Kako dosežete, da umetna inteligenca priporoči prav vaše izdelke?

Zavrtimo čas tri leta nazaj. Kupec je iskal bojler, v Google vtipkal "bojler 80 litrov", pregledal prvih pet rezultatov in kliknil na eno od trgovin. Vaša naloga je bila jasna: bodite eden izmed rezultatov na uvodni strani, najboljše med prvimi tremi.

Danes se isti kupec obrne na AI: ChatGPT, Claude ali Gemini in vpraša: "Kateri 80-litrski bojler je najboljši za štiričlansko družino v stanovanju, kjer je pritisk vode nizek?" Odgovor, ki ga dobi, ni seznam desetih povezav. Odgovor je priporočilo. Naštetih je nekaj modelov, ob njih pa dva ali trije viri, iz katerih je model povzel podatke.

Če med temi viri ni vaše trgovine, vas kupec, ki išče na tem kanalu, ne bo odkril. Ne zato, ker imate slab izdelek ali visoko ceno, ampak zato, ker AI o vašem izdelku preprosto ni imel dovolj uporabnih podatkov.

Zakaj se izdelki obnašajo drugače kot članki?

Slovenska podjetja so v zadnjem letu veliko slišala o optimizaciji za generativno umetno inteligenco oz. GEO. Nasveti so večinoma pisani za vsebinske strani in bloge: pišite jasno, odgovarjajte na vprašanja, dodajte podatke, gradite avtoriteto, itd.

Za produktne strani ta pravila ne delujejo na enak način.

Blog članek je eno besedilo, ki ga po navadi uredite enkrat. Spletna trgovina ima lahko 4.000 izdelkov, vsak s petnajstimi lastnostmi, tremi različicami in dvema dobaviteljema. Jezikovni model ne bere vaše produktne strani kot zgodbo. Bere jo kot podatkovno tabelo in preverja, ali iz nje lahko sestavi zanesljiv odgovor.

Če na strani piše samo "bojler 80 l, kakovosten in zanesljiv, dostava v 3 dneh", ima AI malo podatkov s katerimi lahko dejansko operira. Če na isti strani piše, da gre za 80-litrski bojler z močjo 2000 W, emajlirano notranjostjo, magnezijevo anodo, priporočenim delovnim tlakom od 2 do 6 barov, porabo po energijskem razredu C in petletno garancijo na kotel, ima model šest preverljivih dejstev, na katera lahko obesi svoje priporočilo.

Razlika ni v marketingu. Razlika je v podatkih.

Kje se to najpogosteje zalomi?

V praksi vidimo ponavljajoč se vzorec pri trgovcih, ki se ukvarjajo z več sto ali več tisoč izdelki.

Podatki o izdelkih so razpršeni. Del jih najdete v Excelovi datoteki, ki jo pošlje dobavitelj, del v računovodskem programu, del pa ročno vpišejo sodelavci v spletno trgovino. Vsak vir ima svojo obliko. Dobavitelj zapiše "80 l", drugi "80L", tretji "0,08 m3". Ko poskusite iz tega sestaviti primerjalno tabelo, dobite kaos.

Posledica je opis izdelka, ki je poln pridevnikov in prazen podatkov. Tak opis je slab za kupca, slab za konverzijo in nezanimiv za umetno inteligenco.

Drugi pogost problem so strukturirani podatki. Marsikatera trgovina jih ima, a nepopolne. Cena je označena, zaloga ne. Ocene kupcev so vidne uporabniku, a niso zapisane v obliki, ki jo AI lahko prebere. O tem, zakaj so strukturirani podatki ključ do vidnosti v AI iskalnikih, smo že pisali, pri spletnih trgovinah pa je vpliv še večji, ker se odločitev o nakupu sprejema na podlagi specifikacij.

Tretji problem je konsistentnost. Če isti izdelek na produktni strani, v izvozu na druge trgovine in v katalogu PDF nosi tri različne opise, model zazna neskladje in raje izbere vir, ki mu bolj zaupa.

Konkreten primer iz prakse

Vzemimo trgovca s poslovno opremo, ki prodaja približno 2.500 izdelkov. Recimo, da gre za dobavitelja pisarniških stolov, miz in regalov.

Njegova produktna stran za pisarniški stol je vsebovala fotografijo, ceno, gumb za nakup in tri stavke opisa. Podatek o nosilnosti, materialu sedeža, razponu višine, garanciji in certifikatu za ergonomijo je bil zapisan v PDF katalogu, ki ga je bilo treba prenesti.

Ko je kupec vprašal umetno inteligenco po pisarniškem stolu za osebo, težjo od 120 kilogramov, je model priporočil tri tuje trgovine, ki so nosilnost imele zapisano neposredno v specifikacijah. Slovenski trgovec je imel primeren izdelek na zalogi, a je bil za model neviden.

