AI-Shopping Uyumlu Product Feed Nasıl Hazırlanır?

Yönetici Özeti

AI shopping’e hazır bir product feed, yalnızca zorunlu alanları içeren ve teknik olarak hatasız çalışan bir ürün dosyası değildir. Ürünlerin yapay zekâ sistemleri tarafından doğru anlaşılmasını, kullanıcı ihtiyaçlarıyla eşleştirilmesini, benzer ürünlerle karşılaştırılmasını ve güncel ticari koşullarla sunulmasını sağlayan bütünsel bir veri altyapısıdır.

Markaların bu hazırlığı sekiz temel adımda ele alması gerekir:

1. Kaynak sistemleri ve veri sahipliğini belirlemek
2. Ürün ve varyant kimliklerini standardize etmek
3. Başlık, açıklama, kategori ve attribute alanlarını zenginleştirmek
4. Görsel ve medya verilerini ürünle doğru eşleştirmek
5. Fiyat, stok, varyant ve promosyon verilerini güncel tutmak
6. İade, yorum, satıcı ve uygunluk gibi güven sinyallerini eklemek
7. Kanal, ülke ve dil bazlı çıktılar oluşturmak
8. Feed teslimi, doğrulama ve izleme süreçlerini kurmak

AI shopping hazırlığının amacı tek bir platform için yeni bir feed üretmek olmamalıdır. Daha doğru yaklaşım; markanın ürün verisini merkezi, güvenilir ve farklı AI ile reklam platformlarına uyarlanabilir hale getirmektir.

Yönetici özeti sonu.

AI-Shopping Ready Product Feed Nedir?

Geleneksel product feed’ler çoğunlukla ürünleri Google, Meta, TikTok, on-site kişiselleştirme ve email pazarlama araçları veya karşılaştırma sitelerine aktarmak için kullanılır.

AI shopping deneyimlerinde feed’in rolü genişler. Yapay zekâ sistemleri ürün verisini yalnızca listeleme amacıyla değil, aşağıdaki işlemler için de kullanabilir:

• Ürünün ne olduğunu anlamak
• Kullanım amacını ve ayırt edici özelliklerini belirlemek
• Kullanıcının doğal dilde ifade ettiği ihtiyacı ürünle eşleştirmek
• Benzer ürünleri karşılaştırmak
• Doğru varyantı seçmek
• Fiyat ve stok durumunu değerlendirmek
• İade, satıcı ve uygunluk bilgilerini göstermek
• Uygun ürünleri arama, reklam veya checkout deneyimlerine dahil etmek

Bu nedenle AI-shopping ready feed üç temel özelliğe sahip olmalıdır:

• Anlaşılabilir: Ürünün ne olduğunu ve hangi ihtiyaca cevap verdiğini açıkça anlatmalıdır.
• Güvenilir: Fiyat, stok, satıcı ve politika bilgileri güncel ve tutarlı olmalıdır.
• Uyarlanabilir: Aynı merkezi veri farklı platform, ülke, dil ve şema gereksinimlerine dönüştürülebilmelidir.

Hazırlığa Feed Dosyasından Değil, Kaynak Veriden Başlayın

Bir feed’de görülen hata her zaman feed dosyasından kaynaklanmaz. Sorun çoğu zaman ERP, PIM, e-ticaret altyapısı, stok sistemi veya içerik yönetim sistemindeki kaynak veride başlar.

Örneğin:

• Materyal bilgisi kaynak sistemde yoksa feed bu alanı kendiliğinden üretemez.
• Varyant ilişkileri hatalıysa ürünler doğru gruplandırılamaz.
• Stok güncellemesi gecikiyorsa feed’de de eski bilgi görünür.
• İade politikaları ürünlerle eşleştirilmemişse istisnalar doğru aktarılamaz.

Bu nedenle ilk adım, ürün verisinin nereden geldiğini ve her alanın hangi ekip veya sistem tarafından yönetildiğini belirlemektir.

Kaynak Veri Haritası Oluşturun

Her veri alanı için aşağıdaki sorular cevaplanmalıdır:

• Bu alanın ana kaynağı hangi sistem?
• Verinin sahibi hangi ekip?
• Alan hangi sıklıkta güncelleniyor?
• Eksik veya hatalı olduğunda kim müdahale ediyor?
• Hangi kanallarda kullanılıyor?
• Ülke veya dil bazında değişiyor mu?

Örnek bir kaynak yapısı şöyle olabilir:

• Ürün kimliği ve varyantlar: PIM veya e-ticaret altyapısı
• Fiyat: ERP veya fiyatlandırma sistemi
• Stok: Depo veya sipariş yönetim sistemi
• Başlık ve açıklamalar: PIM veya içerik yönetim sistemi
• Promosyonlar: Kampanya motoru
• Yorumlar: Yorum platformu veya CRM
• İade ve uygunluk bilgileri: E-ticaret, operasyon ve hukuk ekipleri

AI shopping hazırlığı, bu kaynakları ortak ürün kimlikleri üzerinden birleştirmekle başlar.

1. Ürün Kimliği Yapısını Sağlamlaştırın

Yapay zekâ sisteminin bir ürünü doğru anlaması için önce o ürünü diğer kayıtlardan ayırabilmesi gerekir.

Ürün kimliği katmanında şu alanlar önemlidir:

• Stabil ürün veya varyant ID’si
• Ana ürün veya grup ID’si
• GTIN
• MPN
• Marka
• Ürün bağlantısı

Internal ID ile Global Ürün Kimliğini Ayırın

Internal ürün ID’si veya SKU, ürünü markanın kendi sistemleri arasında takip etmek için kullanılır. GTIN ve MPN ise ürünün platformlar ve satıcılar arasında tanınmasına yardımcı olan ürün kimliği sinyalleridir.

