Pulizia di un catalogo Magento da 20.000 SKU con AI — senza nuove assunzioni

Se chiede a un merchant Magento qual è il suo principale problema tecnico, risponderà la velocità, il checkout o l’aggiornamento che continua a rimandare. Se pone la stessa domanda al team di merchandising, la risposta cambia: il catalogo è disordinato. Metà dei prodotti ha una descrizione copiata dal PDF del fornitore, l’attributo materiale è compilato solo sul 40% delle referenze e nessuno ricorda quale delle tre tassonomie colore sia quella corretta.

Non si tratta di un problema estetico. Attributi carenti compromettono la navigazione a livelli, privano la ricerca interna dei termini che i clienti digitano realmente e producono pagine di categoria prive di elementi utili per il posizionamento su Google. Con la crescita dello shopping mediato da agenti, i dati strutturati di prodotto non sono più solo un requisito SEO, ma determinano se un assistente può proporre i suoi prodotti o li rende invisibili.

La soluzione tradizionale prevede un team di data entry e diciotto mesi di lavoro. Quella realistica nel 2026 è una pipeline. Ecco come la gestiamo.

Definire cosa si sta realmente correggendo

Non inizi dalle descrizioni. Parta dagli attributi, perché tutto il resto dipende da questi: filtri, ricerca, feed e leggibilità per le macchine. Le descrizioni sono il problema visibile; gli attributi quello che incide sui costi.

Esegua prima un audit di completezza. Per ogni attributo del set di Magento, rilevi il tasso di compilazione e il numero di valori distinti. Questo unico report le dirà più di una settimana di riunioni: mostrerà l’attributo compilato al 94% ma inutile perché ha 3.000 valori liberi diversi, e quello compilato al 30% che trasformerebbe le pagine di categoria se fosse più completo.

• Tasso di compilazione sotto il 60% su un attributo filtrabile — ecco perché la navigazione a livelli è carente
• Numero elevato di valori distinti su un attributo che dovrebbe essere a selezione — testo libero dove servirebbe un menu a tendina, quindi nessun raggruppamento
• Più attributi con lo stesso significato — colour, color, shade, ereditati da tre script di importazione diversi
• GTIN, MPN o brand mancanti — i campi che determinano se i suoi prodotti possono essere riconosciuti fuori dal suo sito

La pipeline

Quattro fasi, e la terza è quella decisiva.

1. Esportare con contesto

Esporti il catalogo includendo tutto ciò che serve al modello per fondare le risposte: descrizione esistente, testo del fornitore, percorso di categoria, nome del set di attributi, brand e qualsiasi specifica presente in un attributo personalizzato. Includa SKU e ID entità per poter riallineare i risultati senza ambiguità.

Esegua i batch per set di attributi, non sull’intero catalogo in un’unica operazione. Un prompt pensato per le dimensioni dei mobili non funziona per gli ingredienti dei cosmetici, e mescolarli produce risultati mediocri per entrambi.

2. Arricchire con un prompt vincolato

Il prompt deve svolgere un solo compito: leggere il testo fornito e restituire uno schema fisso. Non deve scrivere testi promozionali né migliorare nulla. Solo estrarre e normalizzare.

• Indichi i valori ammessi. Se material è un attributo a selezione con 24 opzioni, inserisca tutte e 24 nel prompt e richieda che la risposta sia uno di questi valori o null.
• Richieda esplicitamente null per tutto ciò che non è presente nella fonte. È l’istruzione più importante dell’intera pipeline.
• Richieda un segnale di confidenza per ogni campo, così la revisione può essere mirata invece che uniforme.
• Richieda un output strutturato, validato rispetto a uno schema, in modo che una risposta malformata venga bloccata subito invece di essere importata senza controllo.

3. Revisionare a campione, non rileggere tutto

Nessuno revisionerà 20.000 righe, e fingere il contrario porta al fallimento del progetto. Usi un campionamento e lasci che il segnale di confidenza indirizzi la revisione:

• Righe a bassa confidenza: revisioni tutte. Qui i dati di origine sono realmente ambigui.
• Righe ad alta confidenza: campioni il 5%, stratificando per categoria e fornitore, così che un feed problematico non si nasconda nella media.
• Definisca una soglia di accettazione prima di iniziare — noi usiamo il 98% di correttezza sul campione — e se un batch non la raggiunge, corregga il prompt e rilanci il batch invece di modificare le righe a mano.
• Non campioni solo le categorie semplici. L’errore che cerca si trova nei dati più disordinati dei fornitori.

Un merchandiser, con un campione ben progettato, può validare un batch in un pomeriggio. La stessa persona, revisionando ogni riga, sarebbe ancora al lavoro a Natale: è il motivo per cui la versione non controllata di questi progetti non si conclude mai.

