Какие товарные данные нужны, чтобы AI рекомендовал ваши товары
AI-сервисы все активнее участвуют в выборе товаров. Разбираемся, какие данные помогают ChatGPT, Gemini и другим интеллектуальным системам понять продукт, сравнить его с конкурентами и включить в рекомендации, а также почему PIM становится важной частью подготовки каталога к AI-поиску.
Еще недавно путь к покупке начинался с поисковой строки.
Человек вводил название товара в Яндексе или Google, открывал несколько сайтов, изучал характеристики, читал отзывы и самостоятельно сравнивал предложения.
Теперь между покупателем и интернет-магазином все чаще появляется еще один участник - искусственный интеллект.
Пользователь может сформулировать задачу совершенно естественно:
Подбери легкую непромокаемую куртку для осенних походов, которая занимает мало места в рюкзаке.
Или:
Сравни несколько эргономичных офисных кресел для человека ростом 190 см, который работает за компьютером по восемь часов в день.
AI-сервис должен понять запрос, найти подходящие продукты, сопоставить их характеристики и объяснить, почему одни варианты подходят лучше других.
Для e-commerce это принципиальное изменение. Раньше компании боролись прежде всего за позицию в поисковой выдаче. Теперь становится важно еще и то, сможет ли искусственный интеллект правильно понять товар и выбрать его среди конкурентов.
А для этого недостаточно красивого описания. AI нужны данные.
Как искусственный интеллект видит товар
Человек воспринимает карточку целиком.
Он смотрит фотографии, читает название, пробегает глазами описание, открывает характеристики и изучает отзывы. Даже если часть информации спрятана внутри текста, покупатель способен понять ее из контекста.
Для автоматических систем особенно важна другая форма представления информации - структурированные и однозначно интерпретируемые данные.
Представим описание туристической куртки:
Легкая и надежная модель для тех, кого не останавливает плохая погода. Защищает от дождя и станет отличным спутником даже в самых сложных путешествиях.
Для человека звучит неплохо.
Но какие выводы можно сделать из этого текста?
Насколько куртка водонепроницаемая? Сколько она весит? Из какого материала изготовлена? Для какой температуры рассчитана?
Теперь представим, что рядом заполнены отдельные характеристики:
Материал: полиэстер
Вес: 420 г
Водонепроницаемость: 15 000 мм
Размеры: 46-56
Назначение: треккинг и пеший туризм
Сезон: весна, лето, осень
Теперь продукт значительно проще сравнить с другими моделями.
Именно поэтому в эпоху AI качество структуры товарных данных становится не менее важным, чем качество самого описания.
Три вопроса, на которые должна отвечать карточка товара
Условно процесс оценки продукта интеллектуальной системой можно разделить на три задачи.
Понять
Что это за товар? Для кого он предназначен? В каких ситуациях используется? Какую задачу решает?
Сравнить
Чем он отличается от аналогов? Каковы его размеры, материалы, технические параметры, совместимость и другие характеристики?
Доверять
Насколько достоверна информация? Есть ли отзывы, рейтинги, сертификаты и другие подтверждения заявленных свойств?
Если товарные данные позволяют получить четкие ответы на все три вопроса, системе значительно проще сопоставить продукт с запросом пользователя.
Если половина информации отсутствует, возникают проблемы.
Поэтому рассмотрим, какие группы данных особенно важны.
1. Базовая коммерческая информация
Начнем с очевидного.
Прежде чем анализировать преимущества товара, необходимо понять, можно ли его вообще купить.
Для этого нужны актуальные сведения о цене, наличии и статусе продукта.
Особенно важны:
- цена и валюта
- наличие товара
- количество доступных единиц
- статус продукта
- доступность в конкретном регионе
Эти данные могут поступать из ERP, OMS и других корпоративных систем.
Здесь особенно важна актуальность.
Представьте, что AI рекомендует покупателю идеальную модель ноутбука, человек переходит в магазин и обнаруживает, что товар закончился неделю назад.
