EN
RO
Căutarea inteligentă peste catalogul TecDoc înseamnă adăugarea unui strat semantic (embeddings + reguli de business) peste datele tehnice ale catalogului, astfel încât clientul să găsească piesa corectă chiar dacă scrie termenul greșit, incomplet sau într-un limbaj colocvial. Catalogul TecDoc oferă structura corectă a datelor (denumiri OEM, coduri K-Type, atribute tehnice), dar căutarea clasică pe text exact ratează multe interogări reale ale utilizatorilor.
Un magazin care se bazează doar pe potrivire exactă de text pierde vânzări la fiecare interogare scrisă greșit, prescurtată sau formulată colocvial ("plăcuțe frana fata golf 7" în loc de "plăcuțe de frână față"). Acest ghid explică cum se construiește practic un strat de căutare AI peste catalogul TecDoc: ce date se indexează, cum funcționează autocompletarea semantică, cum se leagă sugestiile de compatibilitatea reală a vehiculului și ce riscuri apar când AI-ul sugerează o piesă incompatibilă.
Ce înseamnă "căutare AI" peste un catalog TecDoc, concret
TecDoc rămâne sursa de adevăr pentru date: denumiri de piese, coduri K-Type, atribute tehnice, linkuri de compatibilitate vehicul-piesă. Stratul AI nu înlocuiește aceste date, ci adaugă o cale suplimentară de potrivire între textul căutat de client și înregistrările reale din catalog.
- Căutare clasică (lexicală) — potrivire pe cuvinte exacte sau prefixe, de obicei via un motor precum Elasticsearch/Meilisearch, indexat pe denumiri și coduri.
- Căutare semantică (embeddings) — fiecare produs și fiecare interogare sunt transformate în vectori numerici; se caută produsele ale căror vectori sunt cel mai apropiați de vectorul interogării, chiar dacă nu există potrivire exactă de text.
- Strat hibrid — combină scorul lexical cu scorul semantic, ceva ce majoritatea magazinelor mature de piese auto ajung să folosească, pentru că potrivirea exactă pe coduri OEM/K-Type trebuie să rămână prioritară față de o potrivire "aproximativă".
Diferența practică: un client care caută "filtru aer polen audi a4 b8" trebuie să găsească rapid rezultatul corect chiar dacă a scris "filtru polen a4 b8" sau "filtru aer habitaclu audi a4". Căutarea lexicală simplă ratează frecvent aceste variații.
Ce date din TecDoc alimentează motorul de căutare
Indexul de căutare (lexical + semantic) se construiește pornind de la datele deja disponibile prin integrarea TecDoc, nu de la date noi:
- Denumirea comercială și denumirea generică a piesei (articol linkage).
- Codurile OEM și codurile producătorilor aftermarket asociate produsului.
- Atributele tehnice ale produsului (dimensiuni, poziție montaj, material).
- Datele de compatibilitate vehicul (K-Type, marcă, model, generație, motorizare).
- Categoria și subcategoria din arborele de clasificare TecDoc.
Pentru contextul tehnic al mapării vehicul-piesă și al tabelelor de linkage, articolul despre mapping-ul de compatibilitate prin K-Type detaliază exact aceste structuri de date, care devin sursa pentru câmpurile indexate în motorul de căutare.
Cum funcționează autocompletarea semantică pas cu pas
Autocompletarea semantică nu returnează doar produse care încep cu litera scrisă, ci anticipează intenția clientului pe măsură ce tastează:
- Clientul tastează în bara de căutare; fiecare secvență de caractere (de obicei după 2-3 litere) declanșează o interogare către motorul de căutare.
- Interogarea este transformată într-un vector de embedding folosind același model cu care au fost indexate produsele.
- Motorul de căutare combină scorul de similaritate semantică cu scorul lexical (potrivire de prefix pe denumire/cod) și returnează primele 5-8 sugestii.
- Sugestiile sunt grupate vizual: produse, categorii și — dacă interogarea conține semnale de model auto (ex: "golf 7", "e90") — filtre rapide de vehicul.
- Clientul selectează o sugestie sau continuă interogarea completă; selecția este logată pentru a îmbunătăți ulterior relevanța (feedback loop).
Timpul de răspuns contează la fel de mult ca relevanța: autocompletarea trebuie să răspundă sub 150-200ms, altfel clientul percepe interfața ca lentă, indiferent cât de bune sunt sugestiile.
Sugestii de compatibilitate: cum previi recomandarea unei piese greșite
Cel mai sensibil punct al căutării AI peste un catalog auto este sugerarea unei piese incompatibile cu vehiculul clientului. Un model de embeddings optimizează pentru similaritate semantică a textului, nu pentru corectitudine tehnică de fitment — de aceea sugestiile AI trebuie mereu filtrate printr-un strat de validare bazat pe datele reale de compatibilitate din TecDoc, nu livrate brut.
- Filtrare post-căutare, nu doar ranking — după ce motorul de căutare returnează candidații, se aplică un filtru dur pe K-Type/generație vehicul dacă clientul are deja un vehicul selectat în sesiune (din istoricul de navigare sau dintr-un selector VIN).
- Etichetare vizuală clară — produsele compatibile confirmat cu vehiculul selectat trebuie marcate distinct față de produsele "posibil relevante" găsite doar semantic.
- Fallback la selectorul de vehicul — dacă interogarea este ambiguă tehnic (ex: "kit distribuție" fără model specificat), interfața trebuie să ceară selecția vehiculului înainte de a afișa rezultate finale, nu să ghicească.
Pentru identificarea automată a vehiculului din VIN, care reduce ambiguitatea la sursă, vezi și identificarea pieselor auto prin VIN folosind API-ul TecDoc.
