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:

- 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.

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

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.




