Intelligentes Attribut-Mapping
Externe Datenquellen wie Lieferantenlisten oder Plattform-Exporte bringen oft eigene Begrifflichkeiten und Strukturen mit. Dieses Projekt zeigt, wie durch KI-gestützte Vorschläge, manuelle Validierung, lernende Logik und gezielte Vertrauensregeln eine flexible und nachvollziehbare Zuordnung zu internen Attributen entsteht – effizient, skalierbar und zukunftssicher.
Ausgangslage
Jeder neue Lieferant bringt neue Attributnamen und Werte mit – von Tippfehlern bis hin zu anderen Einheiten, Bezeichnungen oder Sprachen. Ohne saubere Zuordnung ist kein Filter, keine Übersetzung und keine Textgenerierung verlässlich möglich. Klassische Regelwerke sind zu starr, manuelle Pflege zu aufwendig.
Ziel
- Attributzuweisungen automatisieren und beschleunigen
- Bestehende Datenstrukturen nutzen, aber flexibel erweitern
- KI zur Generierung, Formatierung und Übersetzung einzelner Optionen einsetzen
- Rückfragen mit eingebautem Dialogsystem klären
- Vertrauensregeln definieren, die künftig manuelle Eingriffe überflüssig machen
- Getätigte Zuordnungen systematisch dokumentieren und korrigierbar halten
Vorgehen
1. Intelligentes Vorschlagsformular:
Beim Datenimport erkennt das System, ob ein Mapping bereits existiert. Falls nicht, öffnet sich ein KI-gestütztes Eingabeformular mit Vorschlägen für Attributname und Attributwert – inklusive Übersetzung, Formatierung und Klassifikation.
2. Strukturierte Validierung mit Nutzerkontrolle:
Der Nutzer sieht sofort bestehende Mappings, neue Vorschläge sowie potenzielle Formatprobleme – und entscheidet, ob die Zuordnung einmalig oder dauerhaft übernommen wird.
3. Vertrauensregeln auf zwei Ebenen:
– Auf Attributebene: z. B. alle Vorschläge zu „Farbe“ automatisch übernehmen
– Auf Options-Ebene: z. B. alle Werte, die auf „Blau“ gemappt wurden, künftig direkt zuordnen
Diese Regeln sind global oder lieferantenspezifisch einsetzbar und werden dauerhaft gespeichert.
4. Automatisierte Formatvorschläge mit OpenAI:
Die KI schlägt normierte Werte wie „13.5 cm“ statt „ca. 13,5cm“ vor und erkennt dabei numerische Angaben für filterbare Felder.
5. Logging & nachträgliche Bearbeitung:
Alle Zuordnungen werden automatisch dokumentiert. Über eine eigene Oberfläche lassen sich kürzlich gemachte Mappings gezielt einsehen, korrigieren oder löschen.
Ergebnis
- Massiv reduzierte manuelle Arbeit bei Attributpflege
- Stetig wachsendes, lernfähiges Mapping-System
- Einheitliche Begriffe für Filter, SEO und Textgenerierung
- Vertrauensregeln ersetzen künftig viele Dialoge
- Volle Nachvollziehbarkeit durch Logging und Prüfmaske
Besonderheiten
- Vertrauenslogik auf Attribut- und Options-Ebene
- Kombination aus KI, Nutzerentscheidung, Regelwerk und Logging
- Funktioniert auch bei unstrukturierten Lieferantendaten
- Nachbearbeitung jederzeit möglich – einzeln oder im Batch