Матчинг товаров в электронной коммерции¶
Матчинг товаров — это процесс сопоставления товарных предложений от разных продавцов с целью выявления идентичных или схожих позиций каталога (один и тот же товар, представленный несколькими поставщиками). Результатом матча является группировка дублей и определение «эталонной» карточки товара, что позволяет формировать единый каталог, сравнивать цены и управлять ассортиментом.
¶Суть и назначение
На маркетплейсах и в крупных интернет-магазинах один и тот же товар часто представлен десятками карточек: разные продавцы загружают его с разными названиями, фотографиями, артикулами и описаниями. Без матча каталог превращается в неструктурированный набор дублей, что мешает покупателю сравнивать предложения, а площадке — управлять выдачей и ценовой политикой.
Матчинг решает задачи:
- объединение дублей в единую товарную сущность;
- сопоставление внутреннего каталога магазина с базами поставщиков;
- сопоставление товаров разных площадок (например, для аналитики цен);
- нормализация данных перед загрузкой в систему учёта.
¶Подходы к матчу
¶Ручной
Специалист (категорийный менеджер, контент-менеджер) вручную сопоставляет карточки. Точность высокая, но скорость низкая — на каталог в сотни тысяч позиций ручной метод неприменим. Используется для разбора спорных случаев и разметки обучающих выборок.
¶Правила и эвристики
Сопоставление по заранее заданным правилам: совпадение артикула (SKU, EAN/GTIN-штрихкода), ключевых слов в названии, бренда, характеристик. Прост в реализации, но чувствителен к разным формулировкам одного товара («ноутбук ASUS VivoBook 15» против «ASUS VivoBook 15 M1502»).
¶Алгоритмический (ML)
Машинное обучение сопоставляет товары по набору признаков: текст названия и описания (после нормализации), изображения (сравнение эмбеддингов свёрточных сетей), структурированные характеристики, цена. Классические методы — TF-IDF, косинусная близость, отбор кандидатов через inverted index; современные — трансформерные модели (BERT-подобные энкодеры текста), нейросети для сравнения картинок (Siamese networks), а также мультимодальные модели, сочетающие текст и изображение.
¶Гибридный
Комбинация: алгоритм отбирает кандидатов и выдаёт оценку уверенности, а пороговые случаи уходят на ручную проверку. Наиболее распространённая схема в промышленных системах.
¶Типичный конвейер
- Нормализация данных — приведение названий к нижнему регистру, удаление стоп-слов, унификация брендов и единиц измерения, извлечение атрибутов.
- Отбор кандидатов — сужение парного пространства (вместо O(n²) сравнений) через блокировку по бренду, категории или хэшам от ключевых полей.
- Скоринг пар — вычисление меры близости (текст, изображения, атрибуты).
- Кластеризация — объединение пар в группы идентичных товаров (connected components, иерархическая кластеризация).
- Валидация — ручная или автоматическая проверка спорных групп.
¶Метрики качества
- Precision — доля действительно одинаковых товаров среди отмеченных как матч;
- Recall — доля найденных дублей от общего числа;
- F1-мера — гармоническое среднее;
- Pairwise accuracy — точность на уровне пар.
В промышленных системах целевой уровень precision обычно 0,95 и выше, recall зависит от сложности каталога.
¶Применение
- Маркетплейсы (Wildberries, Ozon, Яндекс Маркет) — для объединения карточек и построения выдачи.
- Ретейл — сопоставление прайс-листов поставщиков с внутренним каталогом.
- Аналитика цен — мониторинг предложений конкурентов.
- Рекламные системы — сопоставление товаров из фида рекламодателя с каталогом площадки.
- Промышленные закупки — нормализация номенклатуры в ERP-системах.
¶Особенности российского рынка
Российские компании разрабатывают собственные решения для матча: от правил и регулярных выражений до нейросетевых моделей. Задача осложняется разнообразием источников данных, наличием товаров без единого артикула (например, маркетплейсы не всегда требуют GTIN) и необходимостью обрабатывать каталоги в миллионы позиций.
¶Источники
- Научные статьи по entity resolution и record linkage в базах данных
- Материалы конференций по информационному поиску (SIGIR, CIKM)
- Публикации разработчиков e-commerce платформ о построении каталогов
- Обзоры методов дедупликации данных в ритейле