KI Integration in JTL Wawi - OpenAI/ChatGPT

[5 Elements]

Hallo zusammen,

wir wollen euch hier unsere neue fortschrittliche AI-Integration in JTL-Wawi vorstellen, diese wurde speziell entwickelt, um die Effizienz und Personalisierung in Ihrem E-Commerce-Geschäft zu steigern. Durch die Einführung eigener SQL-basierter Workflowaktionen eröffnen wir Ihnen neue Möglichkeiten, künstliche Intelligenz direkt in Ihre Prozesse zu integrieren.

Aktuell haben wir die Integration bei 8 Testkunden seit ca. 10 Monaten im Einsatz und sind mit den Ergebnissen sehr zufrieden.

Kernfunktionen unserer AI-Integration:

1. Dynamische Artikelbeschreibungen: Nutzen Sie KI, um auf Basis von Artikelstammdaten wie Name, Kategorie und Warengruppe automatisierte, hochwertige Produktbeschreibungen zu erstellen. Diese Funktion unterstützt auch zusätzliche Artikelmerkmale und Hinweise, um umfassende und informative Beschreibungen zu generieren.
2. SEO-Optimierung: Automatische Erstellung von SEO-freundlichen Metatiteln, Metadescriptions und URLs, die auf die spezifischen Eigenschaften jedes Artikels abgestimmt sind, um die Sichtbarkeit in Suchmaschinen zu verbessern.
3. Multilinguale Übersetzungen: Unsere AI kann Artikelbeschreibungen nahtlos in jede gewünschte Sprache übersetzen, was Ihnen hilft, internationale Märkte effektiver anzusprechen.

Zukünftige Erweiterungen:

• KI-basierte Merkmalszuweisung: Geben Sie einfach einen Text oder eine CSV-Liste mit Merkmalen ein, und die KI ordnet diese den Produkten automatisch zu, was die Datenpflege vereinfacht und beschleunigt.
• Bilderkennung: Erweiterte Algorithmen zur Erkennung von Produktfarben und anderen visuellen Merkmalen, die dann als Produktmerkmale in JTL-Wawi eingepflegt werden.

Technische Implementierung: Die Einrichtung dieser Integration erfordert eine maßgeschneiderte Konfiguration für jeden Händler, die folgende Schritte umfasst:

• SQL-Integration: Installation eigener Workflowaktionen durch SQL-Skripte, die direkt in Ihre JTL-Wawi Datenbank eingefügt werden.
• Felder für Zwischenspeicherung: Einrichtung von speziellen Feldern in Ihrer Datenbank zur Speicherung der AI-Responses und deren Decodierung.
• API-Management: Speichern und Verwalten Ihres OpenAI API-Tokens, um sichere und autorisierte Anfragen zu gewährleisten.
• Workflow-Konfiguration: Erstellung von speziellen Workflows, die API-POST-Anfragen initiieren, und deren Antworten verarbeiten.

Individuelle Prompt-Entwicklung: Ein besonderes Augenmerk legen wir auf die individuelle Entwicklung von Prompts für die AI-Anfragen. Standardisierte Prompts liefern oft keine zufriedenstellenden Ergebnisse, besonders wenn es um die Erstellung einzigartiger und nicht identifizierbarer Texte geht. Durch sorgfältige Tests und die Entwicklung präziser Prompts können wir die Qualität der generierten Inhalte erheblich steigern. Dabei wird auch das Few-Shot Learning genutzt, um die AI-Modelle auf spezifische Anforderungen hin zu trainieren und so effizient eine maßgeschneiderte Lösung zu erstellen.

Wir laden euch ein, mit uns zusammen dieses neue Tool weiterzuentwickeln und freuen uns auf euer Feedback und Fragen. Unser Team steht bereit, Solltet ihr Interesse an der Integration haben steht unser Team gerne bereit um euch bei der Implementierung und Anpassung dieser leistungsstarken AI-Werkzeuge zu unterstützen.

Mit besten Grüßen,

euer Team von 5 Elements Design

 

[swiss-sale.ch]

Hallo
Diese Erweiterung hört sich sehr spannend an. Mit welchen Kosten müsste da gerechnet werden?

Danke und Gruss

 

[5 Elements]

Hi @swiss-sale.ch

also die Kosten teilen sich auf in Einrichtungsaufwand und laufende Kosten für die Erstellung von Texten bzw. die Nutzung der KI von openAI.

