Product Data Quality για AI Agents: Πώς να Καταλαβαίνουν οι AI Agents τα Προϊόντα ενός E-shop

Ένας πελάτης δεν αναζητά πάντα ένα προϊόν με την ακριβή ονομασία του. Μπορεί να ζητήσει από έναν AI agent:

«Βρες μου ένα πλυντήριο έως 500 ευρώ, κατάλληλο για τετραμελή οικογένεια, με χαμηλή κατανάλωση και μικρό βάθος γιατί δεν έχω πολύ χώρο.»

Για να απαντήσει σωστά, ο AI agent πρέπει να καταλάβει πολύ περισσότερα από τη λέξη «πλυντήριο». Χρειάζεται να γνωρίζει τη χωρητικότητα, τις διαστάσεις, την ενεργειακή κλάση, την τιμή, τη διαθεσιμότητα και τα ιδιαίτερα χαρακτηριστικά κάθε μοντέλου.

Αν το e-shop έχει αποθηκεύσει αυτές τις πληροφορίες σε καθαρά και οργανωμένα πεδία, ο agent μπορεί να φιλτράρει και να συγκρίνει τα κατάλληλα προϊόντα. Αν, όμως, τα δεδομένα είναι ελλιπή, ασυνεπή ή θαμμένα μέσα σε γενικές περιγραφές, ο agent αναγκάζεται να μαντέψει.

Και ένας AI agent που δεν καταλαβαίνει με βεβαιότητα ένα προϊόν δύσκολα θα το προτείνει με ασφάλεια.

Γι’ αυτό το Agentic Commerce SEO δεν ξεκινά από τα product feeds, τα structured data ή το API. Ξεκινά από την ποιότητα του ίδιου του καταλόγου προϊόντων.

Τι σημαίνει το Product Data Quality σε ένα e-shop

Το Product Data Quality περιγράφει το πόσο σωστά, πλήρη, συνεπή, συγκεκριμένα και αξιοποιήσιμα είναι τα δεδομένα που διαθέτει το e-shop για κάθε προϊόν.

Ένας ποιοτικός κατάλογος προϊόντων δεν περιλαμβάνει απλώς έναν τίτλο, μία τιμή και μία εικόνα. Καταγράφει με σαφήνεια:

• ποιο ακριβώς είναι το προϊόν,
• ποιος το κατασκευάζει,
• σε ποια κατηγορία ανήκει,
• ποια τεχνικά και εμπορικά χαρακτηριστικά διαθέτει,
• για ποια χρήση προορίζεται,
• με ποια προϊόντα είναι συμβατό,
• ποια αξεσουάρ ή ανταλλακτικά το συνοδεύουν,
• ποια προϊόντα μπορούν να το αντικαταστήσουν,
• αν είναι διαθέσιμο και σε ποια τιμή.

Η ποιότητα των product data δεν εξαρτάται από τον αριθμό των πεδίων. Ένα e-shop δεν χρειάζεται να συμπληρώνει δεκάδες άσχετα χαρακτηριστικά για κάθε προϊόν. Χρειάζεται να καταγράφει τις πληροφορίες που βοηθούν έναν άνθρωπο ή ένα σύστημα να αναγνωρίσει, να αξιολογήσει και να συγκρίνει σωστά το προϊόν.

Product data δεν σημαίνει product feed

Τα product data, το product feed και τα structured data συνδέονται μεταξύ τους, αλλά δεν αποτελούν το ίδιο πράγμα.

Product data είναι οι πληροφορίες που διατηρεί το e-shop για κάθε προϊόν μέσα στο σύστημα διαχείρισης, στο ERP, στο PIM ή σε άλλη κεντρική βάση δεδομένων.

Product feed είναι το αρχείο ή το σύστημα με το οποίο το e-shop εξάγει και μεταφέρει αυτές τις πληροφορίες σε πλατφόρμες όπως το Google Merchant Center, το Skroutz, το BestPrice ή ένα AI commerce σύστημα.

Structured data είναι ο machine-readable κώδικας που δηλώνει συγκεκριμένες πληροφορίες μέσα στη σελίδα προϊόντος, συνήθως με Schema.org και JSON-LD.

API είναι η τεχνική διεπαφή μέσω της οποίας ένα άλλο σύστημα μπορεί να ζητήσει δεδομένα ή να εκτελέσει επιτρεπόμενες ενέργειες.

Αν το αρχικό product catalog έχει λάθος τίτλους, ελλιπή χαρακτηριστικά και ανακριβή identifiers, το feed και τα structured data δεν θα διορθώσουν το πρόβλημα. Θα μεταφέρουν τα ίδια λάθη σε περισσότερα κανάλια.

Ο κατάλογος προϊόντων πρέπει να λειτουργεί ως source of truth

Το e-shop χρειάζεται μία ελεγχόμενη κύρια πηγή από την οποία αντλεί τις πληροφορίες κάθε προϊόντος.

Η OpenAI αντιμετωπίζει το πλήρες snapshot του product feed ως ολοκληρωμένη εξαγωγή του καταλόγου και ως source of truth, με προτεινόμενη ανανέωση τουλάχιστον καθημερινά. Παράλληλα, το επίσημο product schema της περιλαμβάνει σταθερό item ID, τίτλο, περιγραφή, brand, κατηγορία, χαρακτηριστικά, media, τιμή, διαθεσιμότητα και σχέσεις μεταξύ προϊόντων.

Αυτό δεν σημαίνει ότι κάθε e-shop χρειάζεται απαραίτητα ένα ακριβό PIM. Σημαίνει ότι πρέπει να γνωρίζει:

• ποιο σύστημα διατηρεί την επίσημη ονομασία του προϊόντος,
• ποιο σύστημα ενημερώνει την τιμή,
• από πού προέρχεται η διαθεσιμότητα,
• ποιος εγκρίνει τα χαρακτηριστικά,
• ποιος διορθώνει ένα λανθασμένο GTIN,
• πώς διαδίδονται οι αλλαγές στη σελίδα, στα feeds και στα υπόλοιπα κανάλια.

Όταν πολλά συστήματα λειτουργούν ως ανεξάρτητες «πηγές αλήθειας», οι ασυνέπειες εμφανίζονται γρήγορα.

