E-handel og detail
Fra 12 leverandørformater til ét automatiseret datasæt med AI-berigelse
Dansk e-handelsvirksomhed
Format: 1-dags hackathon
Kort fortalt
- 50.000 produkter beriges automatisk hver dag uden manuelt arbejde
- Leverandørdata fra over 12 formater normaliseres til ét fælles masterdatasæt
- AI-berigelse: brandtekster, billeder og oversættelser til fire sprog
- Tre fuldtidsstillinger frigjort til strategisk produktarbejde
På et 1-dags hackathon byggede teamet en automatiseret behandlingskæde i n8n der modtager leverandørdata i ethvert format, normaliserer det til ét fælles masterdatasæt og beriger hver produktrække med AI: søgeoptimerede brandtekster, automatiske billedforbedringer og oversættelser til fire sprog. Til sidst genererer kæden kundespecifikke udtræk. Én distributionskunde får CSV med 12 felter, en anden får XML med 47 felter, en tredje får et JSON-udtræk direkte ind i sin produktdatabase. 50.000 produkter løber nu igennem dagligt uden et eneste manuelt klik.
Resultater i tal
Udfordringen
En etableret dansk netbutik med 50.000 unikke produkter modtog daglige produktdata fra over 12 leverandører i alt fra Excel-ark og XML-filer til PDF-prislister. Tre fuldtidsansatte brugte hele deres arbejdstid på at kopiere, normalisere og berige produktdata med brandtekster, billeder og oversættelser inden hvert produkt kunne sendes videre til distributionskunder med vidt forskellige krav til format, sprog og felter. Vækstambitionerne kunne ikke følges, fordi hver ny leverandør betød endnu en manuel proces.
Løsningen
På et 1-dags hackathon byggede teamet en automatiseret behandlingskæde i n8n der modtager leverandørdata i ethvert format, normaliserer det til ét fælles masterdatasæt og beriger hver produktrække med AI: søgeoptimerede brandtekster, automatiske billedforbedringer og oversættelser til fire sprog. Til sidst genererer kæden kundespecifikke udtræk. Én distributionskunde får CSV med 12 felter, en anden får XML med 47 felter, en tredje får et JSON-udtræk direkte ind i sin produktdatabase. 50.000 produkter løber nu igennem dagligt uden et eneste manuelt klik.
Sådan byggede vi det
- 1
Kortlægning af kilder og formater
Teamet kortlagde alle leverandører og hvilke datafelter hver enkelt leverede. AI hjalp med at identificere hvilke felter der manglede konsistent, og hvilke variationer der reelt betød det samme.
- 2
Normalisering i n8n
Bygget en n8n-arbejdsgang der modtager input via mail, FTP og indgående kald, og oversætter alt til ét fælles JSON-format med valideringsregler. Når en leverandør ændrer format, skal kun ét trin justeres.
- 3
AI-berigelse per produkt
Claude og ChatGPT genererer søgeoptimerede tekster, kategorimærker og varianttekster ud fra leverandørens rådata og brandretningslinjer. Hver berigelse journalføres, så kvaliteten kan stikprøvekontrolleres bagefter.
- 4
Sproglaget
Automatiske oversættelser til dansk, engelsk, tysk og svensk med brandkonsistent tonefald via faste skabeloner. Modersmålstalere fra teamet validerede de første 200 produkter inden fuld idriftsættelse.
- 5
Udtræksgenerator per kunde
En konfigurerbar skabelonmotor producerer det præcise format hver distributionskunde forventer, med automatisk udsendelse på fast skema og fejlmelding hvis et felt mangler.
Det vi tog med os
- →Den største gevinst lå ikke i AI-tekster, men i normaliseringsfasen. Alle dataproblemer havde rod i de varierende leverandørformater.
- →Hold AI-berigelsen modulær. Når en leverandør ændrer format, skal kun ét trin justeres, ikke hele kæden.
- →Investér 30 minutter ekstra i journalføring og fejlmeldinger. Det er ulig nemmere at vedligeholde en arbejdsgang man kan se ind i.
- →Distributionskunder elsker konfigurerbare udtræk. Det er ofte salgsargumentet, ikke prisen.
“Vi brugte tidligere tre fuldtidsansatte på at vedligeholde produktdata. Nu kører det automatisk, og kvaliteten er højere end nogensinde, fordi mennesker laver fejl, det gør en velbygget arbejdsgang ikke.”