AEO για δεδομένα προϊόντων ηλεκτρονικού εμπορίου που μπορεί να παραθέσει η AI

Εισαγωγή

Η αναζήτηση με τεχνητή νοημοσύνη αλλάζει το τι θεωρείται ορατό.

Πριν από μερικά χρόνια, οι ομάδες SEO του ηλεκτρονικού εμπορίου μπορούσαν να αντιμετωπίζουν τις σελίδες προϊόντων, τις σελίδες κατηγοριών και τα feeds ως ξεχωριστές ροές εργασίας. Οι ομάδες προϊόντων διαχειρίζονταν τα χαρακτηριστικά. Οι ομάδες merchandising χειρίζονταν τις συλλογές. Οι ομάδες SEO εστίαζαν στις κατατάξεις, στους εσωτερικούς συνδέσμους και στην δυνατότητα ανίχνευσης. Αυτή η διαίρεση γίνεται όλο και πιο δύσκολο να υπερασπιστεί, τώρα που οι απαντήσεις που παράγονται από την τεχνητή νοημοσύνη συμπιέζουν όλο και περισσότερο αυτά τα επίπεδα σε μία συνοπτική απάντηση.

Όταν ένας αγοραστής ζητά από ένα σύστημα τεχνητής νοημοσύνης να συγκρίνει προϊόντα, να εξηγήσει τις διαφορές μεταξύ των παραλλαγών ή να προτείνει την καλύτερη επιλογή για μια συγκεκριμένη χρήση, η απάντηση εξαρτάται από το αν τα δεδομένα του προϊόντος είναι αρκετά σαφή για να ερμηνευτούν και αρκετά συνεπή για να είναι αξιόπιστα. Η ανεπαρκής περιγραφή αποτελεί πρόβλημα, αλλά τα ασαφή στοιχεία για τα προϊόντα συνήθως αποτελούν μεγαλύτερο πρόβλημα.

Γιατί η τεχνητή νοημοσύνη δυσκολεύεται να αναφερθεί σε αδύναμα δεδομένα προϊόντων

Τα συστήματα τεχνητής νοημοσύνης δεν αναφέρουν σελίδες επειδή μια μάρκα θέλει προβολή. Αναφέρουν σελίδες όταν τα στοιχεία του προϊόντος είναι σταθερά, συγκεκριμένα και εύκολα να συντονιστούν.

Εκεί είναι που το AEO για το ηλεκτρονικό εμπόριο παύει να είναι μια απλή τροποποίηση περιεχομένου και αρχίζει να λειτουργεί ως διαχείριση προϊόντων. Εάν οι τίτλοι, οι ετικέτες παραλλαγών, οι διαστάσεις, οι λεπτομέρειες συμβατότητας και η λογική κατηγοριοποίησης αλλάζουν από τη μία επιφάνεια στην άλλη, η σελίδα γίνεται πιο δύσκολο να αναφερθεί με σιγουριά. Το ζήτημα δεν είναι μόνο αν το προϊόν υπάρχει στη σελίδα. Είναι αν οι πληροφορίες συνάδουν αρκετά καλά ώστε μια μηχανή να τις θεωρήσει αξιόπιστες.

Αυτός είναι ο λόγος για τον οποίο τόσες πολλές σελίδες ηλεκτρονικού εμπορίου έχουν χαμηλή απόδοση στα αποτελέσματα που βασίζονται στην τεχνητή νοημοσύνη, ακόμη και όταν κατατάσσονται αρκετά καλά στην παραδοσιακή αναζήτηση. Η γλώσσα μπορεί να είναι ευρετηρίαση, αλλά η υποκείμενη εγγραφή προϊόντος εξακολουθεί να είναι πολύ ασαφής.

Το AEO για τα δεδομένα προϊόντων ηλεκτρονικού εμπορίου ξεκινά με τη συνέπεια

Το πρώτο βήμα δεν είναι η σύνταξη πιο πειστικού κειμένου. Είναι η μείωση των αντιφάσεων.

Εάν ένα κατάστημα ονομάζει το ίδιο προϊόν «ασύρματα ακουστικά» σε μία σελίδα, «ακουστικά Bluetooth» σε ένα feed και «αθλητικά ακουστικά» σε ένα μπλοκ σύγκρισης, ένα σύστημα τεχνητής νοημοσύνης πρέπει να μαντέψει εάν αυτές οι αναφορές περιγράφουν ένα είδος, μια οικογένεια παραλλαγών ή ξεχωριστά προϊόντα. Αυτή η εικασία γίνεται πιο δύσκολη όταν τα ονόματα χρωμάτων, τα υλικά, τα μεγέθη, οι σημειώσεις συμβατότητας ή το περιεχόμενο των πακέτων αλλάζουν επίσης ανάλογα με το πού εμφανίζονται οι πληροφορίες.

