- Strategia oparta o dane i cele biznesowe.
- Rekomendacje UX, integracji i automatyzacji.
- Plan wdrożeń i wsparcie zespołu.
Google Shopping zmienia się szybciej niż jakikolwiek inny produkt Google od czasu premiery mapy. Jeszcze dwa lata temu optymalizacja sklepu pod wyszukiwanie zakupowe oznaczała głównie feed produktowy, kampanie Performance Max i poprawne dane strukturalne. Dziś do tego zestawu dochodzi coś nowego: AI-assisted shopping, gdzie model językowy interpretuje zapytanie klienta i dobiera produkty na podstawie cech opisanych w treści, a nie tylko pasujących słów kluczowych. To fundamentalna zmiana w tym, jak sklepy internetowe muszą myśleć o opisach produktów i strukturze danych.
Google w maju 2024 roku ogłosił na konferencji I/O rozbudowanie możliwości AI w Google Shopping — w tym funkcję wyszukiwania konwersacyjnego, gdzie użytkownik opisuje potrzebę („potrzebuję butów do biegania na błotnistym terenie dla osoby z szeroką stopą i budżetem do 400 zł”) i otrzymuje spersonalizowane rekomendacje produktów. Sklepy, których dane produktowe nie zawierają szczegółowych atrybutów odpowiadających na takie zapytania, są po prostu niewidoczne w tym modelu — bez względu na to, ile mają linków zwrotnych czy jak dobrze zoptymalizowane są meta tytuły.
Przeprowadzimy audyt feedu produktowego i danych w Merchant Center. Wskażemy, które atrybuty i opisy wymagają uzupełnienia, żeby Twój sklep był widoczny dla konwersacyjnych zapytań zakupowych.
Jak AI shopping różni się od klasycznego SEO produktowego
Klasyczne SEO produktowe opiera się na dopasowaniu słów kluczowych: klient wpisuje „buty do biegania Nike rozmiar 42”, sklep ma produkt z tą frazą w tytule i opisie — i pojawia się w wynikach. Model jest prosty i przewidywalny. AI shopping działa inaczej: model językowy rozumie semantykę zapytania i szuka produktów, których atrybuty odpowiadają potrzebie wyrażonej w zapytaniu — nawet jeśli użytkownik nie użył dokładnie tych słów, które są w opisie produktu.
To oznacza, że atrybut „wodoodporny” w opisie buta odpowie na zapytanie „do biegania w deszczu”, nawet jeśli klient nie napisał „wodoodporny”. Model rozumie związek semantyczny. Ale żeby ten związek zadziałał, atrybut musi być w danych produktowych — opisany expressis verbis, nie ukryty w grafice czy założony jako oczywisty. Amazon, który od lat jest liderem w semantycznym wyszukiwaniu produktów, wymaga od sprzedawców uzupełniania dziesiątek atrybutów produktowych właśnie po to, żeby jego algorytm mógł dopasowywać produkty do zapytań konwersacyjnych. To samo podejście przychodzi teraz do Google.
Badania Nielsen Norman Group z 2023 roku dotyczące zachowań zakupowych online pokazały, że użytkownicy coraz częściej opisują swoje potrzeby w naturalnym języku — zamiast konstruować precyzyjne zapytania z atrybutami. „Dobry laptop do nauki programowania za rozsądne pieniądze” zamiast „laptop i5 16GB RAM 512GB SSD do 3000 zł”. Ta zmiana zachowania była obserwowalna jeszcze przed pojawieniem się AI shopping — AI ją tylko wzmocniła i usankcjonowała jako oczekiwany model interakcji z wyszukiwarką.
Dane produktowe: co musi być uzupełnione i dlaczego
Fundament widoczności w AI shopping to kompletny feed produktowy z dobrymi danymi. Google Merchant Center wymaga kilkunastu obowiązkowych atrybutów — id, tytuł, opis, link, link_do_obrazu, cena, dostępność — ale to absolutne minimum, które nie wystarczy do dobrej widoczności w AI-driven results. Atrybuty opcjonalne, które w praktyce stają się obowiązkowe dla lepszego doboru produktu, to m.in.: materiał, kolor, rozmiar, stan, numer_gtin, brand, kategoria_produktu, opis_dodatkowy, cechy_produktu.
