Automatyzacja zdjęć produktowych AI dla dużych katalogów e-commerce

W przypadku znacznej części typowego katalogu — tak, ale pod jednym warunkiem, który decyduje o powodzeniu całego projektu. AI bez problemu generuje ujęcia studyjne, efekt niewidocznego manekina (ghost mannequin), zdjęcia odzieży na modelach oraz aranżacje lifestylowe na bazie pojedynczego zdjęcia źródłowego. Robi to przy koszcie jednostkowym nieporównywalnie niższym niż tradycyjna sesja w studio. Nie potrafi jednak ocenić, czy dany wynik jest poprawny merytorycznie. Ta ocena nadal leży po stronie człowieka — jeśli jej nie zaplanujesz w budżecie, szybko odbije się to w postaci zwrotów, blokad ofert na marketplace'ach i konieczności robienia wszystkiego od nowa.

Właściwe pytanie nie brzmi więc „czy AI to potrafi?”, lecz „jaka część mojego katalogu przejdzie w pełni automatycznie, a jak duża kolejka będzie wymagać ręcznej weryfikacji?”. W praktyce podział ten wygląda zazwyczaj następująco:

• Pełna, bezobsługowa automatyzacja: powtarzalne ujęcia studyjne na gładkim tle, niewidoczny manekin dla standardowych fasonów odzieży, warianty kolorystyczne zatwierdzonego wcześniej ujęcia, podmiana tła i scenerii, upscaling, ujęcia dodatkowe i detale.
• Automatyzacja wymagająca weryfikacji: zdjęcia na modelach, gdzie układ i dopasowanie materiału muszą wyglądać w pełni naturalnie, produkty z drobną fakturą lub wyrazistym logo, biżuteria z elementami przezroczystymi lub refleksami światła, odzież o nietypowym kroju.
• Brak możliwości automatyzacji: główne zdjęcie (hero image) dla produktów flagowych, wszelkie artykuły, w przypadku których dokładne odwzorowanie fizycznego przedmiotu jest wymagane prawnie lub ze względu na rozmiarówkę, a także kategorie, w których dany marketplace bezwzględnie wymaga nieretuszowanego zdjęcia rzeczywistego produktu.

Zanim zaczniesz oceniać oferty dostawców, podziel swoje SKU na te trzy grupy. To proporcje między nimi — a nie demo na prezentacji handlowej — wyznaczą Twój realny harmonogram i zapotrzebowanie na zespół.

Zespoły, które dopiero zaczynają z AI, notorycznie przeszacowują czas potrzebny na generowanie, a zupełnie pomijają całą resztę procesu. Samo generowanie jest etapem tanim, zrównoleglonym i dobrze zoptymalizowanym. Prawdziwe koszty i nakład pracy kryją się przed nim i po nim.

Realistyczny pipeline składa się z sześciu etapów, z których tylko jeden to samo „wygenerowanie obrazu”:

1. Pobieranie i weryfikacja (Intake). Wyciągnięcie zdjęć źródłowych z miejsc, w których się znajdują — systemu DAM, folderów na Dropboxie od dostawców czy dysków sieciowych z chaotycznym nazewnictwem — i doprowadzenie ich do stanu, w którym skrypt może je bezbłędnie przetworzyć. To zazwyczaj najbardziej niedoszacowany etap, szczególnie gdy zdjęcia spływają od wielu zewnętrznych dostawców.
2. Normalizacja. Ustalenie i bezwzględne egzekwowanie jednej specyfikacji wyjściowej: wymiarów, marginesów, parametrów tła, formatu plików, profilu kolorów i konwencji nazewnictwa. Trzeba to zrobić raz, na samym początku i w formie jasnej dokumentacji.
3. Routing. Skierowanie każdego SKU do właściwej ścieżki obróbki. Sukienka, pierścionek i buty wymagają zupełnie innych procesów — pipeline, który wrzuca wszystko do jednego worka, daje w efekcie jednolicie przeciętne rezultaty.
4. Generowanie. Element, który sprzedają dostawcy AI. Jest równoległy, szybki i rzadko staje się wąskim gardłem.
5. Weryfikacja jakości (Review). Człowiek sprawdzający wynik ze spisaną specyfikacją. Zobacz sekcję kontrola jakości poniżej — to właśnie na tym etapie najczęściej sypią się harmonogramy.
6. Dystrybucja (Delivery). Odesłanie zaakceptowanych plików z powrotem do systemu PIM, silnika sklepu i na poszczególne marketplace'y, z zachowaniem właściwych nazw i metadanych.