Γιατί οι AI agents χρειάζονται καθαρά και οργανωμένα product data

Ένας AI agent μπορεί να επεξεργαστεί κείμενα και να συνδέσει πληροφορίες. Αυτό, όμως, δεν σημαίνει ότι ένα e-shop πρέπει να τον αναγκάζει να εξάγει κάθε χαρακτηριστικό από ασαφείς προτάσεις.

Σκεφτείτε ένα προϊόν με τίτλο:

Φίλτρο Bosch

Τι ακριβώς είναι;

• Φίλτρο ηλεκτρικής σκούπας;
• Φίλτρο απορροφητήρα;
• Φίλτρο καφετιέρας;
• Φίλτρο νερού;
• Ανταλλακτικό πλυντηρίου;

Χωρίς σωστή κατηγορία, manufacturer part number, συμβατά μοντέλα και αναλυτική περιγραφή, ο agent δεν μπορεί να γνωρίζει με βεβαιότητα τι πουλάει το e-shop.

Από το keyword matching στην κατανόηση του προϊόντος

Στην παραδοσιακή αναζήτηση, ένα e-shop μπορούσε να στοχεύει συγκεκριμένα keywords και να προσελκύει χρήστες σε μία σελίδα προϊόντος ή κατηγορίας.

Τα AI shopping queries λειτουργούν συχνά διαφορετικά. Ο χρήστης μπορεί να περιγράψει:

• την ανάγκη που θέλει να καλύψει,
• τον προϋπολογισμό του,
• τον χώρο στον οποίο θα χρησιμοποιήσει το προϊόν,
• τα χαρακτηριστικά που προτιμά,
• τους περιορισμούς που αντιμετωπίζει,
• τα προϊόντα που ήδη διαθέτει.

Ο agent πρέπει στη συνέχεια να μετατρέψει αυτή την περιγραφή σε κριτήρια επιλογής.

Για να το κάνει, χρειάζεται συγκεκριμένα και συγκρίσιμα δεδομένα. Δεν του αρκεί μια περιγραφή που αναφέρει ότι το προϊόν είναι «σύγχρονο», «ποιοτικό» ή «ιδανικό για κάθε χρήση».

Ταυτότητα προϊόντος: το πρώτο επίπεδο ποιότητας

Πριν ένας AI agent συγκρίνει ένα προϊόν, πρέπει πρώτα να καταλάβει ποιο ακριβώς προϊόν βλέπει.

Η ταυτότητα του προϊόντος βασίζεται σε στοιχεία όπως:

• το σταθερό product ID,
• το SKU,
• το GTIN ή EAN,
• το MPN,
• το brand,
• το μοντέλο.

Stable Product ID και SKU

Κάθε ξεχωριστό προϊόν πρέπει να διαθέτει ένα μοναδικό και σταθερό εσωτερικό αναγνωριστικό.

Το SKU εξυπηρετεί κυρίως την εσωτερική διαχείριση του e-shop. Μπορεί να βοηθήσει την επιχείρηση να συνδέσει το προϊόν με την αποθήκη, τις παραγγελίες, το ERP και τα εξωτερικά κανάλια.

Το ID πρέπει να παραμένει σταθερό. Η Google, για παράδειγμα, συνιστά σταθερό και μοναδικό ID ανά προϊόν, επειδή το χρησιμοποιεί για να αναγνωρίζει το προϊόν και να διατηρεί το ιστορικό του.

Αποφύγετε να δημιουργείτε νέο SKU κάθε φορά που:

• αλλάζει η τιμή,
• ανανεώνεται η περιγραφή,
• αντικαθίσταται η κύρια εικόνα,
• μετακινείται το προϊόν σε διαφορετική κατηγορία.

Αυτές οι αλλαγές δεν δημιουργούν νέο προϊόν.

SKU, GTIN και MPN δεν είναι το ίδιο πράγμα

Το SKU αποτελεί εσωτερικό κωδικό της επιχείρησης. Το e-shop μπορεί να καθορίσει ελεύθερα τη μορφή του.

Το GTIN αποτελεί διεθνές αναγνωριστικό εμπορικού προϊόντος. Στην Ευρώπη συναντάμε συχνά το EAN-13, το οποίο ανήκει στην οικογένεια των GTIN.

Το MPN αποτελεί τον κωδικό που αποδίδει ο κατασκευαστής σε ένα συγκεκριμένο προϊόν ή εξάρτημα.

Η Google αναγνωρίζει ως βασικά unique product identifiers το GTIN, το MPN και το brand. Επισημαίνει επίσης ότι τα καταστήματα δεν πρέπει να επινοούν identifiers, να χρησιμοποιούν εσωτερικά SKU στη θέση GTIN ή να αντιγράφουν κωδικούς από παρόμοια προϊόντα.

Αν το προϊόν διαθέτει GTIN, καταχωρίστε το σωστό GTIN. Αν δεν διαθέτει, μην δημιουργήσετε ένα αυθαίρετο.

Ένας λανθασμένος identifier μπορεί να συνδέσει το προϊόν με διαφορετικό μοντέλο, διαφορετική έκδοση ή διαφορετικό variant.

Διατηρήστε συνεπή την ονομασία του brand

Η ίδια μάρκα δεν πρέπει να εμφανίζεται ως:

• Philips
• PHILIPS
• Phillips
• Philips Hellas
• Φίλιπς

Τα συστήματα μπορούν συχνά να αναγνωρίσουν παραλλαγές, αλλά η ασυνέπεια δημιουργεί περιττό θόρυβο και δυσκολεύει την αντιστοίχιση δεδομένων ανάμεσα στο catalog, στα feeds και στα marketplaces.

Ορίστε μία επίσημη ονομασία για κάθε brand και χρησιμοποιήστε την παντού.

Συχνά λάθη στην ταυτοποίηση

Ελέγξτε ιδιαίτερα αν:

• διαφορετικά προϊόντα χρησιμοποιούν το ίδιο SKU,
• το ίδιο προϊόν εμφανίζεται με διαφορετικά IDs σε διαφορετικά κανάλια,
• το e-shop χρησιμοποιεί εσωτερικό κωδικό στη θέση του GTIN,
• το GTIN ανήκει σε παρόμοιο αλλά διαφορετικό προϊόν,
• το brand εμφανίζεται με διαφορετικές ονομασίες,
• ένα τεχνικό ανταλλακτικό δεν διαθέτει MPN,
• το μοντέλο λείπει από τον τίτλο και την περιγραφή.

