Machine learning inzetten bij PIM

Productinformatiemanagement (PIM) is tot op heden een vrij arbeidsintensieve taak binnen bedrijven. De PIM-expertgroep van onderzoeksplatform ShoppingTomorrow heeft zich dit jaar gebogen over hoe je dit intelligenter kunt aanpakken via nieuwe technieken van artificial intelligence (AI) en machine learning (ML).

Leek het in 2016 gekozen thema van een intelligent PIM nog zeker een aantal jaren voor ons te liggen, nu terugkijkend gaan de ontwikkelingen razendsnel en heeft de expertgroep al concrete AI- en ML-toepassingen rondom PIM langs zien komen.

Bol.com is bijvoorbeeld tien jaar geleden al begonnen met het inzetten van een eerste vorm van ML, onder andere voor search completion. Daarbij werden zoektermen automatisch aangevuld en schrijffouten voorkomen, waardoor de vindbaarheid van producten werd vergroot. Tegenwoordig gebruikt bol.com ML voor veel verschillende toepassingen, zoals het aanvullen en verbeteren van productinformatie en het automatisch classificeren van producten. Technisch groothandel Kramp gebruikt ML om productdata te verrijken en Nigella IT zet het in om productselectie en personalisatie te verbeteren.

Zelf trainen of een getraind model gebruiken?

In het algemeen geldt dat voor ML een grote hoeveelheid data beschikbaar moet zijn waarmee het model te trainen is. Je kunt soms wel gebruikmaken van eerder getrainde modellen, waardoor er dan met een beperkte set aan data gewerkt kan worden. Een bekend voorbeeld is het herkennen van beelden, waarbij een extern platform al getraind is met miljoenen afbeeldingen. Ook bij het vertalen van teksten kan ML goed worden gebruikt. Op heel bedrijfsspecifieke onderdelen kan het juist wel van belang zijn om een eigen model te trainen, zoals bij een classificatie die men wil inzetten voor een zelfgedefinieerde personalisatie.

A fool with a tool…

Een kanttekening bij al deze nieuwe AI- en ML-technologieën is dat een fool met een tool nog steeds een fool is: AI en ML op een juiste manier toepassen eist een hoog kennisniveau. Bedrijven doen er daarom goed aan om dit nu al te onderkennen en deze expertise bij hun medewerkers te trainen dan wel te werven. Daarnaast is en blijft het opbouwen en managen van een grote productdatabase met actuele en kwalitatief hoogwaardige productdata essentieel.

De toekomst van een intelligent PIM

Hoe nu verder? De PIM-expertgroep verwacht dat, na de eerste succesvolle AI- en ML-toepassingen bij de PIM-kernprocessen als onboarding en maintenance van data, er veel te winnen valt op het vlak van transformaties en personalisatie. De verwachting is dat over een jaar of vier 20 procent van alle digital commerce met consumenten niet meer via een scherm en toetsenbord gaat, maar via voice. Hiermee is voice ook voor productinformatiemanagement relevant en een grote uitdaging. Als de consument zich dan ook nog eens laat assisteren door een digital twin, die veel meer data kan verwerken dan de mens, dan is de toekomst van een intelligent PIM gewaarborgd.

Twinkle besteedt de komende tijd aandacht aan de bevindingen van diverse expertgroepen van onderzoeksplatform ShoppingTomorrow. Zij publiceerden hun conclusies in de bundel 'Tijd voor transformatie: verander vandaag!, op 24 januari. Op de site van ShoppingTomorrow zijn de bluepapers van de verschillende expertgroepen te downloaden.