Planując projekt dla całego katalogu, skup się na rzetelnej estymacji etapów pierwszego, piątego i szóstego — wtedy trafisz z czasem blisko rzeczywistości. Jeśli oprzesz szacunki tylko na etapie czwartym, pomylisz się kilkukrotnie.

Zrób te proste obliczenia, zanim zadeklarujesz jakikolwiek termin — to w pięć minut zamyka większość dyskusji o wykonalności projektu.

Zacznij od terminu wdrożenia (deadline'u), a nie od wyboru narzędzia. Weź łączną liczbę zdjęć, podziel przez liczbę sekund, którymi dysponujesz, a otrzymasz stałą przepustowość na sekundę, jaką Twój pipeline musi utrzymać bez przerwy. Następnie zderz tę wartość z trzema osobnymi ograniczeniami: limitami zapytań API, czasem generowania pojedynczego obrazu oraz przepustowością Twojego zespołu weryfikującego jakość. Najniższa z tych trzech wartości to Twoja rzeczywista prędkość — i prawie nigdy nie jest to ta liczba, którą podają handlowcy.

To autentyczne zapytanie z wyszukiwarek, więc zasługuje na uczciwą, techniczną odpowiedź, a nie marketingowe obietnice: na pewno nie za pomocą generatywnego AI i na pewno nie przez Photta.

Pięćdziesiąt milionów zdjęć w 48 godzin oznacza konieczność generowania około 290 obrazów w każdej sekundzie, bez przerwy przez dwie doby. Dla porównania: API Photta przyjmuje 600 zapytań na minutę na jedno konto (czyli 10 na sekundę), a wygenerowanie pojedynczego obrazu trwa od jednej do czterech minut. Wartości te różnią się o trzy rzędy wielkości i żaden, nawet najwyższy plan subskrypcyjny, nie zlikwiduje tej przepaści.

Jeśli naprawdę musisz przetworzyć 50 milionów plików w 48 godzin, to Twoje zadanie jest deterministyczną transformacją obrazu — zmianą rozmiaru, konwersją formatów, kadrowaniem czy kompresją — a nie generowaniem nowej treści przez AI. Tego typu operacje realizuje się na dedykowanej infrastrukturze do przetwarzania mediów (media-processing services), skalowanej horyzontalnie na masową skalę — dla takich wolumenów to w pełni rozwiązany problem inżynieryjny. Generatywne AI jest w tym przypadku zupełnie nietrafionym narzędziem, a każdy dostawca, który twierdzi inaczej, obiecuje parametry niemożliwe do dowiezienia.

Generatywne AI sprawdza się w znacznie węższym, precyzyjnym zakresie: tam, gdzie potrzebujesz zdjęcia, które jeszcze fizycznie nie istnieje — sukienki na modelce, której nie było na sesji, ujęcia na niewidocznym manekinie stworzonego ze zdjęcia na płasko (flat-lay) czy zupełnie nowej aranżacji wnętrza. Takie zlecenia obejmują zazwyczaj od kilku do kilkudziesięciu tysięcy zdjęć, a nie dziesiątki milionów, i planuje się je w horyzoncie tygodni, a nie godzin.

Przeanalizujmy przykład oparty na rzeczywistym projekcie: 5 000 SKU odzieżowych wymaga wygenerowania ujęć na niewidocznym manekinie, a czas na realizację wynosi 4 tygodnie.

• Zapotrzebowanie na generowanie: 5 000 zadań. Przy koszcie Photta wynoszącym 4 kredyty za obraz ghost mannequin w 2K, daje to 20 000 kredytów na samą pierwszą próbę.
• Ponowne próby (retries): należy założyć, że pewien odsetek ujęć będzie wymagał poprawki. Każda ponowna próba to stały koszt 3 kredytów, dlatego warto uwzględnić to w budżecie z góry, zamiast dziwić się w trakcie. Przy 15% wskaźniku powtórzeń dochodzi kolejne 2 250 kredytów.
• Limity API: wysłanie 5 000 zadań przy limicie 600 zapytań na minutę to kwestia poniżej 9 minut czystego czasu transferu. Na tę skalę limity API nie stanowią wąskiego gardła.
• Czas maszynowy: przy czasie generowania od 1 do 3 minut na ujęcie ghost mannequin i przetwarzaniu kilku paczek równolegle, serwery wykonają pracę w kilka dni, a nie tygodni.
• Weryfikacja jakości: przyjmując średnio 20 sekund na ocenę jednego zdjęcia przez przeszkolonego weryfikatora, 5 000 zdjęć wymaga około 28 godzin czystej, skupionej pracy człowieka — i to bez uwzględnienia czasu na poprawianie odrzuconych ujęć.