Или стоимость в рекомендации заметно отличается от цены на сайте.
Подобные ситуации снижают доверие не только к конкретной рекомендации, но и к источнику данных.
Поэтому AI-ready каталог - это не просто каталог с большим количеством характеристик. Информация в нем должна своевременно обновляться.
2. Данные, которые объясняют назначение товара
Одна из самых интересных перемен связана с тем, как именно люди ищут продукты.
Классический поиск приучил нас формулировать короткие запросы:
туристическая куртка мужская
Общение с AI выглядит иначе:
Какая легкая непромокаемая куртка подойдет для походов весной и осенью?
Здесь пользователя интересует не конкретная категория, а решение задачи.
Поэтому кроме названия, бренда, категории и краткого описания становится полезно хранить информацию о назначении продукта.
Например:
Для кого предназначен товар: туристы и любители пеших походов
Какие задачи решает: защита от дождя и ветра при длительном нахождении на улице
Лучшие сценарии использования: треккинг, путешествия, походы выходного дня
Условия эксплуатации: умеренные осадки и ветреная погода
Такие сведения позволяют гораздо точнее сопоставлять продукт с намерением покупателя.
Обратите внимание на разницу.
Подходит любителям активного образа жизни
Фраза практически ничего не сообщает.
А вот:
Подходит для пеших туристов, которым нужна легкая защита от дождя во время многодневных походов
уже описывает конкретную аудиторию и сценарий.
Для AI такая конкретика значительно ценнее рекламных формулировок.
3. Характеристики должны быть характеристиками, а не частью рассказа
Это, пожалуй, один из важнейших принципов.
Допустим, интернет-магазин продает наручные часы. В описании написано:
Элегантные часы в стальном корпусе, созданные для тех, кто ценит надежность, безупречный стиль и свободу в любых обстоятельствах.
Хороший маркетинговый текст вполне можно оставить.
Проблема возникает, если это единственное место, где содержится информация о продукте.
Гораздо полезнее дополнительно хранить параметры отдельно:
Механизм: автоматический
Материал корпуса: нержавеющая сталь
Диаметр корпуса: 42 мм
Стекло: сапфировое
Водонепроницаемость: 100 м
Цвет циферблата: черный
Теперь каждое свойство становится самостоятельным фактом.
Система может сравнить часы диаметром 42 мм с моделью 40 мм. Отфильтровать товары с сапфировым стеклом. Подобрать модели с определенным уровнем водозащиты.
Поэтому важные технические сведения желательно хранить в отдельных атрибутах.
Маркетинговый текст продает продукт человеку. Структурированные характеристики помогают алгоритмам понять, что именно продается. Одно не должно заменять другое.
4. Данные должны позволять сравнивать товары
Чем ближе пользователь к покупке, тем чаще возникает задача сравнения.
Какой телевизор больше?
У какого смартфона выше емкость аккумулятора?
Какое кресло выдерживает больший вес?
Подойдет ли аксессуар к конкретной модели устройства?
Для таких вопросов нужны конкретные значения.
Размеры, вес, материал, совместимость, варианты цветов, доступные размеры и технические параметры должны быть представлены таким образом, чтобы их можно было сопоставить между товарами.
Здесь особенно опасна несогласованность.
Например, вес одного товара записан как:
1,5 кг
другого:
1500 г
третьего:
около полутора килограммов
Для человека это практически одно и то же.
Для автоматической обработки такой каталог становится значительно сложнее.
Поэтому нормализация значений, единые справочники и правила заполнения атрибутов приобретают особое значение.
5. AI должен понимать, почему информации можно доверять
Не каждое утверждение производителя одинаково полезно.
Сравним:
Самый экологичный материал
и
Материал соответствует сертификату [название сертификации]
Первое утверждение является маркетинговым.
Второе можно проверить.
То же самое относится к отзывам и рейтингам.
Количество отзывов, средняя оценка, подтвержденные отзывы покупателей, сертификаты и дата последней проверки информации создают дополнительные сигналы доверия.