Αυτός είναι και ο λόγος για τον οποίο το AIO για το ηλεκτρονικό εμπόριο εξαρτάται από πιο καθαρά σήματα οντοτήτων από ό,τι περιμένουν πολλές ομάδες. Πριν η τεχνητή νοημοσύνη μπορέσει να προτείνει ή να συνοψίσει ένα προϊόν, πρέπει να προσδιορίσει τι είναι το προϊόν, ποια χαρακτηριστικά του ανήκουν και πώς διαφέρει από παρόμοια εναλλακτικά προϊόντα. Εάν αυτά τα σήματα είναι ασυνεπή, η περίληψη γίνεται πιο αδύναμη ή η αναφορά μεταφέρεται αλλού.

Η συνέπεια ακούγεται βασική, αλλά στην πράξη σημαίνει συνήθως να αποφασίζεις ποια στοιχεία του προϊόντος είναι κανονικά και να κάνεις κάθε δημόσια επιφάνεια να κληρονομεί από αυτή την πηγή αντί να αυτοσχεδιάζεις τοπικά.

Κάντε τα στοιχεία του προϊόντος αναγνώσιμα από μηχανές

Το αναγνώσιμο κείμενο εξακολουθεί να έχει σημασία, αλλά δεν αρκεί από μόνο του όταν το δομημένο επίπεδο και τα ορατά στοιχεία του προϊόντος δεν λένε το ίδιο πράγμα.

Εάν μια σελίδα περιγράφει ένα προϊόν μόνο με γενικό μάρκετινγκ, ο αγοραστής μπορεί να καταλάβει το νόημα, αλλά η μηχανή μπορεί να μην αντιληφθεί τη δομή. Εάν μια σελίδα παρουσιάζει παραλλαγές, τιμές, διαθεσιμότητα και προσφορές, τα δομημένα δεδομένα προϊόντος βοηθούν να γίνουν αυτά τα στοιχεία σαφή, αντί να αφήνουμε τα συστήματα τεχνητής νοημοσύνης να τα συμπεράνουν από γενικό κείμενο μάρκετινγκ.

Αυτό δεν σημαίνει ότι πρέπει να γεμίζετε τις σελίδες με σήμανση και να ελπίζετε για το καλύτερο. Σημαίνει ότι πρέπει να βεβαιωθείτε ότι το δομημένο επίπεδο υποστηρίζει το ορατό επίπεδο. Εάν η σελίδα αναφέρει ότι ένα προϊόν είναι διαθέσιμο, η σήμανση και τα δεδομένα της προσφοράς που την περιβάλλουν δεν πρέπει να υπονοούν κάτι άλλο. Εάν η σελίδα παρουσιάζει παραλλαγές, η δομή πρέπει να βοηθά στη διάκρισή τους, αντί να τα ισοπεδώνει όλα σε ένα γενικό αντικείμενο.

Οι σελίδες γίνονται ευκολότερες στην αναφορά όταν τα στοιχεία είναι ορατά στους ανθρώπους και ερμηνεύσιμα από τα συστήματα.

Διατηρήστε τα δεδομένα τροφοδοσίας και τα δεδομένα της σελίδας ευθυγραμμισμένα

Πολλά προβλήματα αναφοράς ξεκινούν εκτός της ίδιας της σελίδας, συνήθως όταν τα δεδομένα του feed και τα δεδομένα της σελίδας παύουν να ταιριάζουν αρκετά ώστε να είναι αξιόπιστα.

Η σελίδα του προϊόντος μπορεί να είναι ως επί το πλείστον σωστή, αλλά το feed μπορεί να υστερεί σε ό,τι αφορά την τιμή, το απόθεμα, τα μεγέθη ή τη διαθεσιμότητα. Ή το feed είναι καθαρό, ενώ η σελίδα εξακολουθεί να περιέχει παλιά κείμενα για πακέτα ή κείμενα που έχουν κληρονομηθεί από τον κατασκευαστή. Αυτές οι αναντιστοιχίες δεν είναι μόνο κακές για τις επιφάνειες αγορών. Δημιουργούν αβεβαιότητα σχετικά με το ποια πηγή λέει την αλήθεια.