Δημιουργήστε τίτλους που εξηγούν τι είναι το προϊόν

Ο τίτλος πρέπει να επιτρέπει στον χρήστη και στον AI agent να αναγνωρίσουν το προϊόν χωρίς να ανοίξουν πρώτα ολόκληρη την περιγραφή.

Ένας καλός τίτλος συνδυάζει τα σημαντικότερα στοιχεία ταυτότητας και διαφοροποίησης.

Ανάλογα με την κατηγορία, μπορεί να περιλαμβάνει:

• brand,
• σειρά ή μοντέλο,
• τύπο προϊόντος,
• βασικό χαρακτηριστικό,
• μέγεθος,
• χρώμα,
• χωρητικότητα,
• ισχύ,
• υλικό,
• συμβατότητα.

Η επίσημη προδιαγραφή product data της OpenAI περιλαμβάνει τον τίτλο και την πλήρη περιγραφή στα βασικά product data που δημιουργούν το canonical record ενός προϊόντος.

Παραδείγματα αδύναμων και βελτιωμένων τίτλων

Αδύναμος τίτλος:

Βελτιωμένος τίτλος:

Αδύναμος τίτλος:

Βελτιωμένος τίτλος:

Αδύναμος τίτλος:

Βελτιωμένος τίτλος:

Αδύναμος τίτλος:

Βελτιωμένος τίτλος:

Ο βελτιωμένος τίτλος δεν χρειάζεται να περιλαμβάνει κάθε τεχνική λεπτομέρεια. Πρέπει, όμως, να ξεχωρίζει καθαρά το προϊόν από τα υπόλοιπα προϊόντα της ίδιας κατηγορίας.

Τι πρέπει να αποφεύγετε στους τίτλους

Αποφύγετε:

• τίτλους που περιλαμβάνουν μόνο το brand,
• γενικές ονομασίες χωρίς μοντέλο ή χαρακτηριστικά,
• keyword stuffing,
• άσχετες προωθητικές φράσεις,
• συνεχόμενα κεφαλαία,
• emoji και διακοσμητικά σύμβολα,
• διαφορετική σειρά χαρακτηριστικών σε κάθε προϊόν,
• τίτλους που αποκρύπτουν τη βασική συμβατότητα.

Η φράση «ΔΩΡΕΑΝ ΜΕΤΑΦΟΡΙΚΑ – ΠΡΟΣΦΟΡΑ – ΠΛΥΝΤΗΡΙΟ BOSCH» δεν βοηθά τον agent να καταλάβει ποιο μοντέλο πουλάτε. Απλώς καταλαμβάνει τον χώρο στον οποίο θα έπρεπε να εμφανίζονται χρήσιμες πληροφορίες.

Γράψτε περιγραφές χωρίς ασάφεια και marketing fluff

Μια καλή περιγραφή δεν επαναλαμβάνει απλώς τον τίτλο. Προσθέτει το context που χρειάζεται ο αγοραστής για να αποφασίσει αν το προϊόν ταιριάζει στις ανάγκες του.

Τι πρέπει να απαντά μια καλή περιγραφή προϊόντος

• Τι είναι το προϊόν;
• Σε ποιον απευθύνεται;
• Για ποια χρήση σχεδιάστηκε;
• Ποιο πρόβλημα λύνει;
• Ποια είναι τα βασικά πλεονεκτήματά του;
• Ποιους περιορισμούς έχει;
• Με τι είναι συμβατό;
• Τι περιλαμβάνει η συσκευασία;
• Τι δεν περιλαμβάνει;
• Χρειάζεται εγκατάσταση ή πρόσθετο εξάρτημα;

Κακή περιγραφή

Η περιγραφή αυτή θα μπορούσε να αφορά σχεδόν οποιοδήποτε προϊόν.

Χρήσιμη περιγραφή

Η δεύτερη περιγραφή εξηγεί:

• τι είναι το προϊόν,
• τι πρόβλημα αντιμετωπίζει,
• με ποιες συσκευές σχετίζεται,
• ποιον έλεγχο πρέπει να κάνει ο αγοραστής.

Αναφέρετε και τους περιορισμούς

Τα product data δεν πρέπει να παρουσιάζουν μόνο τα θετικά χαρακτηριστικά.

Ένας AI agent χρειάζεται να γνωρίζει και πότε δεν πρέπει να προτείνει το προϊόν.

Χρήσιμες πληροφορίες μπορεί να είναι:

• δεν είναι κατάλληλο για εξωτερική χρήση,
• δεν είναι συμβατό με συγκεκριμένη σειρά μοντέλων,
• απαιτεί επαγγελματική εγκατάσταση,
• δεν περιλαμβάνει μπαταρία ή φορτιστή,
• λειτουργεί μόνο με συγκεκριμένη τάση,
• υποστηρίζει μέγιστο βάρος 100 κιλών,
• δεν προορίζεται για παιδιά κάτω από συγκεκριμένη ηλικία.

Η σαφής δήλωση των περιορισμών μειώνει τον κίνδυνο λανθασμένων συστάσεων και επιστροφών.

Συμπληρώστε category-specific attributes

Ο τίτλος, η περιγραφή, η τιμή και η εικόνα δεν αρκούν για να περιγράψουν ολοκληρωμένα ένα προϊόν.

Κάθε κατηγορία διαθέτει διαφορετικά κριτήρια επιλογής.

Ένας χρήστης συγκρίνει τα πλυντήρια με βάση τη χωρητικότητα και την ενεργειακή κλάση. Συγκρίνει τα παπούτσια με βάση το μέγεθος, τη χρήση και το υλικό. Συγκρίνει τα ανταλλακτικά με βάση τη συμβατότητα και τον κωδικό του κατασκευαστή (manufacturer code).

Η OpenAI περιλαμβάνει στα product data πεδία για brand, κατηγορία, υλικό, διαστάσεις και βάρος, ενώ το GS1 Global Data Model ορίζει συνεπή σύνολα product attributes με στόχο την ακριβέστερη και πληρέστερη ανταλλαγή δεδομένων μεταξύ εμπορικών συνεργατών.

