Dane produktowe · Kategorie · AI · Reguły
Mapowanie kategorii produktów z regułami, scoringiem i raportem wyjątków
Import z hurtowni zwykle niesie własne drzewo kategorii, które rzadko pasuje do sposobu kupowania w sklepie. Budujemy mappery, które łączą reguły, atrybuty, słowniki i opcjonalnie AI, ale zapisują tylko pewne decyzje. Reszta trafia do raportu review.
# category_mapper.php
source = CSV / XML / API / ERP
validate = kontrola danych i wyjątków
process = mapowanie, reguły biznesowe, opcjonalnie AI
output = raport, sklep, ERP albo API
✓ input: SKU + name + attrs✓ score: outdoor_jacket = 0.92✓ WRITE_OK → category_id: jackets
Najczęstszy problem
Dlaczego ręczne kategorie szybko przestają działać?
Import z hurtowni ma własne drzewo
Kategorie źródłowe rzadko pasują do tego, jak klient szuka produktów w sklepie.
Produkty lądują za szeroko
Wszystko trafia do jednej kategorii, przez co listing nie sprzedaje i nie buduje SEO.
Reguły są zbyt agresywne
Jedno słowo w nazwie potrafi wrzucić produkt do złej kategorii, jeśli mapper nie ma scoringu i wyjątków.
Brak kontroli kolizji
Marka, kolekcja, typ produktu i atrybuty potrafią wysyłać sprzeczne sygnały.
Nie ma raportu błędów
Nie wiadomo, które produkty zostały przypisane automatycznie, a które wymagają człowieka.
Kategorie nie wspierają SEO
Drzewo jest wygodne dla magazynu, ale nie dla użytkownika i wyszukiwarki.
Kontekst
Jak ograniczamy błędne przypisania kategorii przed zapisem?
Dobry mapper nie zgaduje kategorii po jednym słowie w nazwie. Decyzja wynika z marki, typu produktu, kolekcji, płci, aktywności, atrybutów i wyjątków. Jeżeli sygnały są sprzeczne, rekord nie trafia do zapisu — dostaje niski score i powód w raporcie.
Zakres
Jak budujemy mapper kategorii
Eksport danychPobieramy nazwy, SKU, EAN, marki, atrybuty, warianty, kategorie źródłowe i statusy.
Słownik kategoriiUstalamy docelowe drzewo kategorii, które ma sens sprzedażowo i SEO.
Reguły klasyfikacjiŁączymy warunki po nazwach, atrybutach, kolekcjach, typach produktu i wyjątkach.
Scoring pewnościProdukty z kolizją lub niską pewnością trafiają do raportu, a nie do przypadkowej kategorii.
Dry-run i raport
Przed zapisem widać, ile produktów jest AUTO_OK, LOW_CONFIDENCE albo BLOCKED.
Bezpieczny zapis
Dopiero po akceptacji zapisujemy kategorie przez API, import albo skrypt administracyjny.
Proces
Jak prowadzimy pracę?
01
Audyt drzewa
Sprawdzamy aktualne kategorie i to, jak powinno wyglądać docelowe drzewo SEO/sprzedażowe.
02
Próbka produktów
Bierzemy reprezentatywne produkty i szukamy wzorców oraz wyjątków.
03
Mapper dry-run
Budujemy klasyfikację bez zapisu i generujemy raport.
04
Korekta reguł
Poprawiamy kolizje, progi pewności i przypadki brzegowe.
05
Write kontrolowany
Zapisujemy tylko pewne przypisania i zostawiamy raport wyjątków.
Efekt
Efekt: kategorie, które da się obronić w raporcie i utrzymać przy kolejnych importach
Mapper zostawia po sobie reguły, progi pewności i raport decyzji. Przykład: SKU produktu przechodzi przez sygnały z nazwy, marki, aktywności i atrybutów, dostaje confidence score, a wynik kończy jako AUTO_OK albo REVIEW. Dzięki temu błędy z pliku hurtowni nie trafiają prosto do kategorii sklepu.
- Produkty trafiają do kategorii, które pomagają klientowi i SEO.
- Mniej ręcznego poprawiania po imporcie.
- Masz raport niepewnych przypadków zamiast cichych błędów.
- Mapper można rozwijać przy kolejnych importach.
Powiązane zakresy
Co często łączymy z tym tematem?
FAQ
Najczęstsze pytania
Tak. W wielu przypadkach reguły i dane produktowe wystarczają. AI przydaje się przy opisach, zdjęciach i niejednoznacznych przypadkach.
Nie. Niepewne produkty powinny trafić do raportu z niską pewnością, a nie do losowej kategorii.
Tak, bo poprawna struktura kategorii wzmacnia linkowanie, listingi i intencje wyszukiwania.
Tak, najlepiej traktować mapper jako proces, który obsługuje kolejne importy i nowe produkty.
Opisz problem, a dobierzemy pierwszy sensowny etap.
Nie musisz mieć gotowej specyfikacji. Wystarczy link do sklepu, plik albo krótki opis tego, co dziś blokuje sprzedaż lub pracę zespołu.