Einrichtungsaufwand:
Da unsere Lösung kein Plug&Play ist haben wir keinen festen Preis den unsere Erweiterung kostet, die technische Grundeinrichtung und ersten Tests dauern in etwa 30-45 min. Danach kommt es darauf an für was die KI genau genutzt werden soll. Bei einer einfachen SEO-Optimierung von Meta-Titeln und Meta-Description ist man nach 1-2h testen und optimieren meist sehr zufrieden mit dem Ergebnis. Wir haben aber auch Kunden die bereits mehr als 20h in die KI Optimierung und Nutzung in verschiedensten Bereichen von JTL Wawi vorgenommen haben.

Laufende Kosten KI-Nutzung:
Aktuell verbrauchen wir im Durchschnitt für eine individuell angepasste Artikelbeschreibung in etwa 600-800 Token im Request und max. 2000 Token im Response.
Bei GPT-3.5-turbo wären das für 10 Artikelbeschreibungen in etwa 3 Cent.

Ich hoffe das hilft erstmal weiter.

Besten Gruß

 

[SeniorBad]

Hallo 5 Elements,

ich finde Eure Lösung recht interessant. Ich wäre da gerne mit dabei, so etwas in der Art suche ich schon lange.
Meldet Euch doch bitte mal bei mir.

Danke Alex

 

[Klaus K.]

Was hier wirklich extrem viel Aufwand sparen würde ist, wenn man eine lernfähige KI die Lieferadressen der zur Auslieferung markierten Aufträge checken und korrigieren lassen könnte.
Jeweils unter Berücksichtigung der länderspezifischen Besonderheiten bzw. Eigenheiten.
Da es da klare Regeln gibt, sollte eine KI wie ChatGPT über deren API damit überhaupt kein Problem haben.
Eventuell sogar bald mit der Möglichkeit der KI dabei aufzuzeigen, was sie dabei noch verkehrt macht, damit auch das künftig passt.

Die Rechnungsdaressen wahlweise ebenfalls - aber die sind ja weitgehend das Problem der Käufer.

Gruß
Klaus

 

[Condorraptor]

Was hier wirklich extrem viel Aufwand sparen würde ist, wenn man eine lernfähige KI die Lieferadressen der zur Auslieferung markierten Aufträge checken und korrigieren lassen könnte.
Jeweils unter Berücksichtigung der länderspezifischen Besonderheiten bzw. Eigenheiten.
Da es da klare Regeln gibt, sollte eine KI wie ChatGPT über deren API damit überhaupt kein Problem haben.
Eventuell sogar bald mit der Möglichkeit der KI dabei aufzuzeigen, was sie dabei noch verkehrt macht, damit auch das künftig passt.

Die Rechnungsdaressen wahlweise ebenfalls - aber die sind ja weitgehend das Problem der Käufer.

Gruß
Klaus

Ehrlich gesagt würde ich mich derzeit noch nicht voll und ganz da auf eine KI verlassen. Womit wir gut fahren ist der Vorschlag aus dem Guide (falls der noch nicht bekannt ist): https://guide.jtl-software.com/jtl-...strasse-hausnummer-pruefen-und-zurueckhalten/

 

[Klaus K.]

Ehrlich gesagt würde ich mich derzeit noch nicht voll und ganz da auf eine KI verlassen. Womit wir gut fahren ist der Vorschlag aus dem Guide (falls der noch nicht bekannt ist): https://guide.jtl-software.com/jtl-...strasse-hausnummer-pruefen-und-zurueckhalten/

Nein, darauf verlassen natürlich nicht. Aber ich kann dann ja in der Übersicht unter "Versand" sagen: "Das war wohl nix - bitte rückgängig" oder einzelne Unstimmigkeiten noch korrigieren. Es wird dann schon jetzt eher letzteres sein...
Den Guide schau' ich mir mal an

 

[5 Elements]

Hallo Klaus,

danke für die spannende Idee, du hast absolut recht Adressfehler waren und sind ein nerviger zusätzlicher Zeitaufwand – und ja, das lässt sich tatsächlich sehr elegant mit unserem Ansatz abbilden.