Παραδείγματα attributes ανά κατηγορία

Μην κρύβετε τα κρίσιμα χαρακτηριστικά μόνο μέσα στην περιγραφή

Ας υποθέσουμε ότι ένα πλυντήριο έχει χωρητικότητα 9 κιλών.

Η πληροφορία αυτή μπορεί να εμφανίζεται στον τίτλο και στην περιγραφή, αλλά πρέπει επίσης να υπάρχει σε ξεχωριστό πεδίο χωρητικότητας.

Έτσι το e-shop μπορεί να τη χρησιμοποιήσει:

• στα φίλτρα κατηγορίας,
• στη σύγκριση προϊόντων,
• στο product feed,
• στα structured data όπου υποστηρίζεται,
• σε API responses,
• σε AI shopping filters.

Αν η πληροφορία υπάρχει μόνο μέσα σε μια μεγάλη παράγραφο, τα συστήματα πρέπει να την εξάγουν κάθε φορά από μη δομημένο κείμενο.

Κανονικοποιήστε τις τιμές των attributes

Μην καταχωρίζετε το ίδιο χαρακτηριστικό ως:

• 9kg
• 9 kg
• 9 κιλά
• εννέα κιλά
• Χωρητικότητα: 9 κιλών

Επιλέξτε κοινή μορφή και κοινή μονάδα μέτρησης.

Το ίδιο ισχύει για:

• διαστάσεις,
• βάρος,
• ισχύ,
• χωρητικότητα,
• χρώματα,
• υλικά,
• μεγέθη,
• τύπους σύνδεσης.

Η κανονικοποίηση επιτρέπει στα φίλτρα και στα εξωτερικά συστήματα να συγκρίνουν ισοδύναμες τιμές.

Οργανώστε σωστά το product taxonomy

Η κατηγορία δίνει το απαραίτητο context για να καταλάβει ένα σύστημα τι είναι το προϊόν.

Η ονομασία «Αντλία» μπορεί να αναφέρεται σε:

• αντλία αποστράγγισης πλυντηρίου,
• αντλία νερού,
• αντλία θερμότητας,
• αντλία ποδηλάτου,
• αντλία καυσίμου.

Η κατηγορία περιορίζει την ασάφεια και καθορίζει ποια attributes χρειάζεται το προϊόν.

Δημιουργήστε λογική ιεραρχία

Ένα χρήσιμο taxonomy ακολουθεί κατανοητή πορεία:

Οικιακές συσκευές → Ανταλλακτικά πλυντηρίων → Αντλίες αποστράγγισης

και όχι:

Προϊόντα → Διάφορα → Προσφορές → Λοιπά ανταλλακτικά

Η ιεραρχία πρέπει να βοηθά:

• τον χρήστη να πλοηγηθεί,
• το e-shop να εφαρμόσει σωστά attributes,
• τα feeds να αντιστοιχίσουν κατηγορίες,
• τα συστήματα AI να καταλάβουν το προϊόν.

Αποφύγετε κατηγορίες που δημιουργήθηκαν μόνο για keywords

Κατηγορίες όπως:

• φθηνά πλυντήρια,
• καλύτερα πλυντήρια,
• πλυντήρια προσφορά,
• πλυντήρια online,

δεν περιγράφουν διαφορετικούς τύπους προϊόντων. Περιγράφουν εμπορικά ή αναζητητικά modifiers.

Χρησιμοποιήστε φίλτρα, landing pages ή buying guides για τέτοιες ανάγκες. Μην αποδιοργανώνετε το κύριο taxonomy του καταλόγου.

Συνδέστε κάθε κατηγορία με τα σωστά attributes

Το σύστημα διαχείρισης προϊόντων του e-shop πρέπει να εμφανίζει διαφορετικά πεδία χαρακτηριστικών ανάλογα με την κατηγορία στην οποία εντάσσεται κάθε προϊόν.

Για παράδειγμα, όταν ο υπεύθυνος καταχωρίζει ένα προϊόν στην κατηγορία «Πλυντήρια ρούχων», το σύστημα πρέπει να του επιτρέπει να συμπληρώσει σε ξεχωριστά πεδία χαρακτηριστικά όπως:

• χωρητικότητα,
• στροφές,
• ενεργειακή κλάση,
• διαστάσεις.

Δεν έχει νόημα να εμφανίζει πεδία όπως:

• τύπος δέρματος,
• διάμετρος ζάντας,
• νούμερο παπουτσιού.

Τα category-specific templates περιορίζουν τα λάθη και κάνουν τη συμπλήρωση των προϊόντων πιο συνεπή.

Αντιμετωπίστε τις εικόνες και το video ως product data

Οι εικόνες δεν αποτελούν απλώς διακοσμητικό στοιχείο της σελίδας. Μεταφέρουν πληροφορίες για:

• το σχήμα,
• το χρώμα,
• το υλικό,
• τα εξαρτήματα,
• τη συσκευασία,
• το μέγεθος,
• τη χρήση του προϊόντος.

Η επίσημη προδιαγραφή product data της OpenAI περιλαμβάνει κύρια εικόνα, πρόσθετες εικόνες, video και προαιρετικό 3D model ως media data του προϊόντος.

Τι πρέπει να περιλαμβάνει ένα καλό image set

Ανάλογα με το προϊόν, προσθέστε:

• καθαρή κύρια εικόνα,
• φωτογραφίες από διαφορετικές γωνίες,
• κοντινά πλάνα σε κρίσιμα σημεία,
• εικόνα του προϊόντος σε χρήση,
• εικόνα της συσκευασίας,
• φωτογραφία των περιεχομένων του κουτιού,
• διάγραμμα διαστάσεων,
• φωτογραφία connector ή σημείου σύνδεσης,
• εικόνα που αποδίδει την κλίμακα.

Ένα ανταλλακτικό, για παράδειγμα, μπορεί να μοιάζει σχεδόν ίδιο με ένα μη συμβατό εξάρτημα. Μια καθαρή φωτογραφία του connector, των οπών στερέωσης ή της ετικέτας του κατασκευαστή βοηθά τον αγοραστή να ελέγξει τη συμβατότητα.

