Przejdź do treści
openProd

openProd importuje pliki PDF i arkusze dostawców do systemu PIM.

Zobacz openProd na żywo.

Umów demo (otwiera się w nowej karcie)

PIM i PXM

Automatyzacja pracy w PIM za pomocą AI: przykłady zastosowań

Czas czytania: 7 min

Automatyzacja procesów zarządzania danymi produktowymi oszczędza czas i koszty. AI przyspiesza klasyfikację, generowanie opisów i eliminację błędów. Jak poprawić efektywność operacyjną?

Spis treści 4 rozdziały

Wprowadzenie

Wdrożenie systemu PIM (Product Information Management) wymaga starannego przygotowania, oczyszczenia i skategoryzowania danych produktowych. W LemonMind wykorzystujemy sztuczną inteligencję, aby pomagać klientom automatyzować te złożone procesy. Efekt to znaczna oszczędność czasu i zasobów.

Sztuczna inteligencja odgrywa kluczową rolę w zmianie sposobu zarządzania informacją produktową. Potrafi analizować i przetwarzać duże zbiory danych, więc pozwala zautomatyzować wiele rutynowych zadań, takich jak klasyfikacja produktów czy generowanie opisów. Te procesy stają się wydajniejsze i mniej podatne na błędy.

W ramach naszego rozwiązania LemonHub.AI integrujemy AI z systemami PIM, aby usprawnić zarządzanie danymi produktowymi. Automatycznie mapujemy atrybuty produktów z różnych źródeł, odczytujemy dane z etykiet produktów i tworzymy inteligentnych asystentów z aktualną wiedzą o produktach. Takie kompleksowe podejście do PXM (Product Experience Management) z wykorzystaniem AI pozwala dostarczać spójne i przekonujące informacje o produktach we wszystkich kanałach sprzedaży.

Poniżej konkretne przykłady zastosowania naszych rozwiązań:

Aby sprostać tym wyzwaniom, wdrożyliśmy rozwiązanie oparte na algorytmach sztucznej inteligencji, które automatycznie przypisuje produkty do właściwych kategorii.

Przy założeniu, że tradycyjna metoda wymagała 1 400 godzin pracy, przy standardowej stawce 150 zł za godzinę koszty operacyjne wyniosłyby:

  • 1 400 godzin × 150 zł/h = 210 000 zł.

Wdrożenie rozwiązania opartego na algorytmach AI, które automatycznie przypisuje produkty do właściwych kategorii, zmniejszyło nakład pracy o 80%. Oznacza to, że ręcznie trzeba będzie przetworzyć tylko:

  • 1 400 godzin × 20% = 280 godzin.

Nowe koszty operacyjne:

  • 280 godzin × 150 zł/h = 42 000 zł.

Bezpośrednia oszczędność dzięki automatyzacji:

  • 210 000 zł (koszt pracy ręcznej) minus 42 000 zł (koszt po wdrożeniu AI) = 168 000 zł.

Dodatkowo wbudowany moduł analizy danych pozwolił ograniczyć ryzyko błędów. Szacujemy, że dało to dodatkowe oszczędności rzędu 10% pierwotnego kosztu pracy ręcznej, czyli:

  • 210 000 zł × 10% = 21 000 zł.

Łączne oszczędności po wdrożeniu rozwiązania wyniosły więc:

  • 168 000 zł + 21 000 zł = 189 000 zł w ciągu 10 miesięcy.

Dzięki rozwiązaniu LemonMind opartemu na AI klient nie tylko znacznie obniżył koszty operacyjne i skrócił czas klasyfikacji produktów, ale też uzyskał spójną, ujednoliconą strukturę danych. Ujednolicenie ułatwia integrację z systemami IT i poprawia jakość raportowania, co jest kluczowe dla analizy sprzedaży i decyzji strategicznych. Automatyzacja procesu pozwoliła pracownikom skupić się na zadaniach o większej wartości dodanej zamiast na monotonnej, czasochłonnej pracy ręcznej.

Podsumowując: wykorzystanie sztucznej inteligencji do automatycznego mapowania produktów okazało się nie tylko usprawnieniem technologicznym, ale też strategicznym narzędziem do optymalizacji kosztów, zwiększenia efektywności operacyjnej i ograniczenia ryzyka błędów. W efekcie przyczyniło się do dalszego rozwoju biznesu klienta.

Przy założeniu, że do przetworzenia jest 150 000 produktów, łączny czas pracy wyniósłby:

  • 150 000 produktów × 5 minut = 750 000 minut, czyli około 12 500 godzin.

Przy standardowej stawce 150 zł za godzinę ręczne przetwarzanie kosztowałoby:

  • 12 500 godzin × 150 zł/h = 1 875 000 zł.

