Case
AI-stödd produktberikning: från bildkaos till säljbart sortiment
Produkter i lager saknade bilder i webbshopen. Med AI-stöd kopplade jag rätt bild till rätt artikel, så att sortimentet kunde säljas.
Fick bilder
90 % av prioriterade
Granskade
4 700 bilder
Klara att publicera
1 850 bilder
Tid
58 timmar
Utmaningen
Varumärket hade drygt 500 produkter i lager, men många av dem saknade bilder i webbshopen. Bilderna fanns oftast någonstans, men de låg spridda i olika mappar och säsonger, med namn som inte gick att koppla till rätt artikel.
Att göra det för hand skulle ta veckor. Och varje produkt utan bild är en produkt som inte går att köpa, hur bra annonseringen än är.
Vad jag gjorde
1
Började i produktdatan, inte i bildmapparna
Vilka produkter har lager, hör till rätt säsong och saknar bild? Det gav 380 prioriterade artiklar av 527 i lager.
2
Vände på frågan: från produkt till bild
Många aktiva produkter fanns inte med i de nya fotograferingarna. Jag letade bilder till varje produkt, även i äldre säsonger. Så länge produkten ser likadan ut går en äldre bild att använda.
3
Kartlade alla bilder
Drygt 14 500 filer gicks igenom och kopplades mot artikelnummer och färg.
4
Byggde ett tydligt namnschema
Varje bild fick ett namn med artikel, färg och bildtyp (fram, bak, sida, detalj). Regler sattes per produktkategori.
5
Lät AI göra grovjobbet, med mig som kontroll
AI-verktyget granskade bilderna och föreslog namn. Jag godkände innan något ändrades, sedan döpte skript om och sorterade allt.
6
Körde i omgångar med kunden
Säsong för säsong, med avstämning hos kunden mellan varje omgång.
Så använde jag AI
AI-stödet gjorde projektet möjligt på 58 timmar. Men det fungerade bara för att det var tydligt vem som gjorde vad.
AI gjorde
Avgjorde vad varje bild visar (fram, bak, sida, logodetalj, insida). Matchade 14 500 filer mot lager och produktdata. Hittade fel som är lätta att missa, som fel artikelnummer i mappnamn (bekräftat via hängetiketten på bilden) och fram och bak omvända för en hel kategori. Tog fram förslagslistor i Excel och skrev skripten som döpte om och sorterade.
Jag gjorde
Satte reglerna: namnschema, bildkoder och undantag per kategori. Tog besluten i oklara fall, till exempel om en äldre bild fortfarande visar rätt produkt. Godkände varje omgång innan något ändrades. Höll dialogen med kunden och prioriterade.
Närmare 4 700 bilder granskade på 58 timmar, inklusive att bygga metoden. För hand hade samma jobb tagit många veckor.
Flödet
- Produktdata
- Urval: aktiva produkter med lager
- Sökning i alla säsonger
- Kartläggning av bilder
- Namnschema
- AI-granskning och godkännande
- Webbshop
Före och efter
Exempel på filnamn (påhittade nummer).
Svep i sidled för att se hela tabellen.
| Före | Efter | Bildtyp |
|---|---|---|
| IMG_4471.jpg | 10234_BLK_011.jpg | Framsida |
| Jacka-blå (2).jpg | 10234_BLU_012.jpg | Baksida |
| DSC_0093.png | 10234_BLU_017.png | Logodetalj |
Resultat
90 % av de prioriterade produkterna fick bilder och kan säljas på webben. 14 500 filer kartlades, 4 700 granskades och 2 500 döptes om i fyra omgångar.
Äldre säsonger blev en resurs: bilder som annars hade legat oanvända visar nu aktiva produkter. Kunden fick en tydlig lista på det som saknas, och metoden kan användas igen vid varje ny fotobatch.
Det snabbaste sättet att öka försäljningen var inte mer media. Det var att se till att det som redan låg i lager faktiskt gick att köpa. AI gjorde det möjligt på dagar i stället för veckor, men det var reglerna och besluten som gjorde resultatet pålitligt.
Vad caset visar
- Att börja i produktdatan i stället för i bildmapparna avgör vad som blir klart först.
- AI gör grovjobbet snabbt, men ett mänskligt godkännande före varje ändring håller kvaliteten.
Kunden är anonymiserad. Filnamn och artikelnummer är påhittade.
Vill du prata om det här caset?
Jag går gärna igenom detaljerna.