Opis produktu jest miejscem, gdzie sklepy najczęściej tracą szansę. Typowy opis w polskich sklepach to trzy ogólne zdania i lista punktowa ze specyfikacją techniczną. Dla AI shopping liczy się opis, który odpowiada na pytanie „dla kogo jest ten produkt i w jakich sytuacjach się sprawdzi”. Opis „Buty Gore-Tex z systemem amortyzacji odpowiednie dla biegaczy z pronacją na szlaki górskie i terenowe w zmiennych warunkach pogodowych” jest przykładem opisu, który zadziała w konwersacyjnym wyszukiwaniu — bo zawiera kontekst użycia, nie tylko parametry techniczne.
Google Merchant Center od 2024 roku pozwala też na uzupełnianie tzw. custom attributes — własnych atrybutów, które nie są częścią standardowego schematu, ale mogą być uwzględniane przez algorytm AI przy dobieraniu produktów. Dla sklepu z elektroniką może to być „przeznaczenie” (gaming, praca zdalna, nauka, podróże), dla sklepu z odzieżą „okazja” (sport, praca, casual, elegancka), dla sklepu z kosmetykami „typ skóry” czy „efekt”. Te atrybuty pozwalają na precyzyjne dopasowanie do semantycznych zapytań — i są wciąż niedostatecznie wykorzystywane przez polskie sklepy.
Struktura katalogu i FAQ produktowe
AI shopping pobiera informacje nie tylko z feedu, ale też z treści stron produktowych i kategorii. Sklepy, które mają dobrze opisane strony kategorii z wyjaśnieniem, dla kogo są produkty z danej kategorii i w jakich sytuacjach się sprawdzają, są lepiej rozumiane przez algorytm. Opis kategorii „Buty biegowe” powinien wyjaśniać różnicę między modelami do nawierzchni twardej a miękkiej, między butami dla pronujących a neutralnych, między modelami do treningów a startowych — bo to są pytania, które użytkownicy zadają w sposób konwersacyjny.
FAQ produktowe to element, który zyskuje na znaczeniu w AI shopping. Pytania i odpowiedzi dodane do strony produktowej (w formacie FAQ schema) są bezpośrednio interpretowane przez modele językowe jako źródło odpowiedzi na konwersacyjne zapytania. Jeśli ktoś pyta „czy te buty są odpowiednie dla osoby z płaskostopiem”, a w FAQ produktu jest odpowiedź „tak, model ma wbudowaną wkładkę ortopedyczną i szeroką przednią część buta, co sprawia, że jest polecany przez ortopedów dla osób z płaskostopiem” — ten produkt wygra z konkurentem, który tej odpowiedzi nie ma.
Warto też zadbać o spójność między feedem a stroną produktową. Google Merchant Center weryfikuje, czy dane w feedzie są zgodne z danymi na stronie — niespójne ceny, niedostępne produkty wciąż w feedzie jako dostępne, inne nazwy niż na stronie — to błędy, które obniżają jakość konta i zmniejszają widoczność w wynikach. W kontekście AI shopping, gdzie algorytm porównuje wiele źródeł danych, spójność jest ważniejsza niż kiedykolwiek.
WooCommerce i praktyczne wdrożenie
W WooCommerce integracja z Google Merchant Center odbywa się przez feed produktowy generowany przez wtyczki takie jak WooCommerce Google Product Feed, YITH lub zewnętrzne platformy jak Sembot czy Feedink. Każde z tych rozwiązań ma inne możliwości w zakresie obsługi atrybutów niestandardowych i custom attributes — i ta różnica jest kluczowa przy przygotowaniu sklepu pod AI shopping.
Uzupełnienie atrybutów w WooCommerce można zrealizować na kilka sposobów: przez pola wariantów produktu (rozmiar, kolor), przez własne meta pola dodawane przez ACF lub dedykowaną wtyczkę, przez pola dodatkowe Yoast WooCommerce SEO lub przez bezpośrednie wzbogacanie feedu po stronie zewnętrznej platformy. Wybór metody zależy od liczby produktów, złożoności katalogu i tego, jak bardzo chcesz mieć kontrolę nad danymi bez ingerencji w kod.
Zaczynamy wdrożenia od audytu aktualnego feedu pod kątem kompletności i jakości danych. W naszym doświadczeniu większość polskich sklepów ma od 20% do 60% produktów z niekompletnymi atrybutami — i jest to jedna z najszybszych do naprawienia przyczyn niskiej widoczności w Google Shopping. Uzupełnienie opisów i atrybutów dla istniejącego katalogu przy wsparciu AI (do generowania pierwszych wersji, które ekspert produktowy weryfikuje) to projekt, który przynosi mierzalne efekty w widoczności w ciągu kilku tygodni od wdrożenia.