Διατηρήστε τα media δημόσια προσβάσιμα

Τα image και video URLs πρέπει να φορτώνουν χωρίς:

• login,
• προσωρινά tokens που λήγουν,
• προστασία που μπλοκάρει crawlers,
• HTTP errors,
• περιορισμούς hotlinking,
• υπερβολικές ανακατευθύνσεις.

Το product catalog μπορεί να περιλαμβάνει εξαιρετικές εικόνες, αλλά κανένα εξωτερικό σύστημα δεν θα τις αξιοποιήσει αν δεν μπορεί να τις προσπελάσει.

Χρησιμοποιήστε video όταν προσθέτει πραγματική πληροφορία

Το video έχει ιδιαίτερη αξία όταν δείχνει:

• τη λειτουργία του προϊόντος,
• τη διαδικασία εγκατάστασης,
• τη συναρμολόγηση,
• την εφαρμογή ενός καλλυντικού,
• τον πραγματικό όγκο ή ήχο μιας συσκευής,
• τη διαφορά μεταξύ δύο μοντέλων.

Μην προσθέτετε video μόνο επειδή το επιτρέπει η πλατφόρμα. Προσθέστε το όταν βοηθά τον χρήστη να πάρει καλύτερη απόφαση.

Καταγράψτε τις σχέσεις μεταξύ προϊόντων

Ένας AI agent δεν χρειάζεται πάντα να προτείνει ένα μόνο προϊόν. Μπορεί να χρειαστεί να δημιουργήσει ένα πλήρες καλάθι ή να βρει τη σωστή εναλλακτική.

Ο χρήστης μπορεί να ζητήσει:

Για να απαντήσει σωστά, ο agent πρέπει να γνωρίζει ποια φίλτρα ταιριάζουν σε κάθε ηλεκτρική σκούπα.

Η προδιαγραφή product data της OpenAI περιλαμβάνει σχέσεις όπως required_part, often_bought_with, substitute και accessory, ώστε τα προϊόντα να μπορούν να συνδεθούν με απαραίτητα εξαρτήματα, συχνές συνδυαστικές αγορές, υποκατάστατα και αξεσουάρ.

Βασικοί τύποι product relationships

Accessories
Προαιρετικά προϊόντα που συμπληρώνουν τη βασική αγορά.

Παράδειγμα: θήκη για κινητό.

Required parts
Προϊόντα που χρειάζονται για να λειτουργήσει ή να εγκατασταθεί σωστά το βασικό προϊόν.

Παράδειγμα: ειδικός αντάπτορας για σύνδεση μιας συσκευής.

Compatible products
Προϊόντα που συνεργάζονται μεταξύ τους.

Παράδειγμα: docking station συμβατό με συγκεκριμένα laptops.

Replacement parts
Ανταλλακτικά που αντικαθιστούν φθαρμένα ή ελαττωματικά μέρη.

Παράδειγμα: αντλία αποστράγγισης για συγκεκριμένα πλυντήρια.

Substitutes
Εναλλακτικά προϊόντα που καλύπτουν παρόμοια ανάγκη.

Παράδειγμα: νεότερο μοντέλο που αντικαθιστά προϊόν το οποίο έχει καταργηθεί.

Bundles και συχνές συνδυαστικές αγορές
Προϊόντα που οι πελάτες αγοράζουν συχνά μαζί.

Παράδειγμα: φωτογραφική μηχανή, κάρτα μνήμης και τσάντα μεταφοράς.

Μην βασίζετε αυτές τις σχέσεις μόνο σε χειροκίνητα widgets τύπου «Μπορεί επίσης να σας αρέσει». Καταγράψτε τη σχέση στα product data, ώστε να μπορεί να χρησιμοποιηθεί και σε άλλα συστήματα.

Καταγράψτε σωστά τη συμβατότητα

Σε ορισμένες κατηγορίες, το σημαντικότερο χαρακτηριστικό ενός προϊόντος δεν είναι το χρώμα, το μέγεθος ή η τιμή.

Είναι η απάντηση στην ερώτηση:

«Ταιριάζει με αυτό που ήδη έχω;»

Η συμβατότητα παίζει κρίσιμο ρόλο σε:

• ανταλλακτικά οικιακών συσκευών,
• αξεσουάρ κινητών,
• φορτιστές,
• μπαταρίες,
• αναλώσιμα εκτυπωτών,
• εξαρτήματα υπολογιστών,
• φίλτρα,
• εργαλεία και εξαρτήματα,
• ανταλλακτικά μηχανημάτων.

Μην κρύβετε τη συμβατότητα σε μία γενική πρόταση

Η φράση:

δεν προσφέρει αρκετή πληροφορία.

Καταγράψτε:

• compatible brand,
• compatible series,
• compatible model,
• manufacturer code,
• connector type,
• διαστάσεις,
• τάση,
• ισχύ,
• έτος ή γενιά όπου χρειάζεται.

Χρησιμοποιήστε συγκεκριμένη λίστα μοντέλων ή πίνακα συμβατότητας.

Διαχωρίστε το «γνήσιο» από το «συμβατό»

Ένα προϊόν μπορεί να είναι:

• γνήσιο ανταλλακτικό του κατασκευαστή,
• συμβατό προϊόν τρίτου κατασκευαστή,
• universal εξάρτημα,
• aftermarket αντικατάσταση.

Δηλώστε καθαρά την κατηγορία του. Μην χρησιμοποιείτε το brand του αρχικού κατασκευαστή με τρόπο που δημιουργεί την εντύπωση ότι πρόκειται για γνήσιο προϊόν.

Το ίδιο προϊόν πρέπει να λέει την ίδια αλήθεια παντού

Η ποιότητα των product data δεν αφορά μόνο την πληρότητα. Αφορά και τη συνέπεια.

Το ίδιο προϊόν πρέπει να εμφανίζει την ίδια βασική πληροφορία:

• στο backend catalog,
• στη σελίδα προϊόντος,
• στο product feed,
• στα structured data,
• στο Merchant Center,
• στα marketplaces,
• στο σύστημα αποθήκης,
• στα API responses.

