Jak przygotować dane produktowe pod AI i wyszukiwarki

Dane produktowe są gotowe pod AI i wyszukiwarki wtedy, gdy każdy produkt ma komplet wymaganych atrybutów, wartości zapisane w jednolitych jednostkach i słownikach, spójne wersje językowe oraz jest publikowany w formie, którą maszyny potrafią odczytać – jako dane strukturalne na stronie i jako feedy dla partnerów. Model językowy nie „domyśli się”, że „ok. 2,5 kg”, „2500 g” i „2,5kg netto” to ta sama masa. Poniżej opisujemy, jak ocenić jakość danych, jakie reguły wprowadzić i jak kontrolować je na bieżąco.

AI potrzebuje struktury, nie chaosu

Wyszukiwarki i asystenci AI coraz lepiej rozumieją tekst, ale nadal budują odpowiedzi na podstawie tego, co da się jednoznacznie odczytać. Jeżeli parametry produktu są rozproszone między PDF-ami, arkuszami i opisami marketingowymi, system dostaje sprzeczne sygnały. Efekt: produkt nie trafia do porównań, filtrów i odpowiedzi albo trafia z błędnymi wartościami.

Ten wpis dotyczy jakości samych danych. Jak z tych danych zbudować kartę produktu, opisujemy w artykule Architektura treści produktowych – szablon karty produktu B2B, a jak zaprojektować kategorie i filtry – we wpisie Katalog produktowy, dane produktowe i SEO.

Pięć wymiarów jakości danych produktowych

1. Kompletność atrybutów

Nie każdy produkt potrzebuje tych samych pól. Dla każdej grupy produktów ustal listę atrybutów:

• wymagane – bez nich produkt nie może być opublikowany (np. identyfikator, nazwa, główne wymiary, materiał, jednostka sprzedaży),
• zalecane – istotne dla wyboru i porównania (np. zakres temperatur pracy, klasa odporności, kompatybilność),
• opcjonalne – uzupełniające.

Mierz kompletność osobno dla każdej grupy: „95% wypełnienia” całego katalogu niewiele znaczy, jeśli w jednej kategorii brakuje kluczowego parametru w połowie produktów.

2. Jednostki i format wartości

Najwięcej błędów bierze się z wartości liczbowych zapisanych jako tekst. Zasady, które warto wprowadzić:

• wartość i jednostka w osobnych polach, np. `masa: 2.5` + `jednostka: kg`,
• jedna jednostka bazowa dla atrybutu w całym katalogu, a przeliczenia tylko przy prezentacji,
• jednolity zapis zakresów (od–do w dwóch polach zamiast „10-40°C” w jednym),
• kody jednostek zgodne z uznanym standardem, np. listą kodów UN/CEFACT, jeśli dane trafiają do partnerów lub marketplace’ów.

3. Słowniki zamiast wolnego tekstu

Kolor, materiał, norma, zastosowanie czy typ przyłącza powinny być wybierane z listy, a nie wpisywane ręcznie. Słownik ma jedną wartość kanoniczną i jej tłumaczenia. Dzięki temu „stal nierdzewna”, „INOX” i „nierdzewka” nie tworzą trzech różnych filtrów. Jeśli branża ma własną klasyfikację (np. ETIM w elektrotechnice i instalacjach), warto mapować na nią atrybuty – ułatwia to wymianę danych z dystrybutorami.

4. Wielojęzyczność

W wersjach językowych tłumaczy się nie tylko opisy. Sprawdź:

• czy nazwy atrybutów i wartości słownikowe mają tłumaczenia (a nie tylko opis marketingowy),
• czy dokumenty – karty techniczne, instrukcje, deklaracje – istnieją w danym języku i są przypisane do właściwej wersji,
• czy jednostki i formaty liczb odpowiadają rynkowi (przecinek vs kropka),
• czy tłumaczenie nie „rozjechało się” po zmianie parametru w wersji źródłowej – tu pomaga oznaczanie tłumaczeń jako nieaktualnych po edycji oryginału.

5. Identyfikatory i relacje

Każdy produkt i wariant potrzebuje trwałego identyfikatora (SKU, a przy produktach w obrocie handlowym także GTIN). Relacje – wariant do produktu bazowego, akcesorium do produktu, zamiennik do produktu wycofanego – powinny być zapisane jako powiązania, a nie wzmianki w opisie. Szczegóły przepływu identyfikatorów między ERP, PIM i DPPC opisuje wpis API ERP, PIM i DPPC – jak połączyć dane produktowe.