Οι προδιαγραφές των δεδομένων προϊόντων έχουν σημασία πέρα από τη συμμόρφωση με το Merchant Center, όταν τα feed, οι σελίδες προϊόντων και τα κατάντη συστήματα πρέπει να αντικατοπτρίζουν τις ίδιες τιμές, αποθέματα και χαρακτηριστικά. Αυτή η πειθαρχία ωθεί τις ομάδες να εργάζονται με σαφή χαρακτηριστικά, αποδεκτές μορφές και συνεπείς ενημερώσεις, γεγονός που καθιστά τα αρχεία προϊόντων πιο αξιόπιστα για συγκρίσεις που δημιουργούνται από τεχνητή νοημοσύνη σε όλα τα feed, τις σελίδες και τα κατάντη συστήματα.

Δεν πρόκειται τόσο για την αναζήτηση μιας συγκεκριμένης λειτουργίας της Google, όσο για την εξάλειψη των λόγων που κάνουν τις μηχανές να διστάζουν. Όσο πιο καθαρή είναι η μεταφορά μεταξύ των δεδομένων του καταλόγου και των σελίδων που απευθύνονται στο κοινό, τόσο πιο εύκολο γίνεται για τα συστήματα τεχνητής νοημοσύνης να αναφέρουν συγκεκριμένα στοιχεία αντί να τα αποφεύγουν.

Γιατί η διαχείριση των προϊόντων έχει μεγαλύτερη σημασία από τις προτροπές

Πολλές ομάδες εξακολουθούν να αντιμετωπίζουν την ορατότητα της τεχνητής νοημοσύνης σαν ένα πρόβλημα προτροπών. Υποθέτουν ότι καλύτερες συχνές ερωτήσεις, περισσότερα κείμενα σύγκρισης ή ένας άλλος οδηγός αγορών που δημιουργείται από τεχνητή νοημοσύνη θα λύσουν τα κενά στις αναφορές. Μερικές φορές αυτό βοηθά, αλλά μόνο αφού η καταχώριση του προϊόντος είναι αξιόπιστη.

Το πιο δύσκολο πρόβλημα είναι συνήθως η διακυβέρνηση. Ποιος είναι ο ιδιοκτήτης του τίτλου του προϊόντος; Ποιος εγκρίνει τις αλλαγές στα χαρακτηριστικά; Πώς αντιμετωπίζονται οι παραλλαγές που έχουν καταργηθεί; Τι συμβαίνει όταν το τμήμα εμπορίας θέλει να μετονομάσει μια κατηγορία, αλλά η ομάδα υποστήριξης, η ομάδα τροφοδοσίας και η ομάδα SEO χρησιμοποιούν όλες παλαιότερη ορολογία; Αυτά είναι λειτουργικά ζητήματα, αλλά επηρεάζουν άμεσα το αν η τεχνητή νοημοσύνη μπορεί να αναφέρει τη σελίδα με ακρίβεια.

Τα καταστήματα που επενδύουν σε λύσεις ανάπτυξης ηλεκτρονικού εμπορίου σε επίπεδο βιτρίνας, feed και λειτουργιών εξακολουθούν να αντιμετωπίζουν το ίδιο εμπόδιο αν τα χαρακτηριστικά των προϊόντων, η ονομασία των παραλλαγών και η λογική των κατηγοριών διαφέρουν μεταξύ των συστημάτων. Η ορατότητα της τεχνητής νοημοσύνης βελτιώνεται όταν αυτά τα στοιχεία κινούνται από κοινού, όχι όταν κάθε ομάδα βελτιστοποιεί τη δική της επιφάνεια μεμονωμένα.

Αυτός είναι ο λόγος για τον οποίο η καλή AEO συνήθως μοιάζει λιγότερο με δημοσίευση και περισσότερο με διαλειτουργική εκκαθάριση, ειδικά όταν οι τίτλοι των προϊόντων, τα χαρακτηριστικά και η λογική των κατηγοριών αλλάζουν από διαφορετικές ομάδες.

Οι σελίδες κατηγοριών χρειάζονται απαντήσεις, όχι μόνο αποθέματα

Τα δεδομένα των προϊόντων δεν βρίσκονται μόνο στις σελίδες λεπτομερειών προϊόντων, επειδή οι σελίδες κατηγοριών και συλλογών διαμορφώνουν επίσης το τι μπορούν να συνοψίσουν και να αναφέρουν τα συστήματα τεχνητής νοημοσύνης.

