Думаю, почти у каждого, кто хочет выйти в онлайн, появляется задача сделать описания и характеристики товаров. И почти всегда на это не хватает времени и ресурсов.
А даже если эту задачу кому-то поручают, то человек просто идет в интернет и копирует описания с сайтов конкурентов. Потом, разумеется, появляются проблемы с продвижением в поисковых системах: контент не уникальный, поэтому высоких позиций в выдаче ждать не приходится. Но на этом этапе мало кто об этом задумывается.
Исходная задача
А теперь к моему реальному кейсу.
Когда я делала интернет-магазин строительных материалов на 1С-Битрикс, я обнаружила, что более-менее внятные описания есть примерно у 50% товаров. А характеристики товаров не были заполнены вообще.
При этом хотелось сделать интернет-магазин не абы как, а чтобы он реально работал, продвигался в поиске и приносил прибыль. Поэтому я задумалась, как могу самостоятельно создать описания и характеристики товаров. Клиент не горел желанием выделять на эту задачу дополнительные ресурсы.
Так как незадолго до этого я написала приложение для сопоставления номенклатуры с помощью AI, то решила еще раз прибегнуть к помощи искусственного интеллекта.
План был довольно простой: выгружаем из Битрикса Excel-файл со списком товаров, передаем его нейросети и получаем обратно товары с заполненными характеристиками и описаниями.
Товаров было около 2000 позиций, поэтому просто загрузить файл в чат и ждать результат было бы не лучшей идеей. Я решила работать через API, отправляя товары небольшими пакетами. На практике использовались батчи примерно по 20 позиций, но каждая позиция обрабатывалась отдельно.
Изначально мне хотелось просто передать список товаров и позволить AI самостоятельно определить, какие характеристики стоит заполнить, а затем автоматически их сгенерировать.
Разработка приложения
Разработку я начала в своем любимом Claude Code.
Сначала мы сделали прототип полностью на JavaScript, работающий в браузере. Казалось, что этого будет достаточно. Но идея не взлетела.
Потом появился бэкенд на Python и достаточно сложный промпт. Постепенно пришло понимание, что одного промпта недостаточно — необходимо дополнительно обрабатывать ответы нейросети.
Кроме того, выяснилось, что позволять нейросети самостоятельно придумывать характеристики — плохая идея. У похожих товаров наборы характеристик получались разными, а часть характеристик вообще не имела практического смысла.
Поэтому появился отдельный файл с заранее определенными характеристиками для каждой группы товаров. Каждая группа обрабатывалась отдельно.
Сначала мы пробовали использовать Яндекс GPT, но он допускал довольно много ошибок, а результаты для аналогичных товаров сильно различались. После этого перешли на GPT от OpenAI. Качество стало заметно лучше, однако проблема единообразия заполнения все равно оставалась.
Например, модель могла по-разному указать бренд у практически одинаковых товаров. Или у одного товара заполнить характеристику, а у другого — нет.
Затем я поняла, что и сама структура характеристик мне не очень нравится. Я попросила Claude проанализировать сайты конкурентов и подобрать наиболее часто используемые характеристики для разных групп товаров.
Когда я изучила результат, стало понятно, что большого смысла разделять характеристики по отдельным группам нет. В большинстве случаев они были очень похожи. Поэтому я объединила товары и сформировала единый список характеристик.
После этого попросила Claude максимально заполнить характеристики программно. Это позволило сократить расходы на API и уменьшить количество несоответствий между одинаковыми товарами.
А затем уже через GPT был обработан весь каталог.
Что получилось в итоге
Результат оказался неоднозначным.
Часть характеристик была заполнена корректно, часть — с ошибками. Особенно много проблем возникло с размерами и другими числовыми параметрами.
Если размер не был явно указан в названии товара, GPT мог подобрать его наугад. Иногда модель принимала за размер совершенно другое число из наименования товара.
В итоге наиболее качественно заполнялись описательные характеристики:
- цвет;
- материал;
- назначение;
- описание товара.
А вот вес, размеры и другие числовые параметры в итоге пришлось перепроверять и корректировать вручную силами менеджеров клиента.
Мои выводы
Когда я только начинала этот эксперимент, мне казалось, что если нейросеть чего-то не знает, то она сможет найти информацию в интернете. Однако при работе через API модели по умолчанию не выполняют поиск в сети. Они используют только те данные, которые были переданы в запросе.
Кроме того, представление нейросети о том, как следует заполнять свойства товаров, менялось от позиции к позиции. Из-за этого результат получался не всегда качественным и единообразным.
Еще одна проблема заключалась в том, что нейросеть часто пропускала характеристики, которые вполне могла бы заполнить. Поэтому я запускала обработку по нескольку раз, чтобы добиться максимально полного заполнения таблицы.
И, как я уже говорила, с числовыми характеристиками у AI возникало особенно много сложностей.
Мой итог такой: получившуюся программу вполне можно использовать для массовой генерации описаний товаров. С этой задачей она справляется хорошо.
А вот характеристики товаров я бы по-прежнему рекомендовала заполнять вручную либо брать из надежных справочников и каталогов производителей.
Что получилось дополнительно
Чтобы упростить работу с данными, характеристики можно было заполнять прямо в Excel, а затем загружать их в 1С и на сайт.
Для этого я дополнительно написала клиенту обработку загрузки характеристик из Excel в 1С, а также обработку для последующей выгрузки этих данных в Битрикс.
На разработку приложения и всей сопутствующей инфраструктуры ушло довольно много времени.
Конечно, итоговый результат оказался не совсем таким, каким я его представляла в начале проекта. Но это был очень полезный опыт. И для задачи массовой генерации описаний товаров моя программа действительно показала себя хорошо.