Home · Cases · Gepard PIM: AI-mapping

Case · AI-ontwikkeling · PIM

Gepard PIM: AI-mapping — een ingebed OpenAI-model nam de moeilijkste stap in productsyndicatie over

Het mappen van categorieën, kenmerken en kenmerkwaarden tussen taxonomieën is waar het onboarden van productcontent bijna stilvalt. Bintime integreerde een ingebed OpenAI API-model in het PIM- & syndicatieplatform van Gepard, zodat het systeem de mapping voorstelt en de gebruiker die bevestigt — met 75% nauwkeurigheid bij automatisch mappen.

Bespreek je project →Bekijk wat we opleverden

75%: Nauwkeurigheid van automatische mappingvoorstellen
7: Teamgrootte
10 jaar: Samenwerkingsperiode
30+: Klanten van de klant

Over de klant

Eén bron van waarheid voor productcontent, op industrieel volume

Gepard is een PIM-platform dat automatisering brengt in productinformatiebeheer voor e-commercebedrijven. Het PIM- & syndicatieplatform verzamelt, beheert, verrijkt en distribueert productdata in het formaat dat elk verkoopkanaal vraagt. Merken wisselen productmarketingcontent vrij uit; retailers onboarden en passen die geautomatiseerd aan.

De oplossing verhoogt de operationele efficiëntie met 75% en levert maandelijks meer dan 120 miljoen productbeschrijvingen aan meerdere retailplatforms. Op dat volume wordt elke stap die nog per attribuut een menselijke beslissing vraagt, de beperkende factor voor de hele pipeline.

Sector: E-commerce · B2B · Retail · PIM
Locatie: Nieuwegein, Nederland
Samenwerkingsperiode: 2008 – 2023
Samenwerking: Toegewijd AI-featureteam

Diensten

Geleverde expertise

Technologieën

Bezoek de pagina van de klant →

Zakelijke uitdaging

Mapping automatiseren zonder het platform trager of minder voorspelbaar te maken

Drie beperkingen bepaalden elke beslissing: het volume productdata, de reactietijd die gebruikers in de interface accepteren, en de noodzaak om eenvoudige mappings eenvoudig te houden en tegelijk ruimte te laten voor AI-voorstellen bij de complexe.

Volume versus latency in de interface

Enorme hoeveelheden productdata moesten worden verwerkt en het resultaat moest in de UI verschijnen binnen een tijd die gebruikers accepteren — de beperking die meerdere architecturen uitsloot.

Een mappingsysteem dat in beide richtingen flexibel is

Eenvoudige mappings moesten snel en deterministisch blijven, terwijl hetzelfde systeem AI-voorstellen voor de complexe gevallen moest kunnen verwerken.

Nieuwe taxonomieën zonder nieuw handwerk

Betrouwbaarheid en schaalbaarheid moesten overeind blijven bij nieuwe taxonomieën en producten, zonder extra handwerk per bron.

Onze aanpak

Eerst discovery, dan architectuur, dan het model

Het project begon met een discoveryfase om de specifieke eisen en obstakels van e-commerceoperaties te begrijpen. Pas daarna ontwierp het team een architectuur die past bij de bestaande platforminfrastructuur, integreerde het het ingebedde OpenAI API-model en bouwde het het intelligente mappingsysteem met een responsieve interface. QA/QC-tests controleerden betrouwbaarheid en mappingprecisie, en continue updates brachten marktfeedback terug in de feature.

De kernbeslissing
Datamapping aanpakken — het meest complexe proces in syndicatie en verrijking van productcontent — in plaats van de delen te automatiseren die al goedkoop waren.

01
Agile ontwikkeling voor adaptieve planning en continue verbetering van de MVP-functies.
02
Componentgebaseerde aanpak voor modulariteit en eenvoudig onderhoud.
03
CI/CD-ontwikkeling voor gestroomlijnde en geautomatiseerde code-deployment.
04
Focus op gebruikerservaring om het platform intuïtief en gebruiksvriendelijk te maken.
05
Securitybewust ontwerp om data-integriteit en privacy te beschermen.

Wat we opleverden

Vijf platformfuncties mogelijk gemaakt door de AI-assistent

Categoriemapping, kenmerkmapping en mapping van kenmerkwaarden zijn geautomatiseerd, naast een tabelgebaseerd importsysteem voor e-commercebedrijven.