Η Google συνιστά να διατηρούν τα καταστήματα συνεπή την τιμή και τη διαθεσιμότητα ανάμεσα στα product data και στη landing page. Οι διαφορές μπορούν να προκαλέσουν προβλήματα επαλήθευσης ή απόρριψη προϊόντων.

Συχνά παραδείγματα ασυνέπειας

• Το feed εμφανίζει τιμή 79 ευρώ και η σελίδα 89 ευρώ.
• Το e-shop γράφει «άμεσα διαθέσιμο» ενώ το ERP δείχνει μηδενικό stock.
• Το προϊόν εμφανίζεται ως «Philips» στη σελίδα και ως «Phillips» στο marketplace.
• Το GTIN στο ERP διαφέρει από το GTIN του feed.
• Η κύρια εικόνα παρουσιάζει προηγούμενη έκδοση του προϊόντος.
• Τα structured data δηλώνουν διαθέσιμο προϊόν, αλλά η σελίδα γράφει «κατόπιν παραγγελίας».
• Η περιγραφή αναφέρει χωρητικότητα 8 κιλών, ενώ τα τεχνικά χαρακτηριστικά αναφέρουν 9 κιλά.

Οι αντιφάσεις δεν μπερδεύουν μόνο τους AI agents. Μειώνουν και την εμπιστοσύνη του πελάτη.

Ορίστε ποιο σύστημα υπερισχύει

Όταν δύο συστήματα διαφωνούν, η ομάδα πρέπει να γνωρίζει ποιο περιέχει την επίσημη τιμή.

Για παράδειγμα:

• το ERP μπορεί να αποτελεί την πηγή για τιμή και stock,
• το PIM για περιγραφές και attributes,
• το e-shop backend για merchandising και κατηγοριοποίηση.

Αυτό μπορεί να λειτουργήσει, αρκεί να ορίσετε σαφείς αρμοδιότητες και κανόνες συγχρονισμού.

Δημιουργήστε διαδικασία Product Data Governance

Πολλά προβλήματα product data δεν ξεκινούν από την τεχνολογία. Ξεκινούν από το γεγονός ότι κανείς δεν γνωρίζει ποιος έχει την ευθύνη.

Ο προμηθευτής στέλνει ένα Excel. Ο υπεύθυνος e-shop αντιγράφει τον τίτλο. Το agency δημιουργεί το feed. Το ERP ενημερώνει το stock. Ένα plugin παράγει τα structured data.

Αν κανείς δεν ελέγξει τη συνολική εικόνα, τα λάθη περνούν από το ένα σύστημα στο άλλο.

Καθορίστε ρόλους

Απαντήστε πρακτικά:

• Ποιος δημιουργεί ένα νέο προϊόν;
• Ποιος επιβεβαιώνει το SKU και το GTIN;
• Ποιος ελέγχει το brand και το μοντέλο;
• Ποιος επιλέγει την κατηγορία;
• Ποιος συμπληρώνει τα τεχνικά χαρακτηριστικά;
• Ποιος γράφει και εγκρίνει την περιγραφή;
• Ποιος ελέγχει τις εικόνες;
• Ποιος ενημερώνει τιμή και stock;
• Ποιος ελέγχει αν τα δεδομένα πέρασαν σωστά στα feeds;
• Ποιος διορθώνει ένα σφάλμα που εντοπίζει το Merchant Center ή ένα marketplace;

Η ίδια ομάδα ή το ίδιο άτομο μπορεί να αναλαμβάνει πολλούς ρόλους. Το σημαντικό είναι να μην παραμένουν οι ευθύνες ασαφείς.

Πραγματοποιήστε έλεγχο πριν από τη δημοσίευση

Πριν δημοσιεύσετε ένα νέο προϊόν:

• Δημιουργήστε μοναδικό και σταθερό SKU.
• Επιβεβαιώστε GTIN, MPN, brand και μοντέλο.
• Επιλέξτε τη σωστή κατηγορία.
• Γράψτε σαφή τίτλο.
• Δημιουργήστε χρήσιμη και συγκεκριμένη περιγραφή.
• Συμπληρώστε τα category-specific attributes.
• Προσθέστε ποιοτικές εικόνες.
• Καταγράψτε συμβατότητες και σχέσεις προϊόντων.
• Ελέγξτε τιμή και διαθεσιμότητα.
• Κάντε προεπισκόπηση της σελίδας του προϊόντος.
• Ελέγξτε πώς περνούν τα δεδομένα στο feed και στα structured data.
• Διορθώστε τα σφάλματα πριν ενεργοποιήσετε το προϊόν σε όλα τα κανάλια.

Μην διορθώνετε μόνο τα νέα προϊόντα

Τα παλαιότερα catalogs συχνά περιλαμβάνουν:

• προϊόντα χωρίς GTIN,
• ασαφείς τίτλους,
• πεπαλαιωμένες περιγραφές,
• χαμηλής ποιότητας εικόνες,
• ανενεργά μοντέλα,
• διπλότυπες εγγραφές,
• ελλιπή χαρακτηριστικά.

Ξεκινήστε από τις σημαντικότερες κατηγορίες και τα προϊόντα με τις περισσότερες πωλήσεις ή εμφανίσεις. Δεν χρειάζεται να διορθώσετε χιλιάδες προϊόντα ταυτόχρονα.

Πρακτικό checklist Product Data Quality για AI Agents

Χρησιμοποιήστε το παρακάτω checklist για έναν πρώτο έλεγχο του καταλόγου σας.