Особенно важно избегать неподтвержденных превосходных формулировок:
- лучший
- самый надежный
- экологически чистый
- профессиональный №1
Если за подобным заявлением нет конкретных доказательств, для покупателя оно постепенно превращается в рекламный шум. Для интеллектуальной системы оно тоже дает мало полезной информации.
Чем конкретнее утверждение, тем выше его информационная ценность.
6. Вопросы покупателей превращаются в ценные товарные данные
Интересный источник информации уже есть практически у любого интернет-магазина - обращения клиентов.
Покупатели постоянно спрашивают:
"Подойдет ли этот чехол к моей модели телефона?"
"Можно ли стирать эту куртку в машинке?"
"Какой размер выбрать при росте 185 см?"
"Можно ли использовать устройство на улице зимой?"
Ответы часто остаются в переписке службы поддержки, комментариях или онлайн-чате.
Но эти вопросы можно превратить в структурированный блок FAQ непосредственно в карточке товара.
Это полезно и для покупателей, и для AI-систем.
Причина проста: вопрос уже сформулирован примерно так, как его задаст реальный человек.
Например:
Можно ли использовать устройство при отрицательной температуре?
Да. Рабочий диапазон температур составляет от -10 до +40 °C.
Такой ответ гораздо информативнее фразы:
Подходит для эксплуатации в различных погодных условиях.
7. Изображения тоже содержат данные
Фотографии помогают человеку буквально за несколько секунд получить представление о товаре.
Но изображения также можно дополнить информацией, которая объясняет их содержание автоматическим системам.
Простейший пример - alt-текст.
Вместо:
Фото куртки
можно использовать:
Синяя мужская туристическая куртка с регулируемым капюшоном и усиленными локтями
Второй вариант содержит гораздо больше полезного контекста.
Кроме альтернативного текста могут использоваться метаданные изображения и признаки, описывающие показанные особенности продукта.
Это становится особенно актуально по мере развития мультимодальных AI-систем, способных одновременно работать с текстом и изображениями.
Почему большинство товарных каталогов пока не готовы к AI-поиску
Основная проблема вовсе не в отсутствии искусственного интеллекта. Она гораздо прозаичнее.
Данные разбросаны по разным системам.
Цена находится в ERP.
Маркетинговое описание - в CMS.
Характеристики - в таблицах.
Фотографии - в файловом хранилище.
Информация для маркетплейсов ведется отдельно.
Отзывы существуют сами по себе.
В результате одна площадка получает полный набор характеристик, другая - только часть, а на сайте вообще может оставаться информация, которая уже устарела.
Пока каталог небольшой, подобные проблемы можно исправлять вручную.
При десятках тысяч SKU ручная работа перестает масштабироваться.
Почему каждый незаполненный атрибут - это потерянная возможность
Представим, что человек спрашивает AI:
Найди компактную посудомоечную машину шириной не более 45 см.
У интернет-магазина есть идеально подходящая модель, но поле "Ширина" не заполнено. Размер указан только внутри PDF-инструкции или вообще отсутствует.
С точки зрения покупателя товар существует.
Но при автоматическом подборе система может не получить достаточно надежных данных, чтобы уверенно сопоставить его с запросом.
То же самое происходит с материалом, совместимостью, назначением и десятками других характеристик.
Поэтому полнота товарных данных начинает напрямую влиять на видимость ассортимента.
Раньше незаполненный атрибут в первую очередь ухудшал карточку товара.
Теперь он потенциально означает еще и поисковый запрос, которому продукт не сможет соответствовать.
SEO дополняется GEO
Мы привыкли к термину SEO - поисковой оптимизации.
Но с развитием генеративного поиска все чаще используется понятие GEO - Generative Engine Optimization, или оптимизация для генеративных поисковых систем.
Задача SEO - помочь странице стать заметной в традиционном поиске.
Задача GEO - сделать информацию достаточно понятной, полной и надежной, чтобы AI-система могла использовать ее при формировании ответа.
Принципы во многом пересекаются.