4. Importare in batch reversibili

Importi per set di attributi, per batch, salvando i valori pre-importazione in modo da poterli ripristinare. L’import di Magento può sovrascrivere rapidamente 20.000 righe corrette con 20.000 errate, e di solito ci si accorge del problema una settimana dopo, quando qualcuno nota che i filtri non funzionano più.

Reindicizzi, poi verifichi la navigazione a livelli e i risultati di ricerca nelle categorie coinvolte prima di pubblicare il batch successivo. La superficie visibile è il suo test di regressione.

Descrizioni: un'attività diversa, più rischiosa

Quando gli attributi sono puliti, generare le descrizioni a partire da essi è molto più sicuro: il modello costruisce frasi da dati verificati, non deduce dati dal testo. Segua sempre quest’ordine, mai il contrario.

Anche in questo caso, proceda con cautela. Le linee guida di Google riguardano l’utilità, non la provenienza: un testo generato automaticamente che aiuta davvero il cliente va bene, mentre un testo creato solo per riempire la pagina no, indipendentemente da chi o cosa lo abbia scritto. In pratica, significa:

• Ogni affermazione deve basarsi su un attributo. Niente benefici inventati, niente compatibilità inventate, niente istruzioni di cura inventate.
• Fornisca al prompt una vera guida di tono di brand con tre esempi approvati: la differenza tra un testo generico e uno coerente con il brand sta quasi tutta negli esempi.
• Faccia un rollout su un gruppo di controllo: arricchisca metà di una categoria, lasci l’altra invariata e confronti impression e conversioni organiche dopo un ciclo completo di scansione. Solo così saprà se ha funzionato.
• Mantenga sempre una validazione umana sulle categorie regolamentate. Qualsiasi prodotto con claim su salute, sicurezza, ingredienti o conformità non passa mai da una pipeline automatica.

Dove questo processo può fallire

Quattro modalità di fallimento, tutte già osservate.

1. Specifiche inventate. Dimensioni, pesi e compatibilità dedotti dal contesto. Questo genera problemi di reso e, in alcune categorie, anche legali — motivo per cui l’istruzione sul null è più importante dello schema.
2. Normalizzazione che elimina distinzioni reali. Forzare 3.000 colori in testo libero in 24 opzioni è l’obiettivo, finché "Racing Green" e "British Racing Green" diventano "Green" e un cliente riceve il ricambio sbagliato.
3. Deriva silenziosa della tassonomia. Ogni batch modifica leggermente i valori e dopo sei mesi l’attributo torna incoerente in modo nuovo. Si risolve con una lista bloccata di valori ammessi, non solo con la disciplina del prompt.
4. Ottimizzazione per quantità, non per visibilità. Un tasso di compilazione del 100% su un attributo che nessuno filtra non serve a nulla. La priorità va data a ciò che ricerca e navigazione utilizzano davvero.

Quali sono i costi

L’inferenza del modello su un catalogo da 20.000 SKU è la parte meno costosa del progetto: il costo reale è nell’ingegnerizzazione della pipeline e nel tempo del merchandiser per la revisione dei campioni. Preveda alcune settimane di integrazione e un blocco definito di revisione specialistica; il costo dei token è trascurabile rispetto a entrambi.

Quel rapporto è ciò che rende valido l'approccio. L’attività che prima era costosa — ore-uomo per SKU — diventa una funzione di qualità campionata invece che lineare, e ciò che ora ha un costo marginale cresce con il catalogo, non con il numero di persone.

Il secondo vantaggio: leggibilità per le macchine

Un catalogo pulito e normalizzato è il prerequisito per tutto ciò che segue e che oggi attira l’attenzione. La ricerca semantica richiede attributi coerenti per avere valore. La qualità delle raccomandazioni dipende dalla qualità dei dati di prodotto. I feed dei merchant vengono respinti se mancano i GTIN. E gli assistenti AI possono proporre solo prodotti di cui leggono e verificano gli attributi.

Abbiamo scritto a parte su come far raccomandare i propri prodotti da ChatGPT e Perplexity, e la sintesi onesta è che la maggior parte del lavoro è proprio questa attività. Il progetto dati, poco appariscente, è quello che apre la strada a quelli più interessanti.

Il nostro team AI e machine learning realizza queste pipeline su cataloghi Magento in produzione, e la nostra più ampia pratica di integrazione AI esiste proprio per garantire che l’infrastruttura sia corretta prima di attivare la parte più complessa. Lo stesso principio si vede nel nostro lavoro sull’inventario Portmeirion, dove il modello era valido solo quanto i dati che lo alimentavano.

Parta dall'audit di completezza

Prima di tutto, analizzi il fill-rate e il report dei valori distinti per i suoi set di attributi — di solito cambia la prospettiva sul problema. Lo eseguiamo sul suo catalogo e le indichiamo quali attributi meritano la pipeline e quali sono solo rumore. Contatti il nostro team; rispondiamo entro un giorno lavorativo.