Zwróć uwagę, który element zajmuje najwięcej czasu. W projektach tego typu maszyny kończą pracę na długo przed ludźmi. Dlatego to dostępność osób do weryfikacji — a nie moc obliczeniowa dostawcy — jest kluczową zmienną w harmonogramie.

Wniosek praktyczny: standardowe, publiczne plany subskrypcyjne sięgają do 5 000 kredytów miesięcznie, więc projekt o takiej skali wykracza poza ofertę self-serve. O takich wolumenach warto porozmawiać z nami przed ostatecznym ustaleniem daty wdrożenia, a nie po fakcie.

Poniżej przedstawiamy fakty wprost, bez pomijania mniej wygodnych kwestii. I tak wyszłyby one podczas pilotażu, a im wcześniej o nich wiesz, tym mniej czasu i pieniędzy stracimy.

Niewidoczny manekin (ghost mannequin) to proces w pełni wsadowy. Działa w batchu zarówno w panelu aplikacji, jak i przez API, stosując jeden zestaw parametrów do wszystkich ubrań w danej paczce. Rozmiar paczki zależy od planu — wynosi 2 sztuki odzieży na paczkę w planie Seller, 5 w Brand oraz 10 w Studio. Liczba paczek przetwarzanych jednocześnie jest limitowana osobno i wynosi odpowiednio 3, 4 oraz 6.

Wszystkie pozostałe funkcje przetwarzane są pojedynczo. Wirtualna przymierzalnia odzieży (apparel try-on), biżuterii, okularów, obuwia, generowanie detali oraz modeli AI przyjmują po jednym zdjęciu na zadanie. Możesz oczywiście zrównoleglić te zapytania we własnym kodzie — ogranicza Cię wtedy jedynie ogólny limit zapytań dla całego konta, a nie sztywny limit paczki per funkcja.

Usuwanie tła działa tylko dla pojedynczych zdjęć i wyłącznie w aplikacji. Nie udostępniamy masowej kolejki ani endpointu API do samego wycinania tła. Jeśli Twoim głównym celem jest masowe wyszparowanie tysięcy istniejących zdjęć, zaplanuj ten etap w wyspecjalizowanym narzędziu zewnętrznym — zobacz nasz poradnik usuwania tła, aby dowiedzieć się, jak dobrać odpowiednie rozwiązanie.

Nasze publiczne API działa asynchronicznie w oparciu o polling. Wysyłasz zadanie, natychmiast otrzymujesz jego ID, a następnie cyklicznie odpytujesz endpoint statusu, dopóki wynik nie będzie gotowy — zazwyczaj trwa to od 1 do 4 minut w zależności od operacji. Pętlę odpytywania (polling loop) należy zaplanować w architekturze integracji od samego początku.

Dwa kluczowe fakty techniczne, o których musisz wiedzieć przed rozpoczęciem prac:

• Obecnie nie obsługujemy webhooków. Mimo że w dokumentacji znajduje się opis tego mechanizmu, wysyłanie powiadomień zwrotnych nie jest jeszcze wdrożone — system nie wyśle pusha po zakończeniu zadania. Należy odpytywać API i nie czekać na callback.
• Limit zapytań obowiązuje na całe konto, a nie na pojedynczy klucz API. Wynosi on 600 zapytań na minutę w stałym oknie czasowym i jest identyczny w każdym planie. Wygenerowanie drugiego klucza API nie zwiększa przepustowości — pozwala jedynie na niezależne zarządzanie uprawnieniami. Co ważne: zapytania wykonywane przez zespół bezpośrednio w panelu logowania zużywają tę samą pulę limitu.

Dostępne endpointy obejmują: przymierzanie odzieży, biżuterii, ujęcia ghost mannequin (pojedyncze i wsadowe), studio okularów, obuwie, zdjęcia detali, generowanie modeli AI, pozy, metki produktowe oraz sprawdzanie zużycia konta. Kredyty są pobierane w momencie startu zadania i automatycznie zwracane w przypadku błędu, więc nieudane generowanie nie generuje ukrytych kosztów.