И поисковым системам, и AI нужны качественные данные. Разница заключается в том, что генеративные системы гораздо активнее работают с контекстом запроса.
Пользователь ищет уже не просто категорию, он описывает свою ситуацию.
Поэтому значение таких данных, как назначение, совместимость, ограничения и сценарии использования, будет только увеличиваться.
Где здесь появляется OpenPIM®
Когда необходимо заполнить десяток характеристик для ста товаров, это можно сделать практически в любой системе.
Настоящая сложность начинается при масштабировании.
Представьте компанию с 50 000 товаров, несколькими интернет-магазинами, маркетплейсами и партнерскими каналами.
Для каждого продукта необходимо контролировать десятки или сотни атрибутов.
При этом часть характеристик обязательна только для определенных категорий. Одни каналы требуют собственных справочников значений. Другим нужны дополнительные описания. Информация регулярно изменяется и должна своевременно распространяться по всем площадкам.
Именно для решения подобных задач используется OpenPIM® - PIM (в переводе система управления продуктовой информацией).
OpenPIM® позволяет создать единое пространство для работы с товарными данными: характеристиками, категориями, описаниями, изображениями, связями и другими элементами продуктового контента.
Это позволяет не просто хранить больше информации, а управлять ее качеством.
Можно определять обязательные атрибуты для разных категорий, контролировать полноту карточек, использовать единые справочники значений и автоматически распространять подготовленную информацию в подключенные каналы.
В результате одни и те же структурированные данные могут использоваться интернет-магазином, маркетплейсами, мобильными приложениями, партнерами и другими цифровыми сервисами.
А значит, подготовка каталога к AI-поиску не превращается в отдельный проект. Она становится частью обычного процесса управления товарной информацией.
С чего начать подготовку каталога к AI-поиску
Необязательно сразу перерабатывать десятки тысяч карточек.
Гораздо разумнее начать с небольшой группы наиболее важных или популярных товаров и посмотреть, насколько полно они описаны.
Выберите, например, 20-50 позиций и попробуйте задать несколько реальных покупательских вопросов.
Для кого предназначен этот продукт?
В каких условиях его можно использовать?
Какие задачи он решает?
С чем он совместим?
По каким параметрам его можно сравнить с аналогами?
Какие ограничения необходимо знать до покупки?
Если ответы приходится искать внутри длинного описания, инструкции или сторонней таблицы, скорее всего, соответствующий параметр стоит превратить в отдельный атрибут.
После этого можно проверить основные группы информации: коммерческие данные, назначение, технические характеристики, совместимость, подтверждения качества, FAQ и метаданные изображений.
А уже затем распространять разработанную модель на остальной каталог.
Товарные данные становятся языком общения бизнеса с AI
Появление AI-поиска не означает, что компании должны отказаться от красивых описаний, сторителлинга или эмоциональной подачи.
Покупатель по-прежнему остается человеком. Ему нужны хорошие фотографии, понятный текст, преимущества продукта и уверенность в покупке.
Но теперь рядом появляется еще один слой.
Машиночитаемая информация.
Материал должен храниться как материал. Размер - как размер. Совместимость - как совместимость. Назначение - как назначение.
И чем лучше структурирован этот слой данных, тем проще цифровым системам понять продукт и сопоставить его с реальной потребностью покупателя.
Именно поэтому развитие AI-commerce неожиданно возвращает бизнес к довольно фундаментальной задаче - наведению порядка в товарной информации.
Компании с качественными и структурированными каталогами получают хорошую основу не только для сегодняшнего e-commerce, но и для новых способов поиска и покупки товаров.
А OpenPIM® - PIM (в переводе система управления продуктовой информацией) позволяет создать такой единый источник данных и поддерживать его в актуальном состоянии независимо от количества товаров и каналов продаж.
Возможно, в ближайшем будущем за внимание покупателя будут бороться уже не только рекламные объявления и позиции в поисковой выдаче.
Борьба начнется раньше - в тот момент, когда AI решит, какие товары вообще стоит показать пользователю.