Rešitev ni bila nova spletna stran. Rešitev je bila premik podatkov iz PDF datotek v strukturirano obliko na produktni strani in poenotenje zapisa lastnosti čez celoten katalog izdelkov. Ko so specifikacije postale del strani in ne priloga, se je izdelek začel pojavljati v rezultatih AI iskanja.

To je razlog, zakaj je pri večjih katalogih PIM sistem postal osnovna infrastruktura delovanja. Če se s tem pojmom še niste srečali, smo v ločenem članku razložili, kaj je PIM sistem in kako deluje v praksi.

Kaj naredi PIM sistem drugače?

PIM sistem je ena sama zbirka podatkov o izdelkih, ki predstavlja centralni vir podatkov, za vse možne kanale. Opis, tehnične lastnosti, fotografije, dokumenti in prevodi so na enem mestu. Ko popravite nosilnost stola, se ta popravi v spletni trgovini, v izvozu za Google Shopping, v katalogu in na B2B portalu.

Za optimizacijo za umetno inteligenco to prinese tri praktične učinke.

Podatki so poenoteni, zato ni več neskladij med kanali. Lastnosti so zapisane kot polja in ne kot prosto besedilo, zato jih je mogoče avtomatsko pretvoriti v strukturirane podatke in v primerjalne tabele. Katalog je mogoče obogatiti množično, kar pomeni, da 2.500 izdelkov ne urejate ročno več tednov. Več o tem najdete v članku Zakaj je PIM sistem uporaben za upravljanje izdelkov.

Ko so podatki urejeni, se izplača narediti še korak naprej: optimizacija produktnih strani. Le ta vam koristi pri dvigu konverzij iz obeh kanalov klasičnega in AI iskanja.

Kaj lahko naredite ta teden?

Začnite s preverjanjem stanja. V nekaj minutah lahko v treh korakih preverite, ali se vaša stran sploh pojavlja v AI rezultatih, Google nam je vsem poenostavil in dodal AI poročilo v orodje GSC. Postavite tri do pet vprašanj, kakršna bi jih postavil vaš kupec in poglejte, katere trgovine so navedene.

Nato izberite deset izdelkov z najvišjo maržo. Preverite, ali ima vsak od njih vsaj osem preverljivih tehničnih podatkov, zapisanih neposredno na strani. Če podatki obstajajo samo v PDF katalogu ali v opisu dobavitelja, jih premaknite med lastnosti.

Preverite tudi analitiko. Koliko obiska danes prihaja iz ChatGPT, Gemini, Claude, Perplexity in podobnih virov? Primerjava obiska iz klasičnih in AI iskalnikov pokaže, da je ta obisk sicer manjši po številu, a pogosto bolje kvalificiran, ker je kupec do vas prišel po priporočilu, ne po naključnem kliku.

Na koncu razmislite še o smeri, v katero gre nakupovanje. Agentski nakup pomeni, da bo v prihodnjih letih vse več nakupov opravil AI agent v imenu kupca. Tak pomočnik ne gleda vaše fotografije in ne bere vašega slogana. Bere podatke. Trgovine z urejenim katalogom bodo v tem primeru v bistveno boljšem položaju.

Kateremu spletnemu trgovcu, se to izplača?

Če imate v trgovini petdeset izdelkov, boste specifikacije uredili ročno in bo dovolj. Če jih imate več sto ali več tisoč, ročno urejanje ni realno.

Prav tu ima manjši slovenski trgovec priložnost, ki je pogosto ne opazi. Veliki tuji ponudniki imajo ogromne kataloge s površnimi opisi. Domači trgovec, ki pozna svoje izdelke in zna zapisati natančne, preverljive podatke, lahko v AI odgovorih premaga večjega/ bolj renomiranega trgovca . O tem, kako lahko slovenski spletni trgovec tekmuje proti mednarodni spletni trgovini, smo že pisali, urejenost podatkov pa je danes eno redkih orožij, kjer je majhnost prednost, saj lahko bolj kakovostno uredite podatke, seveda s pravim sistemom.

V Kabiju spletne trgovine razvijamo na lastni platformi, kar pomeni, da so PIM sistem, produktne strani in strukturirani podatki del iste celote in ne trije ločeni vtičniki, ki se med seboj ne razumejo. Če vas zanima, kako bi bilo to videti v vašem katalogu, si oglejte našo stran o izdelavi spletnih trgovin in optimizaciji spletnih strani, pripravimo pa vam lahko tudi pregled trenutnega stanja vašega kataloga izdelkov.