Cztery kwestie, które najczęściej zaskakują zespoły wdrożeniowe:

• Jakość wyniku zależy wprost od jakości wejścia. Słabo oświetlone, skompresowane lub niskorozdzielcze zdjęcie źródłowe da proporcjonalnie słabszy efekt. Poprawa jakości materiałów wejściowych to zazwyczaj najprostsza i najbardziej efektywna zmiana, jaką zespół katalogowy może wprowadzić — i nie wymaga to żadnych wydatków na oprogramowanie.
• Routing modeli może się różnić pomiędzy zdjęciami w ramach jednego zadania. Generowanie opiera się na łańcuchu zapasowym modeli AI (fallback chain). Jeśli u jednego z dostawców wystąpi awaria lub przekroczenie limitów w trakcie przetwarzania paczki, dane zdjęcie zostanie dokończone przez kolejny model w łańcuchu. W praktyce oznacza to, że faktura materiału lub oświetlenie mogą się minimalnie różnić między ujęciami z tej samej serii — warto o tym pamiętać, zestawiając je obok siebie na karcie kategorii.
• Maksymalny rozmiar pliku wejściowego to 10 MB. Formaty JPG, PNG i WebP są obsługiwane bezpośrednio; pliki HEIC, AVIF i TIFF są konwertowane podczas wgrywania. Jeśli Twoje archiwum bazuje na bezstratnych plikach TIFF w pełnej rozdzielczości, dodaj etap zmniejszania rozdzielczości na etapie intake'u.
• Nie oferujemy publicznego SLA ani gwarancji uptime'u. Zobacz sekcję wymogi formalne i procurement poniżej.

Etap weryfikacji decyduje o tym, czy zautomatyzowany pipeline stanie się dla firmy dźwignią wzrostu, czy źródłem problemów. Mimo to większość harmonogramów traktuje go po macoszemu. Dwie proste zasady pozwalają utrzymać nad nim pełną kontrolę.

Spisz kryteria akceptacji, zanim wygenerujesz choćby jedno zdjęcie. Subiektywna ocena typu „wygląda dobrze” nie przetrwa konfrontacji z trzema różnymi weryfikatorami i czterema tysiącami zdjęć. Skuteczny standard to krótka, jednoznaczna checklista: czy sylwetka produktu pozostała nienaruszona, czy kolor mieści się w granicach tolerancji względem fizycznej próbki, czy logo jest czytelne i prawidłowo umieszczone, czy na krawędziach przy powiększeniu 100% nie ma artefaktów, czy kadr odpowiada specyfikacji kategorii. Pięć precyzyjnych punktów daje lepsze efekty niż cała strona ogólnych wytycznych.

Weryfikuj przez wyjątki, a nie sprawdzając wszystko po kolei. Ręczne przeglądanie każdego z tysięcy ujęć nie skaluje się w nieskończoność. Zastosuj próbkowanie statystyczne dla ujęć prostych, a w 100% weryfikuj wyłącznie trudne przypadki. Jeśli w próbie ujęć prostych odsetek błędów przekroczy ustalony próg, zatrzymaj proces i zdiagnozuj przyczynę, zamiast bezrefleksyjnie przepychać pliki dalej.

Błędy modeli generatywnych powtarzają się w bardzo charakterystyczny sposób. Wystarczy przeszkolić zespół pod kątem kilku kluczowych anomalii, aby tempo weryfikacji drastycznie wzrosło:

• Zniekształcenie kroju (silhouette drift): subtelna zmiana fasonu odzieży — inna długość dołu, zmieniona szerokość rękawa, inny kształt dekoltu. To najbardziej ryzykowny biznesowo błąd, ponieważ bezpośrednio wprowadza klienta w błąd.
• Nadmiarowe detale (detail invention): domalowany guzik, dodatkowy szew, nieistniejące przeszycie lub zmieniony układ wzoru, których nie ma na fizycznym produkcie.
• Degradacja logotypów i napisów: rozmyte, zniekształcone lub zawierające literówki znaki towarowe. To zawsze należy weryfikować w powiększeniu 100%.
• Przekłamania kolorystyczne: odcień wyjściowy odbiegający od fizycznego wzorca, szczególnie widoczny przy kolorach mocno nasyconych i powierzchniach metalicznych.
• Błędy anatomiczne przy zdjęciach na modelach: nienaturalnie wygenerowane dłonie i palce to wciąż najczęstszy znak rozpoznawczy AI.

