E-Commerce Produktdaten: KI-Einsatz zur Effizienzsteigerung

Dieser Artikel richtet sich an alle, die mit Produktdaten im E-Commerce umgehen.

Relevanz von KI für Produktdaten im E-Commerce

Im Jahr 2012 wurde im Rahmen einer Studie ermittelt, wie hoch die durchschnittliche Pflegezeit eines Modeartikels von der ersten Datenerfassung über die Bildbearbeitung bis zur finalen Fertigstellung für die Nutzung in einem Online Shop ist. Datenpflege und Bildbearbeitungsaufwände zusammen ergaben dabei einen durchschnittlichen Aufwand von 8h pro Artikel. Im Falle von Artikeln mit Varianten wie Konfektion mit Farben und Größen, wurde der Aufwand maßgeblich größer, wenn die Varianten nicht mit identischem Bild- und Textmaterial versehen waren oder abweichende Beschreibungen erforderlich wurden.

Bei einem Sortiment von 1000 Artikeln sprechen wir damit von einem Aufwand der in etwa 4,5 Personenjahren entspricht. Ein Kostenblock der in die 100k€ geht und der von einem Modehersteller je nach Häufigkeit von Konfektionswechseln 2 – 8 mal pro Jahr getragen werden muss.

Einsparung durch KI

Durch gezielten KI Einsatz lassen sich insbesondere in der Datenpflege Einsparpotentiale von bis zu 90% erzielen d.h. die Pflegedauer eines Artikels im Durchschnitt von 8h auf weniger als eine Stunde senken so, dass bei entsprechenden Konfektionsgrößen Kosten von mehreren 100k€/Jahr einsparen.

Wir wollen im Rahmen dieses Papers insbesondere auf drei Themen eingehen:

• Einsatz von KI in der Bildverarbeitung
  • Erkennen von Bildinhalten insbesondere Produkten und Bildeigenschaften
  • Extraktion von Produkteigenschaften im Bild
  • Generierung von Produktbildern
• Produktdatenpflege
  • Automatische Generierung grundlegender Produkteigenschaften und Texten
  • Generierung von Zielgruppenbezogenen Produktinformationen

Je nach Pflegeprozess können die hier gezeigten KI Schritte unterschiedlich Kombiniert werden.

Bildeigenschaften am Bild erkennen

Bei der Erkennung grundlegender Bildeigenschaften geht es natürlich in erster Linie darum zu erkennen welches die zentralen Bildkomponenten sind. Mit dem passendem KI Einsatz ist aus Bildinformation bereits eine gezielte Vorbestimmung eine Modesortiments möglich.

Szenen Identifikation im Genre- oder Mood Bild

In einem einfachen Beispielen sehen wir, wie ein solche Bilderkennung funktioniert anhand eines einfachen Bildes sehen wir das Ergebnis von Bilderkennung

Es werden Personen, Kleidungsstücke, deren Positionen und im Detail auch Kleidungseigenschaften erkannt und dem Bild zugeordnet. Zu den einzelnen Objekten ist es möglich eine zielgenaue Verschlagwortung und Farbgebung vorzunehmen.

Mit dieser grundlegenden Information lassen sich einfach Aussagen zum Bild treffen und folgende Informationen zuordnen.

1. Anzahl der Kleidungsstücke auf dem Bild
2. Ansicht (Front, Seite, hinten, usw.)
3. Personen auf dem Bild
4. Keywords im Bild
5. Kleidungsstücke im Bild mit
   • Eigenschaften
   • Farben
6. SEO Texte für das Bild

Produkteigenschaften am Produktbild identifizieren

Bereits in einem Mood-Bild lassen sich Produkteigentschaften mit recht großer Genauigkeit identifizieren. Dies läßt sich am Detailbild noch verbessern.

Existieren Produktfotos, wie sie für Online-Shops üblich sind, z.B. Torso-Shots, etc. lassen sich vielfältige Produktdetails präzise per KI generieren. Dazu gehören Informationen wie:

Existieren Produktfotos, wie sie für Online-Shops üblich sind, z.B. Torso-Shots, etc. lassen sich vielfältige Produktdetails präzise per KI generieren. Dazu gehören u.A. folgende Informationen:

1. Art des Kleidungsstücks (Jacke, Hose, Gürtel, Schal, Brille, Schuhe usw.)
2. Muster (Beispiele: uni, gestreift, Logoprint usw.)
3. Kragenform (Beispiele: Kein Kragen, spitzer Kragen, runder Kragen)
4. Armlänge (Beispiele: Langarm, Kiurzarm)
5. Hosenlänge (Beispiele: Lang, mittel, kurz)
6. Farbe (RAL-Farbe, aber auch Farbauswahl-Facette)
7. Farbzuordnung zu Farbkategorien (z.B. Mint zu Grün, Rose zu Rot, etc.)
8. Freisteller (Beispiel: Freigestellt, weißer Hintergrund, kein Hintergrund, Farbverlauf, mit Hintergrund)
9. Marken (Sind Marken auf dem Produkt erkennbar, und welche)

Produktbild Generierung auf Teilbildern

Die KI basierte Bildgenerierung ist in Teilen der umgekehrte Weg dessen, was bisher beschrieben wurde. Waren wir bisher in einem Bereich unterwegs, bei dem aus bestehenden Bildern passende Produktdaten generiert werden, versuchen wir nun den umgekehrten Weg.