Ταυτότητα προϊόντος

• Έχει κάθε προϊόν μοναδικό και σταθερό SKU;
• Υπάρχει σωστό GTIN/EAN όπου το έχει αποδώσει ο κατασκευαστής;
• Υπάρχει MPN όπου χρειάζεται;
• Χρησιμοποιείται συνεπής ονομασία brand;
• Αποφεύγονται ψευδείς, αντιγραμμένοι ή αυθαίρετοι identifiers;
• Αναφέρεται καθαρά το μοντέλο;

Τίτλος και περιγραφή

• Αναγνωρίζει ο αναγνώστης αμέσως τι είναι το προϊόν;
• Περιλαμβάνει ο τίτλος τα στοιχεία που τον διαφοροποιούν;
• Εξηγεί η περιγραφή τη χρήση και το κοινό του προϊόντος;
• Αναφέρει η περιγραφή περιορισμούς και προϋποθέσεις;
• Αποφεύγει το κείμενο γενικόλογες προωθητικές φράσεις;
• Δηλώνει τι περιλαμβάνει και τι δεν περιλαμβάνει η συσκευασία;

Attributes

• Διαθέτει κάθε κατηγορία τα δικά της κατάλληλα πεδία;
• Έχουν συμπληρωθεί τα κρίσιμα χαρακτηριστικά;
• Χρησιμοποιούνται κοινές μονάδες μέτρησης;
• Καταγράφονται οι τιμές των attributes με ενιαία ονοματολογία και μορφή;
• Υπάρχουν άσχετα ή κενά attributes;
• Μπορεί το e-shop να φιλτράρει και να συγκρίνει προϊόντα με βάση αυτά;

Taxonomy

• Ανήκει το προϊόν στη σωστή κατηγορία;
• Είναι η κατηγορία αρκετά συγκεκριμένη;
• Ακολουθεί το taxonomy λογική ιεραρχία;
• Υπάρχουν κατηγορίες τύπου «Διάφορα» που χρειάζονται καθάρισμα;
• Συμφωνούν η εσωτερική κατηγορία, το breadcrumb και οι εξωτερικές αντιστοιχίσεις;

Media

• Διαθέτει το προϊόν καθαρή κύρια εικόνα;
• Υπάρχουν πρόσθετες εικόνες από χρήσιμες γωνίες;
• Παρουσιάζονται οι διαστάσεις, οι connectors ή τα περιεχόμενα όπου χρειάζεται;
• Φορτώνουν δημόσια τα image URLs;
• Υπάρχει video όταν προσφέρει χρήσιμη πληροφορία;
• Αντιστοιχούν οι εικόνες στην ακριβή έκδοση του προϊόντος;

Σχέσεις και συμβατότητα

• Έχουν δηλωθεί τα κατάλληλα αξεσουάρ;
• Υπάρχουν απαραίτητα εξαρτήματα;
• Έχουν καταγραφεί υποκατάστατα ή νεότερα μοντέλα;
• Συνδέεται το προϊόν με τα συμβατά ανταλλακτικά;
• Αναφέρονται συγκεκριμένα brands, σειρές και μοντέλα συμβατότητας;
• Ξεχωρίζει το e-shop τα γνήσια από τα συμβατά προϊόντα;

Συνέπεια και ενημέρωση

• Συμφωνεί το backend με τη σελίδα προϊόντος;
• Συμφωνεί η σελίδα με το product feed;
• Συμφωνούν τα structured data με το ορατό περιεχόμενο;
• Είναι ενημερωμένες η τιμή και η διαθεσιμότητα;
• Χρησιμοποιούν όλα τα κανάλια τους ίδιους βασικούς identifiers;
• Υπάρχει διαδικασία τακτικού ελέγχου;

Πώς συνδέεται το Product Data Quality με το Agentic Commerce SEO

Το Product Data Quality αποτελεί τη βάση του υπόλοιπου τεχνικού οικοσυστήματος.

Product Data Quality και Product Feeds

Το Product Data Quality καθορίζει τι γνωρίζει το e-shop για το προϊόν.

Το product feed μεταφέρει αυτή την πληροφορία σε ένα εξωτερικό κανάλι.

Ένα τεχνικά άρτιο XML ή JSON feed δεν έχει μεγάλη αξία όταν περιλαμβάνει ασαφείς τίτλους, λάθος GTIN και ελλιπή attributes.

Product Data Quality και Structured Data

Το Product Data Quality αφορά το περιεχόμενο και την ποιότητα της πληροφορίας.

Τα structured data δηλώνουν μέρος αυτής της πληροφορίας στη σελίδα με machine-readable τρόπο.

Το schema δεν πρέπει να περιέχει στοιχεία που δεν εμφανίζονται ή δεν επιβεβαιώνονται από το πραγματικό catalog και τη σελίδα προϊόντος.

Product Data Quality και Product Variants

Τα variants χρειάζονται δική τους λογική για:

• parent και child προϊόντα,
• SKU ανά παραλλαγή,
• GTIN ανά παραλλαγή,
• χρώμα,
• μέγεθος,
• stock,
• URLs και canonicalization.

Το Product Data Quality δημιουργεί τις βασικές αρχές συνέπειας. Ο εξειδικευμένος οδηγός για Product Variants πρέπει να καλύψει την πλήρη μοντελοποίηση των παραλλαγών.

Product Data Quality και Agentic Commerce Readiness Audit

Το παρόν άρθρο βοηθά το e-shop να βελτιώσει τον κατάλογό του.

Το Agentic Commerce Readiness Audit πρέπει να ελέγχει συνολικά:

• product data,
• feeds,
• structured data,
• crawlability,
• shipping και returns,
• checkout,
• APIs,
• analytics.

Έτσι, το audit θα εντοπίζει το πρόβλημα και οι εξειδικευμένοι οδηγοί θα εξηγούν πώς να το διορθώσετε.

Οι AI agents πρέπει να καταλαβαίνουν, όχι να μαντεύουν

Ένας AI agent μπορεί να αναζητήσει, να φιλτράρει, να συγκρίνει και να προτείνει προϊόντα. Για να το κάνει σωστά, πρέπει να γνωρίζει με ακρίβεια:

• ποιο είναι το προϊόν,
• τι χαρακτηριστικά διαθέτει,
• σε ποια ανάγκη ανταποκρίνεται,
• ποιοι περιορισμοί ισχύουν,
• με τι είναι συμβατό,
• ποια προϊόντα το συμπληρώνουν ή το αντικαθιστούν.

Αν ο κατάλογος προϊόντων περιέχει ασαφείς τίτλους, γενικές περιγραφές, λάθος identifiers και ελλιπή attributes, κανένα feed, schema ή API δεν μπορεί να δημιουργήσει από μόνο του την πληροφορία που λείπει.

Ξεκινήστε, λοιπόν, από το product catalog:

• καθαρίστε τις εγγραφές,
• οργανώστε το taxonomy,
• κανονικοποιήστε τα attributes,
• καταγράψτε τις συμβατότητες,
• συνδέστε τα σχετικά προϊόντα,
• ορίστε ποιος διατηρεί κάθε πληροφορία ενημερωμένη.