Wdrożyliśmy rozwiązanie oparte na AI, które automatycznie rozpoznaje i wyodrębnia z etykiet kluczowe informacje (np. skład czy wartości odżywcze) i przekazuje je do systemu PIM. Przy skuteczności 95% praca ręczna znacznie się zmniejszyła: tylko 5% produktów wymaga dalszej ręcznej interwencji. W praktyce ręcznie trzeba przetworzyć:

  • 150 000 produktów × 5% = 7 500 produktów.

Czas potrzebny na ręczną obsługę tych produktów:

  • 7 500 produktów × 5 minut = 37 500 minut, czyli około 625 godzin.

Koszt ręcznego przetwarzania w nowej sytuacji wyniósłby:

  • 625 godzin × 150 zł/h = 93 750 zł.

Bezpośrednia oszczędność dzięki automatyzacji:

  • 1 875 000 zł (koszt pracy ręcznej) minus 93 750 zł (koszt po wdrożeniu AI) = 1 781 250 zł.

System AI pozwolił też wykrywać błędy już na etapie ekstrakcji, więc odpadły koszty ich późniejszej korekty. Szacujemy, że mniejsza liczba błędów daje dodatkowe oszczędności rzędu 10% pierwotnych kosztów pracy ręcznej, czyli około:

  • 1 875 000 zł × 10% = 187 500 zł.

Łączne oszczędności po wdrożeniu rozwiązania wynoszą więc:

  • 1 781 250 zł + 187 500 zł = 1 968 750 zł.

Dzięki temu rozwiązaniu klient nie tylko znacznie przyspieszył wprowadzanie danych, ale też ograniczył liczbę błędów do minimum. Automatyzacja pozwoliła pracownikom skupić się na zadaniach strategicznych, a jednocześnie zwiększyła efektywność operacyjną i poprawiła jakość danych w systemie PIM.

Przy założeniu, że ręczne przygotowanie nazwy produktu zajmowało średnio 3 minuty, a portfel klienta obejmował 50 000 produktów, łączny nakład pracy wyniósłby:

  • 50 000 produktów × 3 minuty = 150 000 minut, czyli około 2 500 godzin.

Przy standardowej stawce 150 zł za godzinę koszt procesu ręcznego wyniósłby:

  • 2 500 godzin × 150 zł/h = 375 000 zł.

Nasz system oparty na sztucznej inteligencji automatycznie generuje nazwy produktów z uwzględnieniem ich kluczowych cech i obowiązujących przepisów. Jego wdrożenie skróciło potrzebny czas o 70%. Nowy proces wymaga więc tylko 30% pierwotnego nakładu pracy, czyli około:

  • 2 500 godzin × 30% = 750 godzin.

Przy tej samej stawce nowe koszty operacyjne wyniosłyby:

  • 750 godzin × 150 zł/h = 112 500 zł.

Bezpośrednia oszczędność wyniosła więc:

  • 375 000 zł minus 112 500 zł = 262 500 zł.

Ponadto automatyczne generowanie nazw zapewnia ich spójność i zgodność z wytycznymi, co poprawia postrzeganie marki i zmniejsza liczbę potencjalnych błędów. Szacujemy, że ograniczenie błędów dało kolejne około 10% pierwotnego kosztu (czyli około 37 500 zł).

Łącznie wdrożenie systemu AI przyniosło oszczędności rzędu 300 000 zł. Dzięki automatyzacji pracownicy mogą też skupić się na zadaniach o większej wartości dodanej, co przekłada się na wyższą efektywność operacyjną i mocniejszy, pozytywny wizerunek marki na rynku spożywczym.

Przy założeniu, że przygotowanie jednego opisu technicznego zajmuje średnio 10 minut, łączny nakład pracy wyniósłby:

  • 250 000 opisów × 10 minut = 2 500 000 minut, czyli około 41 667 godzin.

Przy standardowej stawce 150 zł za godzinę koszt procesu ręcznego sięgnąłby:

  • 41 667 godzin × 150 zł/h = 6 250 050 zł.

Proces udało się zautomatyzować dzięki algorytmom AI, które generowały szczegółowe opisy techniczne na podstawie danych z systemu PIM. Czas pracy zespołu spadł o 80%, więc ręcznie trzeba było wykonać tylko 20% pierwotnego nakładu pracy. W praktyce zostaje:

  • 41 667 godzin × 20% = 8 333 godziny.

Nowe koszty operacyjne przy tej efektywności wyniosły:

  • 8 333 godziny × 150 zł/h = 1 249 950 zł.

