大规模管理所有这些都是极其困难的。”。

弥合数据管理差距

Natarajan补充说，在会议上与零售商或分销商交谈时，他看到了制造商和零售商之间的差距。最后，这是一个零售商也必须管理的漏洞，因此必须处理很多细微差别。

“大规模管理这类数据有很多挑战，我认为这可能是我们没有看到产品数据标准化扩展到所有不同行业、所有不同垂直领域和各种规模的零售商的原因，”他解释道。

Sada的Mueller表示，她不知道有任何零售亚垂直处理得很好。但她认为，数字原生代之所以能更好地处理它，仅仅是因为它是新的。

她观察到：“当我们想到传统零售商时，他们有一个长期存在的系统，不一定能相互交流。对于更在职的人来说，解决这类问题，并以采用新技术的方式形成和塑造自己，是很困难的。他们有更大的遗产和更多的技术债务。”。

一些行业可能有更好的机会管理他们的数据，因为产品不太复杂。根据Natarajan的说法，在这些类别中，你的产品归属比在技术上更复杂的产品中要少，比如机器、发动机等。

他说：“产品类型的差异将导致更好的数据治理，因为管理一些不太复杂的产品更容易。”。

数据丰富的人工智能解决方案

专家小组讨论了分销商和零售商可以采取的步骤，以更加注意他们可以采取的行动来帮助克服不良数据问题。

1、对产品数据进行审核，从最关键的类别开始。

2、实施人工智能驱动的数据丰富和清理解决方案，以提高产品数据质量。

3、衡量数据质量改进对收入、客户满意度和回报等指标的影响。

4、建立数据治理流程，以确保未来产品数据的一致性和准确性。

5、探索人工智能数据丰富工具的免费试用，以评估其对产品目录的影响。

6、在组织内确定一位拥护者，可能来自产品营销团队，以推动数据丰富计划。

7、对数据管道进行现代化改造，并将产品数据整合到一个集中的、基于云的系统中，以实现更高级的分析和自动化。