Πώς ένα e-shop τροφίμων οργανώνει τα δεδομένα των προϊόντων του για Search και AI

Ένα e-shop μπορεί να λειτουργεί άψογα σε καλάθι, πληρωμές και αποστολές και, παρ’ όλα αυτά, οι πληροφορίες των προϊόντων του να είναι ανεπαρκείς.

Ο πελάτης μπορεί να βλέπει έναν τίτλο, μια φωτογραφία, το βάρος και την τιμή, αλλά να μην μπορεί να καταλάβει εύκολα:

• τι ακριβώς αγοράζει,
• ποια συστατικά περιέχει,
• αν υπάρχουν αλλεργιογόνα που πρέπει να γνωρίζει,
• ποια είναι η πραγματική προέλευση,
• ποια συσκευασία ή παραλλαγή βλέπει,
• αν το προϊόν είναι διαθέσιμο,
• ποιος είναι ο σωστός κωδικός ή identifier,
• αν οι πληροφορίες της σελίδας συμφωνούν με όσα διαβάζουν οι μηχανές.

Το ίδιο πρόβλημα υπάρχει και για Google, merchant systems και AI συστήματα.

Αν τα product data είναι ελλιπή, ασυνεπή ή λάθος, δεν αρκεί να γράψουμε μια μεγαλύτερη περιγραφή.

Χρειάζεται να διορθώσουμε τη βάση.

Η αφετηρία

Το πρόβλημα δεν είναι απλώς ότι «λείπει κείμενο».

Είναι ότι το ίδιο προϊόν μπορεί να περιγράφεται διαφορετικά σε διαφορετικά συστήματα.

Για παράδειγμα:

• η σελίδα μπορεί να δείχνει διαφορετική ποσότητα από το feed,
• το GTIN μπορεί να λείπει ενώ υπάρχει στη συσκευασία,
• η διαθεσιμότητα να έχει αλλάξει αλλά το structured data να μην έχει ενημερωθεί,
• τα αλλεργιογόνα να υπάρχουν στην ετικέτα αλλά όχι στη σελίδα,
• διαφορετικές συσκευασίες να μην ξεχωρίζουν καθαρά μεταξύ τους,
• μια περιγραφή να έχει συμπληρωθεί με χαρακτηριστικά που δεν έχουν επιβεβαιωθεί.

Αυτό είναι product-data πρόβλημα.

Τι δεν δουλεύει σήμερα

Η σωστή προσέγγιση ξεκινά από μία αρχή:

Δεν συμπληρώνουμε κάθε πιθανό πεδίο. Συμπληρώνουμε τα σωστά πεδία με πραγματικά δεδομένα.

Τι θα κάναμε

Η δουλειά οργανώνεται γύρω από το product-data model και τη συνέπεια με την οποία αυτό χρησιμοποιείται σε όλα τα σημεία.

1. Ορίζουμε ένα κοινό product-data model.

Καταγράφουμε ποια πεδία χρειάζονται για κάθε βασική κατηγορία προϊόντων.

Ανάλογα με το είδος, μπορεί να περιλαμβάνονται:

• ονομασία προϊόντος,
• brand,
• GTIN/EAN όπου υπάρχει,
• MPN όπου εφαρμόζεται,
• εσωτερικό SKU,
• καθαρή ποσότητα ή βάρος,
• συστατικά,
• αλλεργιογόνα,
• διατροφικές πληροφορίες,
• προέλευση όπου απαιτείται ή έχει επιβεβαιωθεί,
• συνθήκες αποθήκευσης ή χρήσης,
• εικόνες,
• τιμή,
• νόμισμα,
• διαθεσιμότητα,
• βασικά attributes της κατηγορίας,
• σχέσεις με variants ή διαφορετικές συσκευασίες.

Δεν έχουν όλα τα προϊόντα τα ίδια πεδία.

Το data model πρέπει να προσαρμόζεται στην πραγματική κατηγορία χωρίς να δημιουργεί τεχνητές πληροφορίες μόνο και μόνο για να γεμίσει μια βάση.

2. Ξεχωρίζουμε τα επιβεβαιωμένα δεδομένα από τα κενά.

Για κάθε πεδίο πρέπει να γνωρίζουμε την πηγή του.

Μπορεί να είναι:

• η επίσημη συσκευασία ή ετικέτα,
• ο παραγωγός ή προμηθευτής,
• το ERP/PIM,
• επίσημο product sheet,
• άλλο εσωτερικά επιβεβαιωμένο αρχείο.

Αν ένα στοιχείο δεν μπορεί να επιβεβαιωθεί, δεν μετατρέπεται σε γεγονός επειδή «μοιάζει πιθανό».

Αυτό είναι ιδιαίτερα κρίσιμο για:

• συστατικά,
• αλλεργιογόνα,
• διατροφικά στοιχεία,
• προέλευση,
• GTIN,
• ισχυρισμούς για το προϊόν,
• γευστικά χαρακτηριστικά που παρουσιάζονται ως δεδομένα.

3. Οργανώνουμε τις υποχρεωτικές πληροφορίες τροφίμου.

Για προσυσκευασμένα τρόφιμα που πωλούνται online στην ΕΕ, οι υποχρεωτικές πληροφορίες τροφίμου πρέπει γενικά να είναι διαθέσιμες πριν ολοκληρωθεί η αγορά, με την εξαίρεση που προβλέπεται για την ημερομηνία ελάχιστης διατηρησιμότητας ή την ένδειξη use by.

Η πρακτική εφαρμογή εξαρτάται από το προϊόν και το ισχύον κανονιστικό πλαίσιο.

Το ζητούμενο για το e-shop είναι να υπάρχει διαδικασία ώστε τα απαραίτητα στοιχεία να μην χάνονται όταν το προϊόν περνά από τον προμηθευτή ή το ERP στη σελίδα που βλέπει ο πελάτης.