Bezpośrednia oszczędność wyniosła więc:

  • 6 250 050 zł minus 1 249 950 zł = 5 000 100 zł.

Automatyczne generowanie opisów przez system AI znacznie ograniczyło też liczbę błędów, które w tradycyjnym procesie mogłyby generować kolejne koszty. Szacujemy, że eliminacja błędów dała dodatkowe oszczędności rzędu 10% pierwotnych kosztów pracy ręcznej, czyli:

  • 6 250 050 zł × 10% = 625 005 zł.

Łącznie wdrożenie systemu AI przyniosło oszczędności rzędu:

  • 5 000 100 zł + 625 005 zł = 5 625 105 zł.

Wdrożenie tego rozwiązania pozwoliło klientowi nie tylko znacznie obniżyć koszty operacyjne, ale też zapewnić wysoką jakość i spójność informacji produktowych. Dzięki automatyzacji tworzenia opisów technicznych pracownicy mogą skupić się na zadaniach o większej wartości dodanej, co podnosi ogólną efektywność operacyjną firmy.

Trzy kolejne zadania, które AI przejmuje w PIM

Wyszukiwanie błędów i luk

AI porównuje rekordy produktów i znajduje brakujące wartości, literówki i wartości, które sobie przeczą. Zespół poprawia je, zanim dane trafią do kanału sprzedaży.

Klasyfikacja na podstawie opisów i zdjęć

Przetwarzanie języka naturalnego czyta opisy produktów, a widzenie komputerowe analizuje zdjęcia. Razem podpowiadają atrybuty i właściwą kategorię dla każdego produktu, dzięki czemu produkty łatwiej też znaleźć.

Wskazanie, gdzie proces traci czas

Analiza przepływu pracy w PIM pokazuje powtarzalne kroki ręczne i miejsca, w których produkty czekają najdłużej. Wiadomo wtedy, co zautomatyzować w następnej kolejności.

Najlepiej zacząć od jednej grupy produktów i jednego zadania, porównać czas przed zmianą i po niej, a potem rozszerzać zakres. Tak samo pracuje nasze doradztwo AI: krótki warsztat, potem pilotaż na jednym zbiorze danych. Więcej: jak LemonHub.AI działa na danych z PIM oraz projekt LemonHub.AI dla Ceramiki Paradyż.

Przykład w Pimcore: opisy z atrybutów

Zbudowaliśmy dla Pimcore generator opisów, który działa według tego modelu:

Two Pimcore dialogs for generating a product description and an article with OpenAI, with a maximum length setting
Okna generowania opisu produktu i artykułu w Pimcore
  • Prompt powstaje z atrybutów, które już są w PIM, takich jak kolor, materiał, wymiary i przeznaczenie.
  • Redaktor uruchamia generowanie na żądanie przyciskiem w widoku Data Object.
  • Generowanie działa w tle dzięki Symfony Messenger, a pole wypełnia się, gdy tekst jest gotowy.
  • Redaktor wykorzystuje tekst, poprawia go albo odrzuca przed publikacją.
Pimcore success notification: request sent to OpenAI, refresh the object in about 30 seconds
Powiadomienie: zapytanie wysłane do OpenAI

Więcej o kolejce w tle: jak Pimcore współpracuje z Symfony Messenger.

Pimcore Description field filled with an AI-generated text about the Cobra 427 car
Opis produktu wygenerowany przez AI w polu Description

Podsumowanie

Integracja sztucznej inteligencji z systemami PIM przynosi wymierne korzyści: automatyzuje złożone procesy, ogranicza błędy i oszczędza czas oraz koszty. Dzięki takim rozwiązaniom firmy mogą skupić się na strategicznych aspektach biznesu, a klienci dostają spójne i przekonujące informacje o produktach.

W LemonMind stale rozwijamy nasze narzędzia, aby odpowiadać na rosnące potrzeby rynku i wspierać klientów w skutecznym zarządzaniu informacją produktową.

Więcej na ten temat: jak AI zmienia PXM oraz treści generowane przez AI a SEO.

Umów 30-minutową konsultację

O autorze

Olgierd Mrozik

CEO

Poznaj zespół

Czytaj dalej

Powiązane artykuły

Olgierd Mrozik, CEO of LemonMind
Olgierd MrozikCEO, LemonMind
Olgierd MrozikCEO, LemonMind

Od teorii do wdrożenia

Umów 30‑minutową konsultację

30 minut rozmowy z Olgierdem Mrozikiem, CEO LemonMind.

30 minut. Kalendarz otworzy się w nowej karcie.

  • 2010 rok założenia
  • 300+ projektów
  • 70+ wdrożeń PIM i e-commerce