Corectarea greșelilor de scriere și limbajul colocvial
Clienții unui magazin de piese auto scriu rareori termenul tehnic exact. Un strat AI util pentru acest context tratează explicit:
- Greșeli de tastare simple ("placute" în loc de "plăcuțe", fără diacritice).
- Prescurtări colocviale ("kit ambreiaj" vs. denumirea tehnică completă din catalog).
- Sinonime regionale ("burduf" pentru cauciuc de protecție, "fulie" pentru roată de curea).
- Coduri OEM introduse fără spații sau cu formatare diferită de cea din catalog.
Un dicționar de sinonime construit specific pe domeniul auto (nu unul generic) rămâne esențial aici — modelele de embeddings generale sunt antrenate pe limbaj comun și nu "știu" nativ că "burduf plans" și "cauciuc planetară" înseamnă aceeași piesă, decât dacă acest tip de asociere este introdus explicit în datele de antrenare/reguli.
Comparație: căutare lexicală clasică vs. căutare hibridă AI
| Criteriu | Căutare lexicală clasică | Căutare hibridă (lexical + semantic) |
|---|---|---|
| Toleranță la greșeli de scriere | Scăzută, necesită corecție manuală de dicționar | Ridicată, prin apropiere semantică a vectorilor |
| Precizie pe coduri OEM/K-Type exacte | Foarte bună, potrivire directă | Foarte bună, dacă scorul lexical rămâne prioritar pe coduri |
| Cost de infrastructură | Scăzut (index text standard) | Mediu-ridicat (stocare vectori, calcul embeddings) |
| Efort de implementare inițial | Redus | Ridicat (pipeline de indexare, model, evaluare relevanță) |
| Risc de sugestie incompatibilă | Scăzut (rezultate literale) | Există, dacă lipsește filtrul de compatibilitate pe K-Type |
Riscuri frecvente și cum le previi
- Sugestii "plauzibile" dar incompatibile tehnic — mitigare: filtru obligatoriu pe datele reale de fitment din TecDoc, nu doar pe similaritate text.
- Latență mare la autocomplete pe cataloage foarte mari — mitigare: index vectorial dedicat (ex: motor de căutare cu suport nativ pentru vectori) și limitarea căutării semantice doar la interogări peste un prag minim de caractere.
- Costuri de calcul embeddings la fiecare actualizare de catalog — mitigare: recalculare incrementală doar pentru produsele modificate, sincronizată cu fluxul ERP existent descris în actualizarea catalogului TecDoc fără downtime.
- Rezultate inconsistente între limba română și termeni tehnici în engleză — mitigare: index multilingv sau normalizare terminologică înainte de indexare.
Plan practic de implementare (etape recomandate)
- Etapa 1 — audit date: verifică ce câmpuri din integrarea TecDoc existentă (denumiri, coduri, atribute, linkage vehicul) sunt deja disponibile local și complete.
- Etapa 2 — index hibrid: adaugă căutare vectorială peste indexul lexical existent, păstrând potrivirea exactă pe coduri ca prioritate de ranking.
- Etapa 3 — filtru de compatibilitate: leagă rezultatele de căutare de vehiculul selectat de client (manual sau prin VIN), cu etichetare vizuală clară compatibil/necompatibil.
- Etapa 4 — testare pe interogări reale: rulează testul pe un eșantion din log-urile reale de căutare ale magazinului (inclusiv interogări fără rezultate), nu doar pe interogări "curate".
- Etapa 5 — monitorizare continuă: urmărește rata de conversie pe rezultatele din autocomplete față de căutarea completă, și ajustează ponderea lexical/semantic pe baza datelor.
Întrebări frecvente
Căutarea AI înlocuiește datele TecDoc sau le completează?
Le completează. Datele tehnice de compatibilitate și denumire rămân integral din catalogul TecDoc; stratul AI adaugă doar o metodă suplimentară de potrivire între textul căutat de client și aceste date existente.
Este nevoie de un model AI antrenat de la zero pentru asta?
Nu, de regulă. Majoritatea implementărilor folosesc un model de embeddings general (deja antrenat) pentru generarea vectorilor, combinat cu reguli de business și un dicționar de sinonime specific domeniului auto, construit intern.
Cât de mult crește costul de infrastructură cu o căutare hibridă?
Depinde de dimensiunea catalogului și de motorul ales; orientativ, presupune stocare suplimentară pentru vectori și calcul la reindexare, dar rămâne, în general, o fracțiune din costul total al integrării TecDoc. Costul exact trebuie confirmat pe baza volumului real de produse și a soluției tehnice alese.
Ce se întâmplă dacă motorul AI sugerează o piesă greșită pentru vehiculul clientului?
Fără un filtru de compatibilitate bazat pe datele reale K-Type, riscul există. De aceea filtrarea post-căutare pe fitment real, nu doar ranking-ul semantic, este obligatorie într-o implementare corectă pentru un magazin de piese auto.
Se poate implementa incremental, peste o integrare TecDoc deja existentă?
Da. Căutarea semantică se adaugă ca strat suplimentar peste indexul de căutare existent, fără să modifice integrarea TecDoc de bază sau fluxul de sincronizare a catalogului.
Concluzie
O căutare inteligentă construită corect peste catalogul TecDoc reduce interogările fără rezultate și scurtează drumul clientului până la piesa corectă, dar valoarea ei reală vine din combinarea similarității semantice cu regulile stricte de compatibilitate tehnică ale catalogului — nu din înlocuirea acestora. Un magazin care implementează doar autocomplete "estetic", fără filtru de fitment, riscă să recomande piese greșite mai rapid decât o făcea căutarea clasică.
Vrei să adaugi căutare inteligentă peste catalogul tău TecDoc, fără riscul sugestiilor incompatibile? Contactează-ne pentru o consultație tehnică.
Scrie un comentariu