Im Kern könntest du in JTL Wawi einfach einen Workflow anlegen, der auf den „Auftrag erstellt“-Trigger reagiert. Über den „Web Request“-Step schickst du dann die Auftragsdaten an ChatGPT/LLM-API wo die aktuelle Lieferadresse geprüft wird (inkl. länderspezifischer Regeln). Unser CustomWorkflow könnte diese Antwort dann in einem eigenen Feld hinterlegen. Von dort aus müsste man dann die Adressänderung in weiteren Workflows im Auftrag abändern.

Eleganter wäre die Lösung mit unserer speziell für KI Kommunikation entwickelten Custom API. Diese kann die KI Antwort direkt als json Objekt verarbeiten und in einem Schritt dann den Auftrag updaten. Zudem könnte man parallel die Antworten tracken und in ein extra File oder Datenbank schreiben, die man der KI in der nächsten Anfrage dann mitsenden kann.

Da unsere API sowohl Lese- als auch Schreib-Endpoints für Adressdaten bereitstellt, ließe sich das komplett automatisieren – von falsch formatierten Postleitzahlen, falsch eingetragenen Hausnummern bis hin zu fehlenden Länder- oder Straßenzusätzen. Und dank der Feedback-Schleife kann das Modell im Laufe der Zeit sogar „lernen“, welche Korrekturen oder Länderspezifischen Adressformate in eurem Setup besonders häufig vorkommen.

Gleiches Prinzip ließe sich natürlich auch auf die Rechnungsadressen anwenden, falls ihr das benötigt.

Kurz gesagt: Ja, das ist mit einem einzigen, durchgängigen JTL-Workflow plus unserer Custom-API ohne großen Mehraufwand realisierbar.

*Wir werden in kürze auch noch weitere Informationen zu unserer Custom-API veröffentlichen, diese wird gerade als MCP Schnittstelle für sämtliche KI Modelle weiterentwickelt und wird in Zukunft KI-Agenten für JTL möglich machen. Damit lässt sich dann fast jede KI gestützte Automatisierung umsetzen.

 

[5 Elements]

Ehrlich gesagt würde ich mich derzeit noch nicht voll und ganz da auf eine KI verlassen. Womit wir gut fahren ist der Vorschlag aus dem Guide (falls der noch nicht bekannt ist): https://guide.jtl-software.com/jtl-...strasse-hausnummer-pruefen-und-zurueckhalten/

Hey Conderraptor, danke für den Hinweis auf den JTL-Guide – das ist wirklich ein super Basis-Tool für einfache PLZ-/Straßen-Checks.

Aber genau wie Klaus schon schreibt, ist unser Ansatz ganz bewusst als assistive Lösung gedacht, nicht als “Blindflug”. Man kann zB die alten Adressdaten in einem Eigenen Feld als Backup speichern bevor man sie von der KI überschreiben lässt. Falls mal eine Korrektur nicht passt, bleibt der Ursprungswert erhalten und du kannst einfach „Rollback“ auslösen.
Die KI soll den Aufwand minimieren, nicht komplett in den Autopiloten zwingen.

Klassische, regelbasierte Checks (wie im JTL-Guide) sind extrem verlässlich, solange alle Eingaben exakt dem erwarteten Schema folgen. Sobald aber nur eine Kleinigkeit abweicht – anders geschriebene Straßennamen, Sonderzeichen, abgekürzte Schreibweisen – braucht man im Code unzählige Sonder-IFs, um jede Ausnahme abzudecken.

LLMs hingegen können solche Abweichungen kontextbasiert interpretieren. Sie „verstehen“ zum Beispiel, dass „Munchnerstr.“ wahrscheinlich „Münchner Straße“ meint, und erkennen, wenn Postleitzahlen-Land-Kombinationen nicht zueinander passen. Damit überbrücken sie die Lücke zwischen starren Regeln und der realen Datenvielfalt.

Natürlich heißt das nicht, dass man sie blind einsetzen sollte – die Freigabe- und Rollback-Mechanismen im Workflow geben dir ja volle Kontrolle. Aber gerade bei komplexen, uneinheitlichen Adressdaten spielen LLMs ihre Stärke aus und sparen deutlich mehr Aufwand als die Pflege zahlloser Sonderregeln im Code.

 

[Klaus K.]