Przykład: ten sam produkt przed i po porządkach

Przed: pole „Opis” zawiera tekst „Pompa do wody czystej, moc ok. 750W, wydajność do 3000 l/h, przyłącze 1 cal, kolor niebieski, dostępna też wersja INOX”. W wersji niemieckiej opis przetłumaczono, ale bez wersji ze stali nierdzewnej.

Po: osobne pola `moc: 750` + `W`, `wydajność_max: 3000` + `l/h`, `przyłącze: 1"` (wartość ze słownika), `kolor: niebieski` (słownik z tłumaczeniami), a wersja ze stali nierdzewnej to osobny wariant z własnym SKU, powiązany z produktem bazowym. Opis marketingowy zostaje, ale nie jest już jedynym miejscem, w którym zapisano parametry. Te same pola zasilają filtr w sklepie, feed dla dystrybutora i dane strukturalne na karcie produktu.

Jak dane trafiają do maszyn: feedy i dane strukturalne

Uporządkowane dane mają wartość dopiero wtedy, gdy są opublikowane w formacie, który inne systemy potrafią odczytać.

• Dane strukturalne na stronie – znacznik schema.org `Product` z polami takimi jak nazwa, identyfikatory (`sku`, `gtin`), marka, opis i obraz, a parametry techniczne jako `additionalProperty` z typem `PropertyValue`, wartością i kodem jednostki. Dane w znacznikach muszą zgadzać się z tym, co widać na stronie.
• Feedy produktowe – dla Google Merchant Center, marketplace’ów i dystrybutorów. Feed powinien powstawać automatycznie z tego samego źródła co strona, a nie z osobnego arkusza.
• API – dla partnerów i własnych kanałów (sklep, portal B2B, aplikacja serwisowa).
• Dokumenty – PDF-y z parametrami są dodatkiem, nie źródłem. Jeśli kluczowa wartość jest tylko w PDF-ie, dla wielu systemów po prostu jej nie ma.

Kontrola jakości: reguły, raporty, odpowiedzialność

Jednorazowe sprzątanie nie wystarczy – po pół roku dane znów się rozjadą. Potrzebne są stałe mechanizmy:

1. Reguły walidacji przy zapisie – typ wartości, zakres (masa nie może być ujemna), wymagane pola dla grupy, wartość ze słownika.
2. Blokada publikacji – produkt bez atrybutów wymaganych nie trafia do sklepu ani feedu.
3. Raport kompletności – cotygodniowy, per kategoria i język, z listą produktów do uzupełnienia.
4. Wykrywanie anomalii – wartości odstające (np. wymiar sto razy większy niż u podobnych produktów) zwykle oznaczają pomyłkę w jednostce.
5. Właściciel danych – dla każdej grupy atrybutów osoba odpowiedzialna: dział techniczny za parametry, marketing za opisy, jakość za deklaracje.
6. Historia zmian – kto, kiedy i co zmienił; przy danych zgodnościowych to wymóg, nie wygoda.

Od czego zacząć porządki

Nie porządkuj od razu całego katalogu. Sprawdzony porządek działań:

1. Wybierz jedną grupę produktów, która najlepiej się sprzedaje albo generuje najwięcej pytań klientów.
2. Spisz dla niej atrybuty wymagane i zalecane, jednostki i słowniki.
3. Zrób eksport i policz braki oraz niespójności – to Twój punkt wyjścia.
4. Uzupełnij dane, wprowadź reguły walidacji i dopiero potem skaluj na kolejne grupy.

Typowe błędy

• Parametry w opisie marketingowym zamiast w polach – nie da się ich filtrować ani przekazać w feedzie.
• Osobne arkusze dla każdego kanału – po kilku miesiącach sklep, katalog PDF i feed pokazują inne wartości.
• Tłumaczenia maszynowe bez słowników – nazwy parametrów tłumaczone za każdym razem inaczej.
• Brak jednostki bazowej – część produktów w milimetrach, część w centymetrach, w tym samym polu.

Następny krok

Wyeksportuj jedną kategorię produktów do arkusza i sprawdź trzy rzeczy: ile produktów ma wszystkie kluczowe parametry, czy wartości mają jednolite jednostki i czy nazwy atrybutów są przetłumaczone. Wynik pokaże skalę pracy lepiej niż jakakolwiek ankieta. Jeśli chcesz uporządkować dane produktowe w jednym źródle i publikować je dalej do sklepu, B2B i paszportów produktu, zobacz usługę DPPC i dane produktowe albo skontaktuj się z nami.