Категоризация товаров с AI: как разложить тысячи SKU по taxonomy без ручного каталога

Поставщик прислал 8 000 SKU и своё дерево категорий. Второй поставщик — ещё 12 000 и другое дерево. Редактор вручную раскладывает товары в каталог. Через неделю приходит следующая партия.

Категоризация товаров с AI полезна именно на этом масштабе. Но модель не должна придумывать структуру каталога каждый раз. Сначала нужна canonical taxonomy, которой управляет сам бизнес. Практический вопрос звучит проще: как AI разложить тысячи SKU по нашей taxonomy и не отправить каждую карточку редактору?

Дальше всё становится потоком: supplier category и атрибуты дают candidate, правила проверяют допустимость, а редактор видит только новые и спорные случаи.

Canonical taxonomy должна жить отдельно от поставщиков

Категория поставщика — полезный сигнал, но не источник структуры магазина. Один пишет `Смартфоны`, другой — `Телефоны и гаджеты`, третий складывает туда же аксессуары.

Я бы держала собственное дерево категорий с устойчивыми ID. Внешние названия маппятся на него и не меняют master taxonomy автоматически.

GS1 GPC показывает похожий принцип стандартизированной классификации: товар связывается с управляемой системой категорий, а не со случайной формулировкой конкретного feed.

Проверяемые источники: GS1 — How GPC works

AI получает больше, чем одно название товара

`Apple 15 Pro 256` без бренда, типа и атрибутов ещё можно понять. `Classic 200` — уже нет.

Для candidate category я бы подавала title, бренд, supplier category, ключевые характеристики и, если доступно, GTIN-related context. Чем больше подтверждённых product facts, тем меньше модель вынуждена угадывать.

Google Merchant Center использует product type и Google product category как разные поля. Для внутреннего mapping полезно сохранить обе идеи: наша категория и внешнее представление канала.

Проверяемые источники: Google Merchant Center — Google product category · Google Merchant Center — Product type

MEDIA FRAME · PLACEHOLDERИллюстрация будет добавлена позже

Сначала exact mappings, потом AI

Если supplier category уже десять раз подтверждали как одну и ту же internal category, я не стала бы каждый раз спрашивать модель заново.

Проверенный mapping применяется детерминированно. AI нужен для новых названий, конфликтов и товаров, где supplier category слишком широкая.

Так стоимость и ручная очередь падают по мере накопления правил. Каталог действительно учится на подтверждённых решениях.

Проверяемые источники: GS1 — How GPC works

Категория должна согласоваться с обязательными атрибутами

Если AI отправил товар в `Ноутбуки`, а у SKU нет ни одного характерного атрибута этой категории, стоит остановиться. Возможно, title неоднозначный или mapping неправильный.

Я бы использовала category schema как второй слой QA: допустимые product types, обязательные поля, типы значений. Candidate, который конфликтует со схемой, идёт в exception queue.

Google product data specification показывает, насколько требования к product attributes зависят от типа данных и канала. Внутренний контроль лучше запускать до выгрузки.

Проверяемые источники: Google Merchant Center — Product data specification

Редактор подтверждает группу, а не каждую карточку

Если сто SKU имеют одинаковую supplier category, похожие атрибуты и один candidate mapping, показывать их по одному — бессмысленно.

Я бы собирала batch: правило, несколько примеров, количество затронутых SKU и возможные конфликты. Редактор подтверждает mapping для группы или выделяет исключения.

После этого новая партия того же поставщика проходит автоматически. Вот здесь и появляется масштаб.

Проверяемые источники: Google Merchant Center — Google product category · GS1 — How GPC works

Метрика — сколько новых SKU дошло без ручной перекладки

Количество классифицированных товаров само по себе неинтересно. Модель всегда может раздать категорию каждому SKU.

Я бы смотрела first-pass acceptance, число новых mappings, долю конфликтов со schema и время редактора на тысячу SKU. Отдельно — категории, где исключения повторяются чаще всего.

Хороший поток растёт вместе с каталогом, а ручная очередь — нет. Если каждый новый поставщик снова требует полной раскладки руками, taxonomy ещё не стала системой.

Проверяемые источники: Google Merchant Center — Product data specification

Изменение taxonomy должно запускать пересчёт затронутых SKU

Категории тоже меняются: одну разделили на две, другую объединили, появился новый обязательный атрибут. Старые approved mappings после этого могут стать неверными.

Я бы версионировала taxonomy и хранила, по какой версии классифицирован SKU. Изменение узла создаёт controlled reclassification только для затронутой части каталога.

Так не нужно пересобирать все товары после каждой правки дерева. Партия остаётся управляемой даже при развитии каталога.

Я бы ещё хранила причину reclassification: изменилось дерево, обновился mapping или появились новые product facts. Тогда после массового пересчёта можно понять, почему SKU переехал в другую категорию, и откатить конкретное правило, а не всю партию.

Проверяемые источники: GS1 — How GPC works · Google Merchant Center — Product data specification

Что проверить перед следующей партией

Можно ли AI автоматически распределять товары по категориям?

Да, особенно если есть стабильная internal taxonomy и подтверждённые product facts. Я бы автоматически применяла проверенные mappings, а новые и спорные candidates отправляла в QA.

Нужно ли использовать Google Product Category как структуру магазина?

Не обязательно. Внутренняя taxonomy решает задачи вашего каталога, а Google category может быть channel mapping на выходе.

Как уменьшить ручную категоризацию новых поставщиков?

Сохранять approved supplier-to-canonical mappings, применять их партиями и использовать AI только для новых или конфликтных случаев.

Для меня категоризация работает, когда новая партия не превращается в новый проект. Большинство SKU проходит по известным правилам, AI разбирает хвост, редактор подтверждает только исключения. Каталог растёт, а ручная перекладка — нет.

Следующие задачи в каталожном потоке для «категоризация товаров»: Атрибуты товара: как нормализовать характеристики от разных поставщиков с AI · AI shopping: как подготовить каталог товаров для shopping-агентов · Контент-конвейер для тысяч SKU: как выстроить процесс без хаоса.