4. Οργανώνουμε identifiers και variants.

Ένα εμπορικό προϊόν πρέπει να αναγνωρίζεται με τα πραγματικά identifiers που του έχουν αποδοθεί.

Όταν υπάρχει GTIN/EAN, χρησιμοποιούμε το πραγματικό GTIN.

Δεν χρησιμοποιούμε εσωτερικό SKU ως GTIN και δεν κατασκευάζουμε αριθμούς για να γεμίσουμε το πεδίο.

Όταν ένα προϊόν έχει διαφορετικές πραγματικές εκδόσεις — για παράδειγμα διαφορετική συσκευασία ή ποσότητα — κάθε variant πρέπει να έχει τα σωστά στοιχεία που αντιστοιχούν στη συγκεκριμένη εμπορική επιλογή.

5. Συνδέουμε τη σελίδα προϊόντος με Product/Offer structured data.

Η σελίδα προϊόντος πρέπει να είναι η καθαρή ανθρώπινη παρουσίαση της ίδιας πληροφορίας που χρησιμοποιούν τα συστήματα.

Ανάλογα με την περίπτωση, τα Product και Offer structured data μπορούν να περιγράφουν:

• όνομα,
• εικόνα,
• brand,
• SKU,
• GTIN ή άλλο κατάλληλο identifier,
• τιμή,
• νόμισμα,
• διαθεσιμότητα,
• προσφορά και άλλα πραγματικά στοιχεία που υποστηρίζονται.

Δεν χρησιμοποιούμε το schema για να προσθέσουμε πληροφορίες που δεν ανήκουν στο πραγματικό προϊόν ή την πραγματική προσφορά.

Και όταν αλλάζει τιμή ή availability, πρέπει να ενημερώνεται ολόκληρη η αλυσίδα.

6. Κρατάμε page data, structured data και feeds συνεπή.

Το ίδιο προϊόν μπορεί να χρησιμοποιείται σε:

• product page,
• category page,
• structured data,
• merchant ή catalogue feed,
• ERP/PIM,
• εσωτερική αναζήτηση,
• άλλες εφαρμογές που καταναλώνουν product data.

Ο στόχος είναι να μην δημιουργούνται διαφορετικές εκδοχές της αλήθειας.

Ορίζουμε ποια πηγή είναι authoritative για κάθε βασικό πεδίο και πώς οι αλλαγές μεταφέρονται στα υπόλοιπα συστήματα.

7. Χρησιμοποιούμε AI για κλίμακα, όχι για εικασίες.

Σε έναν μεγάλο κατάλογο, η AI μπορεί να βοηθήσει σημαντικά.

Μπορεί να:

• κανονικοποιήσει τίτλους και μονάδες,
• ταξινομήσει προϊόντα,
• εντοπίσει κενά πεδία,
• μετατρέψει επιβεβαιωμένα attributes σε φυσική περιγραφή,
• δημιουργήσει FAQ από πραγματικά product facts,
• προτείνει internal links,
• εντοπίσει ασυνέπειες ανάμεσα σε διαφορετικές πηγές.

Δεν πρέπει όμως να συμπληρώνει πραγματολογικά κενά χωρίς πηγή.

Η αυτοματοποίηση έχει αξία όταν αυξάνει την ταχύτητα χωρίς να μειώνει την αξιοπιστία.

Τι θα μπορούσε να αλλάξει σε 180 ημέρες

Ο στόχος των 180 ημερών δεν είναι να γεμίσουμε όσο το δυνατόν περισσότερα πεδία.

Ο στόχος είναι να δημιουργήσουμε ένα product-data system που να μπορεί να συντηρηθεί καθώς αλλάζουν:

• τιμές,
• διαθεσιμότητα,
• συσκευασίες,
• προμηθευτές,
• προϊόντα,
• κανονιστικές πληροφορίες,
• κανάλια στα οποία χρησιμοποιούνται τα δεδομένα.

Ένα σωστό product-data layer δεν τελειώνει στη σελίδα προϊόντος.

Γίνεται η κοινή βάση πάνω στην οποία μπορούν να στηριχθούν το e-shop, τα structured data, τα catalogue feeds, η εσωτερική αναζήτηση και οποιοδήποτε σύστημα χρειάζεται να καταλάβει τι ακριβώς πωλείται.

Γιατί χρειάζεται συνεχής δουλειά

Τρία βασικά σημεία

1. Η πληρότητα δεν σημαίνει ότι γεμίζουμε κάθε πιθανό πεδίο. Σημαίνει ότι τα σωστά πεδία για κάθε προϊόν έχουν πραγματικά και επιβεβαιωμένα δεδομένα.
2. Structured data και feeds δεν διορθώνουν λανθασμένη πληροφορία. Πρώτα χρειάζεται αξιόπιστο product data και μετά συνεπής διανομή του.
3. Η AI είναι εργαλείο κλίμακας, όχι πηγή αλήθειας. Μπορεί να οργανώσει και να μετασχηματίσει επιβεβαιωμένα στοιχεία, αλλά δεν πρέπει να εφευρίσκει κρίσιμα χαρακτηριστικά προϊόντων.

Οι πληροφορίες προϊόντων πρέπει να βασίζονται σε πραγματικά και επιβεβαιωμένα στοιχεία και να ελέγχονται με βάση το ισχύον κανονιστικό πλαίσιο όπου αυτό απαιτείται. Οι παρεμβάσεις δεν εγγυώνται συγκεκριμένη κατάταξη, εμφάνιση ή αναφορά από μηχανές αναζήτησης ή συστήματα AI, ούτε συγκεκριμένη αύξηση σε conversions ή πωλήσεις.