Automatische herkenning van velden in importbestanden

Velden komen al herkend binnen, dus taxonomiemapping begint met een voorstel in plaats van een lege tabel.

Automatische mapping van kenmerkwaarden

Waarden worden gematcht met de contenttaxonomie zonder dat iemand ze stuk voor stuk hoeft op te zoeken.

Voorstellen voor kenmerkwaarden

Waar een match onzeker is, stelt het systeem kandidaten voor in plaats van stilletjes te falen.

Door AI gegenereerde categorie- en kenmerkmapping

Voorstellen gaan over het structurele niveau, niet alleen over losse waarden.

AI-snelkoppelingen voor mapping met één klik

Bevestigde matches worden in één handeling toegepast — daar komt de meeste tijdwinst vandaan.

Wat dit betekent voor gebruikers

Al herkende velden in importbestanden, voor snellere taxonomiemapping
Minder tijd en handwerk om relevante waarden in de contenttaxonomie te vinden
Vrijwel geen tijd en handwerk waar content- en externe taxonomieën volledig overeenkomen

Teamsamenstelling

Zeven mensen, van wie één volledig voor het model

1 solutions architect

Architectuur die past bij de bestaande platforminfrastructuur.

2+1

2 backend · 1 frontend

Codeontwikkeling en UI-integratie van het mappingsysteem.

1 AI-specialist

Gericht op de integratie van het ingebedde OpenAI API-model.

1 projectmanager

Bewaakt de planning en de deliverables van het project.

1 QA-engineer

Kwaliteit, betrouwbaarheid en bruikbaarheid van mapping met AI.

Geleverde waarde

Wat de ontwikkeling van AI-mapping opleverde

75%

Nauwkeurigheid van automatisch mappen

De nauwkeurigheid van voorstellen bereikte 75%, waardoor merken en retailers productinformatie effectiever beheren.

Geautomatiseerd

Categorie-, kenmerk- en waardemappings

Nauwkeurig en geautomatiseerd op alle drie de niveaus, met minder handwerk en fouten.

Schaalbaar

Nieuwe taxonomieën en producten

Mapping breidt zich uit over verschillende retailplatforms zonder evenredig meer handwerk.

Bruikbaar

Een intuïtieve mappinginterface

Eenvoudige navigatie en bediening van de mappingfuncties, op het volume dat het platform verwerkt.

Het ingebedde OpenAI API-model verzorgt nu de datamapping in het PIM- & syndicatieplatform van Gepard — het meest complexe proces in syndicatie en verrijking van productcontent. Juist de stap automatiseren die iedereen handmatig laat, verandert de economie van het onboarden van een nieuwe catalogus.

FAQ

Vragen over AI-mapping

Wat automatiseert AI-mapping in een PIM-platform?

Herkenning van velden in importbestanden, mapping van kenmerkwaarden, waardevoorstellen, door AI gegenereerde categorie- en kenmerkmapping, en snelkoppelingen voor mapping met één klik.

Hoe nauwkeurig zijn de voorstellen?

De nauwkeurigheid van automatische mappingvoorstellen bereikte 75%. De rest blijft een menselijke beslissing, met voorgestelde kandidaten in plaats van gokwerk.

Welke technologieën zijn gebruikt?

Het ingebedde OpenAI API-model voor het herkennen van categorieën, kenmerken en kenmerkwaarden, plus OpenAI API-algoritmen die nieuwe taxonomieën ondersteunen en de nauwkeurigheid in de loop van de tijd verbeteren.

Wie werkten er aan het project?

Zeven mensen: een solutions architect, twee backend- en één frontenddeveloper, een AI-specialist, een projectmanager en een QA-engineer.

Start een gesprek

Heeft je platform een handmatige stap die niet handmatig zou moeten zijn?

Vertel ons welk proces de meeste mensentijd kost. Wij komen terug met wat een versie met AI-ondersteuning zou vragen: discoveryscope, architectuurvragen die eerst beantwoord moeten worden, en waar de nauwkeurigheid realistisch zou uitkomen.

Antwoord binnen 24 uur van iemand die het kan scopen
Een eerlijke inschatting van wat AI wel en niet voor de case doet
NDA getekend voordat er details worden gedeeld