Mit bestehenden Produktdaten und eventuell bestehendem Bildmaterial lassen sich per KI neue Bilder für andere und neue Produkte generieren.

Hier Gibt es grundlegende Ansätze, wie sie von unterschiedlichen KI Generatoren unterstützt werden.

• Generieren Sie neue Bilder per Texteingabe (Prompt)
  Also die Erzeugung neuer Bilder auf rein descriptiver Basis.
• Bearbeiten Sie ein exitierenden Bildes mit einem Text-Prompt.
  Dies bietet die einfache Methode mit wenig Shooting Aufwand sehr viele vergleichbare Produkte zu bebildern.
• Bearbeiten von Teilen existierender Bilder
  Durch Bildmasken lassen sich speziell definierte Bereiche generieren, ein effizienter Weg, der Neuinszenierung von Produkten für Zielgruppen
• Optimieren Sie vorhandene, generierte oder bearbeitete Bilder.
• Erweitern und optimieren bestehender Bilder
  Eine einfache Möglichkeit um einen Look zu variieren (z.B. eine Handtasche austauschen)
• Automatische Qualitätssicherung von Bildern
  Durch Textuelle Fragen zur Bildqualität, läßt sich mittels KI ein einheitlicher Bildstandard gewährleisten oder Bilder für einen speziellen Kulturraum sichern.

Produkteigenschaften, die am Produkt erzeugt werden

Neben ersten Bildern stehen sowohl bei Händlern als auch bei Herstellern verschieden Informationen zum Produkt selbst zur Verfügung. Seien es einfache Datensheets, z.B. in EXCEL mit einzelnen Fakten zum Bild oder Waschlabels am Kleidungsstück.
Überraschend oft reichen schon wenige Informationen um ein Produkt grundlegend auszuprägen.

Ein Denkmodell

Starten wir mit einem Prozess wir neue Ware angeliefert wird. Die neue Kollektion wird auf Palette am Wareneingang abgeliefert.

• Zur Ware existeriert ein EXCEL Sheet mit einigen Produktfakten wie Artikel-Typ, Größe, Farbe und EAN
• Jeder Artikel verfügt über einen einfaches Produktbild ohne Größengang, d.h. für ein T-Shirt in allen Größen existiert eine Aufnahme
• Jeder Artikel hat einen Waschzettel

Der bisherige Prozess, der Datenerfassung könnte in etwa wie folgt aussehen:

Automatische Generierung grundlegender Produkteigenschaften

Ergänzen zu vollwertigen Marketing-Informationen

Ein Mode-Stammdatensatz ist eine gute Basis um ein komplettes Set an Marketing Informationen zu generieren. Hier sollte ist es immer gut im Hinterkopf zu behalten, dass KI Tools wie ChatGPT sehr gut mit Fakten und Beispielen gefüttert werden können. D.h. die Beschreibung der Artikel der vergangen Kollektion, angereichert durch grundlegende Stil Informationen helfen das aktuelle Produkt vollständig zu Beschreiben und dabei alles zu generieren, was ein Artikel Online oder im Katalog an Information benötigt:

• Marketing Texte
  • Titel
  • Langbeschreibung
  • Kurzbeschreibung
  • Slogan
• Zielgruppen Informationen
  • wer trägt das
• USPs
  • Fashion Tips
  • Kombinationen mit anderen Artikeln
• SEO Texte
• Farbmapping (Die Farbe „Flieder“ wird im Online Shop in „Lila“ eingeordnet)

Mit diesem Informationsset ist es denkbar, einen Artikel zu erstellen, der, geeignetes Bildmaterial vorausgesetzt, sofort in einem Online-Shop live gehen kann.

Automation bei Bildern

Es wurde schon angedeutet, dass auch die Bilderstellung nicht mehr per Foto-Shooting erfolgen muß. Mit passenden Genre Bildern lassen sich neue Konfektionen schnell und mit guter Qualität in bestehende Mode Fotografien einfügen. Hintergründe lassen sich austauschen.

Damit läßt sich die Notwendigkeit von Foto-Shootings nicht auf „Null“ reduzieren, doch eine 60% Reduktion bedeutet in diesem Schritt schon sowohl Zeitgewinn, als auch Kostenreduktion.

Generierung von Zielgruppenbezogenen Produktinformationen

Wird ein Sortiment für mehrere Zielgruppen benötigt, wobei Zielgruppe im einfachsten Fall auch ein Marktplatz wie Zalando sein kann, so lassen sich Marketing-Information ohne Probleme automatisch auf eine spezifische Tonalität anpassen und damit für eine Zielgruppe ausprägen.

Disruption nicht Evolution

Um einen solchen Prozess neu zu gestalten hilft es in der Regel nicht, einzelne existierende Schritte mittels KI zu unterstützen. die Besten Ergebnisse werden dann erzielt, wenn das bestehende Denkmodell komplett über Bord geworfen wird und auch Systeme im ersten Schritt keine tragende Rolle spielen.

Mit neuen Möglichkeiten der Datengenerierung sollte auch der Pflegeprozess komplett erneuert werden.