Euronics is een vereniging van bedrijven die consumentenelektronica verkopen. Deze vereniging bezit met meer dan 11.000 onafhankelijke elektronicaretailers in 37 landen een groot deel van de consumentenelektronicamarkt. Deze internationale aanwezigheid is uiteraard goed voor het succes van het bedrijf, maar er komen ook uitdagingen bij kijken. In totaal werkt het bedrijf met 19 PIM-systemen en 54 losstaande webwinkels voor consumenten. Met zoveel verschillende data en PIM-systemen, kan het zijn dat de productinformatie niet altijd even consistent en compleet is. Om dit probleem op te lossen en de efficiëntie van het bedrijf te verbeteren, werd besloten om alle beschikbare productinformatie (uit alle PIM-systemen) te combineren. Het enige probleem was echter dat ze niet echt wisten hoe ze dit konden bereiken.

Uitdaging

Het bleek dat er in sommige landen meer en betere productdata was dan in andere landen. Doordat de datakwaliteit én -kwantiteit in sommige landen onvoldoende was, was het mogelijk om met de bestaande data (van hogere kwaliteit) uit andere landen deze data te verbeteren. Om dit te bereiken en om een beter overzicht te krijgen, dienden productcodes (zoals EAN, UPS en GTIN) gelinkt worden. Deze productcodes kunnen echter verschillen per land, wat dit proces enorm ingewikkeld en bijna onmogelijk maakte. Datasets in verschillende landen waren nog steeds inconsistent en in sommige landen was de datakwaliteit ook zwaar onder de maat. Euronics moest dus nadenken over een andere oplossing, en dit is waar Squadra Machine Learning Company aanbood om mee te helpen in het vinden van een oplossing.

Oplossing

Squadra Machine Learning Company stelde voor om losse producten met elkaar te linken op basis van producteigenschappen. Allereerst werden de datasets van drie retailers verzameld en de eigenschappen binnen deze sets werden gematcht. Vervolgens werden deze eigenschappen kaart gebracht om een duidelijker overzicht te krijgen. Daarna werd er gecontroleerd of het echt niet mogelijk was om de productcodes en modelnummers te matchen, en het bleek dat de modelnummers wel gematcht konden worden. Vervolgens werden de beschikbare productkenmerken gematcht (zie onderstaande screenshot). Vervolgens werd er een algoritme ontwikkeld gebaseerd op de merknaam en productcode. De volgende stap was het aanvullen van de incomplete datasets op basis van de datasets die completer waren. Vervolgens was de slimme tool in staat om een gelijkheidsscore tussen producten te laten zien, waarmee je in kan zien in welke mate datasets overeenkomen. Als er een nieuwe dataset wordt toegevoegd biedt deze gelijkheidsscore informatie over de gelijkenissen tussen sets. Ook is het mogelijk om de nieuwe dataset aan te vullen wanneer deze over onvoldoende data beschikt.

Een screenshot van de slimme tool.

Resultaat

Na de samenwerking met Squadra Machine Learning Company heeft Euronics de consistentie tussen haar organisaties sterk verbeterd. Hierdoor worden klanten voorzien van betere informatie en de verhoogde consistentie en verbeterde datakwaliteit geeft het merk zelf ook inzicht in de toevoegde waarde van gecombineerde data. Je kan wel zeggen dat dit een eerste stap is naar nieuwe mogelijkheden: vanwege het consistente datamodel kan het merk nu mogelijk een duidelijker overzicht krijgen van welke producten waar worden verkocht. Het zou ook mogelijk zijn om leveranciers te vragen om meer productdata. Als al deze info op de goede manier wordt gebruikt, zijn er ook mogelijkheden om bedrijfsprocessen te automatiseren. Zo kan Powertext.ai unieke en kwalitatieve productbeschrijvingen generen op basis van producteigenschappen. Dit resulteert in een betere vindbaarheid op Google en zo worden klanten makkelijker naar jouw website geleid en is de kans op conversie hoger. Dit in combinatie met de verbeterde informatie(hoeveelheid) die aan je klanten wordt aangeboden, kan de klantervaring significant verbeteren.