Εάν μια σελίδα κατηγορίας είναι απλώς ένας πίνακας προϊόντων με μια σύντομη εισαγωγή, βοηθά ελάχιστα την τεχνητή νοημοσύνη να καταλάβει πότε μια επιλογή είναι καλύτερη από μια άλλη. Οι σελίδες που αποδίδουν καλύτερα συνήθως κάνουν περισσότερα. Ορίζουν την περίπτωση χρήσης, εξηγούν βασικά χαρακτηριστικά, αποσαφηνίζουν τις διαφορές μεταξύ υποκατηγοριών και κάνουν τα φίλτρα ή τις συλλογές να αντανακλούν την πραγματική λογική αγοράς αντί για την εσωτερική ευκολία εμπορικής προώθησης.

Οι ομάδες που έχουν ήδη προσαρμοστεί στη λειτουργία Google AI Mode για τα καταστήματα Shopify αντιμετωπίζουν την ίδια πίεση από μια άλλη οπτική γωνία: οι σύντομες σελίδες κατηγοριών και τα ασαφή χαρακτηριστικά δεν παρέχουν στην τεχνητή νοημοσύνη πολλά στοιχεία για να συνοψίσει, να συγκρίνει ή να εμπιστευτεί. Αυτό δεν σημαίνει ότι κάθε σελίδα συλλογής χρειάζεται ένα μακροσκελές κείμενο. Σημαίνει ότι η σελίδα χρειάζεται αρκετό δομημένο και ορατό πλαίσιο για να απαντήσει σε μια ερώτηση του αγοραστή πριν ο αγοραστής την υποβάλει αλλού.

Μια σελίδα που απλώς παραθέτει προϊόντα μπορεί ακόμα να κατατάσσεται. Μια σελίδα που βοηθά στον καθορισμό της κατηγορίας έχει περισσότερες πιθανότητες να κερδίσει αναφορές.

Πώς μοιάζουν τα δεδομένα προϊόντων που μπορούν να αναφερθούν από την τεχνητή νοημοσύνη

Στην πράξη, τα δεδομένα προϊόντων που μπορούν να αναφερθούν από την τεχνητή νοημοσύνη είναι συνήθως βαρετά με τον καλύτερο τρόπο.

Ο τίτλος είναι σταθερός. Η λογική των παραλλαγών είναι προφανής. Οι ετικέτες των χαρακτηριστικών είναι συγκεκριμένες. Οι διαστάσεις, τα υλικά, οι σημειώσεις συμβατότητας και τα συμπεριλαμβανόμενα εξαρτήματα είναι εύκολο να επαληθευτούν. Η γλώσσα της κατηγορίας ταιριάζει με τον τρόπο που οι πραγματικοί αγοραστές συγκρίνουν τα προϊόντα. Το feed δεν έρχεται σε αντίθεση με τη σελίδα. Η σελίδα δεν έρχεται σε αντίθεση με την ομάδα υποστήριξης. Και η ομάδα merchandising δεν μετονομάζει το ίδιο πράγμα σε τρία συστήματα χωρίς να γίνεται καθαρισμός κατάντη.

Αυτού του είδους η πειθαρχία δεν φαίνεται εντυπωσιακή, αλλά παρέχει στα συστήματα τεχνητής νοημοσύνης κάτι με το οποίο μπορούν να εργαστούν. Όταν τα στοιχεία των προϊόντων παραμένουν καθαρά σε όλες τις επιφάνειες, το επίπεδο της περίληψης γίνεται ισχυρότερο, και όταν δεν είναι, το κατάστημα γίνεται πιο δύσκολο να αναφερθεί, ακόμη και αν η μάρκα διαθέτει άφθονο περιεχόμενο.

AEO για δεδομένα προϊόντων ηλεκτρονικού εμπορίου που μπορεί να αναφέρει η τεχνητή νοημοσύνη

Το AEO για δεδομένα προϊόντων ηλεκτρονικού εμπορίου που μπορεί να αναφέρει η τεχνητή νοημοσύνη δεν έχει να κάνει πραγματικά με το να πείσει τις μηχανές. Έχει να κάνει με το να καταστούν τα στοιχεία των προϊόντων αρκετά σταθερά, ώστε οι μηχανές να μην χρειάζεται να μαντεύουν.

Αυτό σημαίνει καθαρότερα χαρακτηριστικά, στενότερη ευθυγράμμιση μεταξύ σελίδας και ροής, ισχυρότερη λογική κατηγοριών και καλύτερη διαχείριση του καταλόγου σε όλες τις ομάδες. Τα καταστήματα που κερδίζουν αναφορές θα είναι συνήθως αυτά που αντιμετωπίζουν τα δεδομένα προϊόντων ως κοινόχρηστη υποδομή, και όχι ως μεμονωμένα τμήματα κειμένου διάσπαρτα σε διαφορετικά συστήματα.