Όσο πιο καθαρά περιγράφετε τα προϊόντα σας, τόσο πιο εύκολα μπορούν οι AI agents να τα καταλάβουν, να τα συγκρίνουν και να τα προτείνουν στον κατάλληλο πελάτη.

Συχνές ερωτήσεις για το Product Data Quality και τους AI Agents

Τι είναι το Product Data Quality σε ένα e-shop;

Το Product Data Quality είναι ο βαθμός στον οποίο τα δεδομένα των προϊόντων ενός e-shop είναι ακριβή, πλήρη, συνεπή, ενημερωμένα και σωστά οργανωμένα. Περιλαμβάνει στοιχεία όπως ο τίτλος, η περιγραφή, το SKU, το GTIN ή EAN, το brand, την κατηγορία, τα τεχνικά χαρακτηριστικά, τις εικόνες, την τιμή, τη διαθεσιμότητα και τη συμβατότητα του προϊόντος.

Γιατί οι AI agents χρειάζονται καθαρά και οργανωμένα δεδομένα προϊόντων;

Οι AI agents χρειάζονται καθαρά product data για να καταλάβουν τι είναι κάθε προϊόν, ποια χαρακτηριστικά διαθέτει, σε ποιον απευθύνεται και με ποια άλλα προϊόντα μπορεί να συγκριθεί. Όταν τα δεδομένα είναι ασαφή ή ελλιπή, ο agent δυσκολεύεται να επιλέξει και να προτείνει το κατάλληλο προϊόν για την ανάγκη του χρήστη.

Ποια είναι η διαφορά μεταξύ product data, product feed και structured data;

Τα product data είναι οι βασικές πληροφορίες που διατηρεί το e-shop για κάθε προϊόν. Το product feed εξάγει και μεταφέρει αυτές τις πληροφορίες σε πλατφόρμες όπως το Google Merchant Center, το Skroutz ή συστήματα AI commerce. Τα structured data δηλώνουν μέρος των ίδιων πληροφοριών μέσα στη σελίδα προϊόντος σε machine-readable μορφή, συνήθως με Schema.org και JSON-LD.

Ποια στοιχεία πρέπει να περιλαμβάνει μια ποιοτική εγγραφή προϊόντος;

Μια ποιοτική εγγραφή προϊόντος πρέπει να περιλαμβάνει μοναδικό και σταθερό SKU, σωστό GTIN ή EAN όπου υπάρχει, MPN, brand, μοντέλο, σαφή τίτλο, χρήσιμη περιγραφή, σωστή κατηγορία, κρίσιμα χαρακτηριστικά ανά κατηγορία, ποιοτικές εικόνες, τιμή, διαθεσιμότητα και πληροφορίες συμβατότητας ή σχέσεων με άλλα προϊόντα όπου χρειάζεται.

Ποια είναι η διαφορά μεταξύ SKU και GTIN ή EAN;

Το SKU είναι ένας εσωτερικός κωδικός που δημιουργεί το ίδιο το e-shop για να διαχειρίζεται τα προϊόντα του. Το GTIN ή EAN είναι διεθνής αναγνωριστικός αριθμός που ταυτοποιεί ένα συγκεκριμένο εμπορικό προϊόν. Το SKU δεν πρέπει να χρησιμοποιείται στη θέση του GTIN, ούτε το e-shop πρέπει να επινοεί έναν GTIN όταν ο κατασκευαστής δεν έχει αποδώσει τέτοιον κωδικό.

Γιατί τα category-specific attributes είναι σημαντικά για τους AI agents;

Τα category-specific attributes περιγράφουν τα χαρακτηριστικά που χρησιμοποιεί ένας αγοραστής για να συγκρίνει προϊόντα της ίδιας κατηγορίας. Για παράδειγμα, στα πλυντήρια έχουν σημασία η χωρητικότητα, οι στροφές και η ενεργειακή κλάση, ενώ στα παπούτσια το μέγεθος, το υλικό και η χρήση. Χωρίς αυτά τα δεδομένα, ένας AI agent δεν μπορεί να αντιστοιχίσει με ακρίβεια τα προϊόντα στις απαιτήσεις του χρήστη.

Πώς πρέπει ένα e-shop να καταγράφει τη συμβατότητα ενός προϊόντος;

Το e-shop πρέπει να καταγράφει τη συμβατότητα σε συγκεκριμένα και οργανωμένα πεδία, όπως compatible brand, σειρά, μοντέλο, manufacturer part number, connector type, διαστάσεις, τάση ή ισχύς. Η γενική φράση «συμβατό με πολλά μοντέλα» δεν αρκεί, επειδή δεν επιτρέπει στον χρήστη ή στον AI agent να επιβεβαιώσει ότι το προϊόν ταιριάζει στη συγκεκριμένη συσκευή.

Γιατί πρέπει τα product data να συμφωνούν σε όλα τα κανάλια;

Το backend catalog, η σελίδα προϊόντος, το product feed, τα structured data, το Merchant Center και τα marketplaces πρέπει να εμφανίζουν τις ίδιες βασικές πληροφορίες. Διαφορές στην τιμή, στη διαθεσιμότητα, στο GTIN, στο brand ή στα χαρακτηριστικά μπορούν να μπερδέψουν τους AI agents, να δημιουργήσουν προβλήματα στις πλατφόρμες και να μειώσουν την εμπιστοσύνη του πελάτη.

Πηγές

• OpenAI — Products: Agentic Commerce
• OpenAI — Overview: Agentic Commerce – structured product feed as file upload to an SFTP server
• Google Merchant Center — Product Data Specification
• Google Merchant Center — About Unique Product Identifiers
• Google Merchant Center — Title [title] and Structured Title [structured_title]
• Google Merchant Center — Google Product Category [google_product_category]
• Google Merchant Center — How to Fix: Inaccurate Price Status Due to Inconsistency Between the Feed and the Landing Page
• Google Merchant Center — How to Fix: Mismatched Product Availability
• GS1 — Global Trade Item Number (GTIN)
• GS1 — GS1 Global Data Model
• Google Merchant Center — ID [id]