...genau wie Klaus schon schreibt, ist unser Ansatz ganz bewusst als assistive Lösung gedacht, nicht als “Blindflug”. Man kann zB die alten Adressdaten in einem Eigenen Feld als Backup speichern bevor man sie von der KI überschreiben lässt. Falls mal eine Korrektur nicht passt, bleibt der Ursprungswert erhalten und du kannst einfach „Rollback“ auslösen.
Die KI soll den Aufwand minimieren, nicht komplett in den Autopiloten zwingen.

Klassische, regelbasierte Checks (wie im JTL-Guide) sind extrem verlässlich, solange alle Eingaben exakt dem erwarteten Schema folgen. Sobald aber nur eine Kleinigkeit abweicht – anders geschriebene Straßennamen, Sonderzeichen, abgekürzte Schreibweisen – braucht man im Code unzählige Sonder-IFs, um jede Ausnahme abzudecken.

LLMs hingegen können solche Abweichungen kontextbasiert interpretieren. Sie „verstehen“ zum Beispiel, dass „Munchnerstr.“ wahrscheinlich „Münchner Straße“ meint, und erkennen, wenn Postleitzahlen-Land-Kombinationen nicht zueinander passen. Damit überbrücken sie die Lücke zwischen starren Regeln und der realen Datenvielfalt.

Natürlich heißt das nicht, dass man sie blind einsetzen sollte – die Freigabe- und Rollback-Mechanismen im Workflow geben dir ja volle Kontrolle. Aber gerade bei komplexen, uneinheitlichen Adressdaten spielen LLMs ihre Stärke aus und sparen deutlich mehr Aufwand als die Pflege zahlloser Sonderregeln im Code.

Genau so
Und auch die korrekte Schreibweise von Firmennamen ist ja im Prinzip fixiert und für eine KI lockerst recherchierbar.

 

[Condorraptor]

Hey Conderraptor, danke für den Hinweis auf den JTL-Guide – das ist wirklich ein super Basis-Tool für einfache PLZ-/Straßen-Checks.

Aber genau wie Klaus schon schreibt, ist unser Ansatz ganz bewusst als assistive Lösung gedacht, nicht als “Blindflug”. Man kann zB die alten Adressdaten in einem Eigenen Feld als Backup speichern bevor man sie von der KI überschreiben lässt. Falls mal eine Korrektur nicht passt, bleibt der Ursprungswert erhalten und du kannst einfach „Rollback“ auslösen.
Die KI soll den Aufwand minimieren, nicht komplett in den Autopiloten zwingen.

Klassische, regelbasierte Checks (wie im JTL-Guide) sind extrem verlässlich, solange alle Eingaben exakt dem erwarteten Schema folgen. Sobald aber nur eine Kleinigkeit abweicht – anders geschriebene Straßennamen, Sonderzeichen, abgekürzte Schreibweisen – braucht man im Code unzählige Sonder-IFs, um jede Ausnahme abzudecken.

LLMs hingegen können solche Abweichungen kontextbasiert interpretieren. Sie „verstehen“ zum Beispiel, dass „Munchnerstr.“ wahrscheinlich „Münchner Straße“ meint, und erkennen, wenn Postleitzahlen-Land-Kombinationen nicht zueinander passen. Damit überbrücken sie die Lücke zwischen starren Regeln und der realen Datenvielfalt.

Natürlich heißt das nicht, dass man sie blind einsetzen sollte – die Freigabe- und Rollback-Mechanismen im Workflow geben dir ja volle Kontrolle. Aber gerade bei komplexen, uneinheitlichen Adressdaten spielen LLMs ihre Stärke aus und sparen deutlich mehr Aufwand als die Pflege zahlloser Sonderregeln im Code.

Dann habe ich euren Post (teilweise) missverstanden, dafür sorry! Wir haben eine Prüfung bereits im Shop realisiert, so kommen fehlerhafte Adressen erst gar nicht in die WaWi rein.

 

[frankell]

Was die Adressen angeht, würde ich viel eher auf eine Prüfung bereits bei Adresseingabe setzen. Dazu gibt es ja auch Tools, die die Adressdatenbanken der Postgesellschaften abfragen und bei einem Missmatch anschlagen, so dass im Idealfall erst gar keine falschen Adressdaten im System landen, die man dann per KI herausfiltern müsste. Lieber die Ursache als das Symptom bekämpfen.
Aber es gibt ja auch andere Ecken, in denen KI durchaus hilfreich sein kann, wie oben im Ursprungspost ja auch aufgelistet.