Catalogazione e naming prodotti con AI

Come usare l'AI per strutturare un catalogo con migliaia di SKU

Guida pratica all'uso dell'intelligenza artificiale per riclassificare, normalizzare e strutturare cataloghi prodotto con molti SKU. Workflow, strumenti e limiti reali per PMI manifatturiere e distributori.

Un catalogo da 2.000 SKU con dati inconsistenti era, fino a qualche anno fa, un progetto da 4–6 mesi a pieno regime. Oggi, con AI applicata correttamente, lo stesso lavoro si completa in 3–6 settimane. Non perché l'AI faccia tutto da sola — non lo fa — ma perché automatizza le fasi più ripetitive e permette agli umani di concentrarsi sulle decisioni che richiedono giudizio.

Step 1: clustering per identificare famiglie e duplicati

Il primo passaggio è capire cosa c'è nel catalogo. Un modello di embedding (come text-embedding-3 di OpenAI o sentence-transformers open source) converte ogni descrizione articolo in un vettore numerico. Gli articoli simili hanno vettori vicini nello spazio vettoriale: questo permette di identificare automaticamente cluster di prodotti simili e, all'interno di ogni cluster, potenziali duplicati.

Questo step è puramente esplorativo: il risultato è una mappa del catalogo che mostra la struttura reale dei dati, indipendentemente da come sono stati categorizzati storicamente. Spesso rivela sorprese: famiglie di prodotti che nessuno aveva mai pensato di accorpare, duplicati inseriti mesi o anni prima, varianti mal classificate.

Step 2: normalizzazione degli attributi

Gli attributi tecnici nei cataloghi disorganizzati sono tipicamente un mix di sinonimi, abbreviazioni non standardizzate e valori in unità diverse. Un LLM (Language Model) con un prompt ben costruito può normalizzare questi valori a scala: prende ogni valore non standard e lo mappa al valore canonico del glossario aziendale.

Questo step ha un'accuratezza tipica del 90–95% su cataloghi industriali. Il 5–10% di errori si concentra sui casi ambigui — valori che dipendono da contesto aziendale specifico che il modello non conosce — e richiede revisione umana.

Step 3: generazione dei nomi sistematici

Una volta che gli attributi sono normalizzati, il nome sistematico può essere generato automaticamente applicando le regole del sistema di naming. Questa è la fase più veloce: con un template e un LLM, si generano migliaia di nomi in minuti. La qualità dipende interamente dalla qualità del template e degli attributi di input.

Step 4: human review dei casi ambigui

Il workflow AI non funziona senza una fase di revisione umana strutturata. I casi ambigui — quelli che il modello ha marcato come incerti — vanno revisionati da qualcuno con competenza tecnica del prodotto. Non da un data entry operator: da un tecnico che conosce il prodotto e può disambiguare i casi che richiedono giudizio di dominio. Questa fase è il bottleneck reale del progetto: la velocità dell'intero processo è limitata dalla disponibilità di questo revisore.