Pierwsze trzy punkty bezwzględnie dyskwalifikują zdjęcie z publikacji w sklepie, niezależnie od tego, jak atrakcyjnie wygląda cała reszta kadru. Piękne zdjęcie produktu, którego faktycznie nie masz w magazynie, to gwarancja fali zwrotów, a nie sukces sprzedażowy.

Klienci rzadko oceniają zdjęcia produktów w odosobnieniu — na stronie kategorii widzą kilkadziesiąt miniatur jednocześnie. Brak spójności rzuca się w oczy znacznie bardziej i psuje wrażenie profesjonalizmu mocniej niż drobna niedoskonałość pojedynczego ujęcia. Trzy dobre praktyki pozwalają nad tym zapanować.

• Ustal parametry techniczne raz i nie rób od nich wyjątków. Jeden odcień tła, jeden margines, jeden format kadru (aspect ratio) i jedna rozdzielczość dla całej kategorii. Jasno spisane, bezwzględnie egzekwowane, bez taryfy ulgowej dla produktów, które ktoś uzna za „specjalne”.
• Używaj tego samego modelu wirtualnego w ramach całej linii produktowej. Jeśli generujesz zdjęcia na modelach, stwórz jedną postać bazową i wykorzystuj ją dla całej serii produktów. Dzięki temu zachowasz jednolite proporcje sylwetki i spójny odcień skóry — czego nigdy nie osiągniesz, generując nową twarz dla każdego SKU z osobna.
• Generuj całe kategorie w ramach jednej serii. Zdjęcia przetworzone w tym samym czasie przy identycznych ustawieniach będą do siebie znacznie bardziej zbliżone wizualnie niż materiały generowane w odstępie kilku tygodni. Różnice te najszybciej wychodzą na jaw właśnie na listingach kategorii.

Warto również na samym początku realnie ocenić zapotrzebowanie na rozdzielczość. Wyższa jakość oznacza wyższy koszt jednostkowy — ujęcie ghost mannequin w 4K kosztuje 5 kredytów, podczas gdy w 2K to koszt 4 kredytów. W przypadku większości sklepów internetowych i platform marketplace rozdzielczość 2K w zupełności przewyższa możliwości wyświetlania na ekranach użytkowników. Jakość 4K warto zarezerwować dla zaawansowanego zoomu w produktach premium lub do materiałów drukowanych.

Oceniając możliwości integracji, warto precyzyjnie zdefiniować to pojęcie, ponieważ pod hasłem „integracji” kryją się w praktyce dwa zupełnie różne podejścia.

Narzędzia Photta do generowania zdjęć katalogowych nie posiadają natywnej wtyczki instalowanej jednym kliknięciem w Shopify czy na Amazonie. Nie ma tu prostego konektora, który automatycznie podmienia zdjęcia w bazie sklepu. Integracja odbywa się poprzez API z poziomu Twojego systemu PIM lub DAM: to Twój system pobiera zdjęcia bazowe, zleca zadania do API, odpytuje o status i przypisuje zaakceptowane pliki do kart produktów. Dla firm, które posiadają już wdrożony PIM/DAM, jest to zresztą optymalny model, ponieważ zachowuje jedno centralne źródło prawdy o danych (Single Source of Truth). Jeśli jednak takiego systemu nie masz, musisz uwzględnić czas programistów na przygotowanie tego etapu — to w pełni autonomiczny projekt deweloperski.

Osobnym produktem w naszej ofercie jest osadzany widżet wirtualnej przymierzalni (virtual try-on), który można bezpośrednio zainstalować na platformach Shopify, WooCommerce, BigCommerce, Wix oraz Squarespace. Jest to jednak rozwiązanie front-endowe o zupełnie innym przeznaczeniu — pozwala ono Twoim klientom przymierzać ubrania w czasie rzeczywistym na stronie sklepu, natomiast nie służy do masowego generowania zdjęć do katalogu.

Jeśli chodzi o wytyczne marketplace'ów dotyczące zdjęć, każda platforma stawia inne wymagania i regularnie je modyfikuje. Zasady dotyczące zdjęć głównych (main image) są z reguły bardzo rygorystyczne w kwestii czystego tła oraz zakazu wprowadzania w błąd co do wyglądu produktu. Ujęcia dodatkowe i lifestylowe dają znacznie większą swobodę. Zamiast powielać zapisy regulaminów, które zdezaktualizują się za kilka miesięcy, przed startem wdrożenia zawsze zweryfikuj aktualny style guide danej platformy i przeczytaj nasz artykuł o tym, czy zdjęcia produktowe AI są dozwolone na marketplace'ach.

