Pembeli mengirim foto sambungan pipa tanpa menyebut ukuran atau tipe ulir. Staf penjualan biasanya menebak kata kunci, membuka beberapa katalog, lalu meminta foto tambahan. Visual search untuk katalog produk dapat mempercepat langkah pertama dengan mencari SKU yang tampak mirip. Untuk suku cadang, kecocokan bentuk masih perlu diverifikasi terhadap ukuran, material, dan spesifikasi pemasangan.
Dokumentasi Google Cloud tentang Product Search menggambarkan mekanismenya. Sistem membandingkan foto kueri pengguna dengan foto referensi dalam set produk dan mengembalikan hasil berperingkat. Dalam implementasi perusahaan, tentukan juga kapan tim membutuhkan SKU yang sama dan kapan varian serupa boleh ditawarkan.
Mulai dari Keluarga Produk yang Sering Sulit Dicari
Pilih satu keluarga produk dengan foto yang sering masuk ke tim penjualan dan atribut pembeda yang sudah cukup rapi. Misalnya, adaptor pipa yang berbeda pada diameter dan tipe ulir, atau dudukan mesin yang berbeda pada jarak antarlubang. Jika SKU di katalog belum terhubung dengan atribut teknis, selesaikan pemetaan itu dulu. Kemiripan foto akan sulit dimanfaatkan bila staf tetap harus menelusuri dokumen terpisah untuk memastikan kecocokan.
Hubungkan Foto Acuan ke SKU dan Varian
Simpan foto dari beberapa sudut yang membantu membedakan varian. Gunakan latar, pencahayaan, dan skala yang cukup konsisten. Catat pengenal foto, SKU, versi, kategori, serta atribut seperti panjang, diameter, tipe konektor, dan material di katalog. Bila dua varian memakai foto pemasok yang sama, tandai keduanya sebagai hasil yang harus dikonfirmasi berdasarkan atribut.
Gunakan katalog atau ERP sebagai sumber atribut dan status jual. Pencarian gambar bertugas mengusulkan kandidat. Saat SKU diganti atau dihentikan, katalog bisa menandainya agar hasil pencarian tetap memberi konteks yang benar. Jika foto pelanggan mengandung label pengiriman, wajah, atau detail lokasi, tentukan siapa yang boleh mengaksesnya dan berapa lama foto diperlukan untuk menyelesaikan pencarian.
Ubah Kandidat Mirip Menjadi Jawaban yang Bisa Dipakai
- Terima foto dan, bila ada, kategori produk atau ukuran yang diketahui.
- Cari kandidat dalam keluarga produk relevan. Tampilkan foto acuan, kode SKU, dan dua atau tiga atribut pembeda.
- Jika foto kurang jelas atau beberapa kandidat hampir sama, minta foto dari sudut lain, ukuran, atau kode pabrikan. Sediakan pencarian berdasarkan nama atau kode sebagai jalur lain.
- Minta staf atau pembeli memeriksa atribut teknis sebelum SKU dipakai dalam penawaran, pesanan, atau rekomendasi komponen pengganti.
Dalam contoh adaptor pipa, dua kandidat teratas bisa terlihat sama karena sudut foto menyembunyikan diameter ulir. Hasil yang membantu menampilkan keduanya dengan ukuran yang berbeda dan meminta satu pengukuran. Hasil yang langsung menyimpulkan kompatibilitas berisiko memicu salah kirim. Untuk konteks penerapan kamera pada kebutuhan berbeda, lihat cara menguji computer vision untuk inspeksi mutu.
Uji dengan Foto Lapangan yang Bervariasi
Kumpulkan foto uji berizin dari percakapan simulasi atau pengambilan lapangan. Sertakan cahaya buruk, barang aus, beberapa komponen dalam satu foto, serta barang yang tidak tersedia di katalog. Pisahkan foto uji dari foto referensi supaya pengujian mengukur kemampuan menghadapi kueri baru. Minta staf katalog menetapkan SKU benar atau memberi label “tidak bisa dipastikan dari foto”.
Ukur proporsi kasus yang menemukan SKU tepat dalam lima saran pertama, waktu sampai SKU terkonfirmasi, serta frekuensi salah memilih varian. Laporkan terpisah untuk kasus barang di luar katalog dan foto yang perlu klarifikasi. Bandingkan dengan pencarian manual memakai permintaan yang sama. Jika saran muncul lebih cepat tetapi salah memilih varian meningkat, pertahankan pemeriksaan manusia dan perbaiki foto acuan atau filter atribut sebelum menambah kategori.
Siapkan satu keluarga SKU, foto acuan, dan contoh permintaan pelanggan yang sulit dikenali. Ketiganya cukup untuk membahas pilot pencarian katalog dengan foto bersama Layana.ID dan menilai kebutuhan data melalui layanan AI dan machine learning Layana.ID.