Разные кодировки и названия ломают импорт.
C:\SUDO_AI\CASES\CATALOG-CHECK
Проверка товара
Очистка каталога, поиск дублей, нормализация брендов и MPN, оценка спроса и список решений.
Проблема процесса
Какие боли закрывает система
Дубли искажают остатки и аналитику.
Нет единого правила, что оставить или архивировать.
Архитектура
Контур решения
сырой файлнормализацияdedupdemand scoreрешение
Технологический контур:Python / CSV / JSON / Deterministic scoring / Standalone HTML
Состав системы
Модули и контрольные точки
Каждый модуль имеет вход, проверяемый результат и обработку исключений.
определение кодировкимаппинг RU / ENGTIN и MPNканонизация брендовscoringHTML-отчёт
Исходные данные не удаляются.
Дубли объединяются по проверяемым правилам.
Каждая позиция получает KEEP, REVIEW или ARCHIVE_CANDIDATE.
Технический разбор
Как устроен проект
Практическая схема выбора, внедрения и эксплуатации без обещаний «магии одной кнопки».
Архитектура кейса
Очистка каталога сохраняет источник и объясняет каждое решение
Конвейер определяет кодировку, приводит названия, бренды, GTIN и MPN к канонической форме и только затем ищет дубли. Исходные строки не удаляются и остаются связанными с полученной группой.
Demand score и правила качества формируют статусы KEEP, REVIEW или ARCHIVE_CANDIDATE. HTML-отчёт показывает признаки совпадения и позволяет проверить решение без доступа к рабочему окружению.
- encoding detection
- brand canonicalization
- GTIN / MPN
- deterministic dedup
- standalone report
FAQ.txt
Вопросы до старта
Коротко о границах, сроках, данных и экономике проекта.
Удаляет ли система подозрительные позиции?
Нет. Она сохраняет исходные данные и назначает проверяемый статус, а окончательное архивирование выполняется отдельно.
Начнём с одного процесса
Опишите текущую работу, системы и ограничения. Вернёмся с техническими вопросами и форматом первого этапа.