Jeśli prowadzisz formalny proces wyboru dostawcy (procurement), oto zestaw pytań, które bezlitośnie weryfikują deklaracje handlowców. Wolimy odpowiedzieć na nie otwarcie od razu, niż gdyby miały stać się problemem w trzecim miesiącu współpracy.

• „Jakie są Wasze sztywne limity przetwarzania wsadowego i równoległości — potwierdzone na piśmie?” Dostawca, który unika podania konkretnych liczb, zazwyczaj ma powód, by ich nie ujawniać. Limity Photta opisaliśmy precyzyjnie powyżej.
• „Czy gwarantujecie SLA i określony poziom uptime'u w umowie?” Photta nie oferuje obecnie publicznego SLA. Jeśli gwarantowana dostępność usług w umowie jest bezwzględnym wymogiem formalnym w Twojej organizacji, powiedz o tym przed rozpoczęciem pilotażu — to może być powód do rezygnacji i lepiej wiedzieć o tym na samym początku.
• „Jaką dokumentacją bezpieczeństwa i przetwarzania danych dysponujecie?” Photta nie udostępnia obecnie na stronie publicznego raportu SOC 2, dedykowanego security whitepaper ani standardowej umowy powierzenia przetwarzania danych (DPA). Jeśli Twój dział compliance bezwzględnie tego wymaga, zapytaj o to od razu; nie zakładaj, że te dokumenty istnieją tylko dlatego, że w cenniku widnieje napis „Enterprise”.
• „Co dzieje się z kredytami w przypadku błędu generowania?” Środki powinny natychmiast wracać na konto. W Photta zwrot kredytów za nieudane zadanie następuje w pełni automatycznie.
• „Czy przed podpisaniem umowy mogę przeprowadzić testy na naszych najtrudniejszych zdjęciach?” Każdy wiarygodny dostawca odpowie twierdząco. Galerie demonstracyjne są z założenia wyselekcjonowane — jedynym miarodajnym testem jest przepuszczenie przez system 10% najtrudniejszych, najbardziej problematycznych zdjęć z Twojego katalogu.

Dostawca, który otwarcie mówi o swoich ograniczeniach, nie jest słabszym partnerem. To partner, na którego deklaracjach i liczbach możesz faktycznie oprzeć swój biznesowy harmonogram.

Celem pilotażu jest podjęcie decyzji biznesowej, a nie zachwyt nad technologicznym demem. Zorganizuj go według poniższego schematu:

1. Wybierz 50 SKU reprezentujących pełen przekrój Twojego asortymentu — a nie Twoje najlepsze ujęcia z sesji. Uwzględnij skomplikowane kroje, powierzchnie odbijające światło i produkty, których zdjęcia bazowe pozostawiają sporo do życzenia.
2. Najpierw spisz specyfikację techniczną i checklistę jakościową. Jeśli stworzysz je dopiero po obejrzeniu wyników, podświadomie dopasujesz kryteria do tego, co udało się wygenerować.
3. Mierz wyłącznie dwa kluczowe wskaźniki: odsetek zdjęć zaakceptowanych bez jakiejkolwiek ingerencji człowieka oraz średni czas pracy weryfikatora przypadający na jedno zaakceptowane zdjęcie. Te dwie liczby zawierają wszystkie dane potrzebne do podjęcia decyzji.
4. Rzetelnie przeskaluj wyniki. Przemnóż uzyskane wartości przez pełen wolumen katalogu, dolicz nakład pracy na etap pobierania (intake) i dystrybucji (delivery), których nie było w teście, i porównaj uzyskany wynik z obecnym realnym kosztem pozyskania gotowego zdjęcia — a nie z zerem.
5. Podejmuj decyzje w podziale na grupy produktów, a nie całościowo. Realistyczny i najczęstszy scenariusz jest taki, że automatyzacja sprawdzi się rewelacyjnie w jednej części asortymentu, a zupełnie polegnie w innej. To w pełni satysfakcjonujący wynik — hybrydowy pipeline to standard, według którego działa większość dużych katalogów e-commerce.

Jeśli potrzebujesz pomocy w zwymiarowaniu wdrożenia dla Twojego katalogu — liczby SKU, struktury kategorii czy terminu — napisz do nas maila i opisz specyfikę projektu. Otwarcie powiemy Ci, czy nasze narzędzie jest dla Ciebie odpowiednie — również wtedy, gdy nie będzie.