Bu alanlar birbirinin yerine kullanılmamalıdır.

• Internal SKU, GTIN alanına yazılmamalıdır.
• GTIN tahmin edilmemeli veya benzer üründen kopyalanmamalıdır.
• Üretici tarafından atanmış doğru MPN kullanılmalıdır.
• Her satın alınabilir varyant doğru kimliklerle eşleştirilmelidir.

Ürünün başlığı, fiyatı veya stoğu değiştiğinde ID’si değiştirilmemelidir. Yeni bir kimlik yalnızca gerçekten yeni bir satın alınabilir ürün oluştuğunda üretilmelidir.

Varyantları Doğru Gruplayın

Ana ürün, ürün ailesini; varyant ise kullanıcının satın alabileceği belirli seçeneği temsil eder.

Örneğin aynı ayakkabının farklı renk ve bedenleri ayrı varyantlardır. Her birinin benzersiz ID’si bulunmalı, ancak tamamı ortak bir grup kimliği altında birleştirilmelidir.

Satın alınamayan ana ürün kaydı bağımsız bir satış seçeneği gibi gönderilmemelidir.

2. Ürün Başlıklarını AI İçin Anlaşılır Hale Getirin

Ürün başlığı yalnızca anahtar kelime taşımamalı, ürünün temel kimliğini kısa ve anlaşılır biçimde anlatmalıdır.

Zayıf bir başlık: Basic Çanta

Daha açıklayıcı bir başlık: 13 İnç Laptop Bölmeli Su Geçirmez Siyah Şehir Kullanımına uygun Sırt Çantası

Başlık yapısı kategoriye göre değişebilir ancak genellikle şu bileşenleri içerebilir:

• Marka
• Ürün tipi
• Model
• Ayırt edici özellik
• Renk, beden veya kapasite
• Kullanım alanı

Başlıkları gereksiz anahtar kelimeler, kampanya mesajları, tamamı büyük harfli ifadeler veya ürünle ilgisiz bilgilerle doldurmak yerine ürünün gerçek kimliğine odaklanmak gerekir.

3. Açıklamaları Kullanıcı İhtiyaçlarına Göre Zenginleştirin

Ürün açıklaması yalnızca teknik özellik listesinin düz metin hali olmamalıdır.

AI sistemlerinin ürünü farklı kullanım senaryolarıyla eşleştirebilmesi için açıklama şu sorulara cevap verebilmelidir:

• Ürün ne işe yarar?
• Kimler için uygundur?
• Hangi kullanım alanlarında tercih edilebilir?
• Ayırt edici özellikleri nelerdir?
• Ölçü, materyal, kapasite veya teknik sınırları nelerdir?
• Kutu içeriğinde neler bulunur?
• Uyumluluk veya bakım bilgileri nelerdir?

Örneğin “paslanmaz çelik termos” ifadesi ürünün ne olduğunu söyler. “Günlük işe gidiş ve kısa seyahatler için uygun, 750 ml kapasiteli, sıcaklığı 12 saate kadar koruyan sızdırmaz paslanmaz çelik termos” açıklaması ise ürünün kullanım bağlamını da anlatır.

Semantik Arama İçin Kullanım Bağlamı Ekleyin

AI shopping asistanları yalnızca aynı kelimelerin bulunmasına dayanan klasik eşleşmeler kullanmaz. Modern semantik arama sistemleri, kullanıcı sorgusu ile ürün metnini sayısal temsillere, yani embedding vektörlerine dönüştürerek anlam bakımından ne kadar yakın olduklarını değerlendirebilir.

Bu sayede kullanıcı “yazın terletmeyen, şık duran keten gömlek” diye aradığında ürün başlığında bu cümlenin birebir bulunması gerekmez. Açıklamada nefes alan keten kumaş, hafif yapı, sıcak hava kullanımı ve günlük-şık stil gibi doğru bağlamlar yer alıyorsa ürün sorguyla anlamsal olarak eşleşebilir.

Bu nedenle açıklamalar yalnızca kısa ürün adlarından veya art arda sıralanmış anahtar kelimelerden oluşmamalıdır. Ürünün materyalini, kullanım amacını, hedef kullanıcısını, ortamını ve çözdüğü ihtiyacı doğal cümlelerle anlatmalıdır. Buradaki amaç metni gereksiz yere uzatmak değil, ürünün gerçek kullanım bağlamını doğrulanabilir bilgilerle görünür hale getirmektir.

Başlık ve Açıklamayı Aynı Metne Dönüştürmeyin

Başlık ürünün kısa kimliğini, açıklama ise kullanım bağlamını ve detaylarını sunmalıdır. Aynı kelime grubunun iki alanda tekrar edilmesi veri zenginliği oluşturmaz.

AI ile üretilen metinler kullanılıyorsa:

• Kaynak ürün verisine dayanmalı
• Doğrulanamayan özellikler eklenmemeli
• Kategori bazlı şablonlarla kontrol edilmeli
• Yasaklı veya yanıltıcı iddialar filtrelenmeli
• Yayın öncesinde kalite kontrolünden geçmelidir

Uyumsuzlukları ve Kullanım Sınırlarını Açıkça Belirtin

Ürünün neyle uyumlu olduğunu anlatmak kadar, hangi koşullarda kullanılmaması gerektiğini belirtmek de yanlış eşleşmeleri azaltabilir.

Özellikle elektronik, yedek parça, kozmetik ve kullanım kısıtı bulunan kategorilerde şu bilgiler açıkça sunulabilir:

• Uyumlu olmayan model veya cihazlar
• Desteklenmeyen bağlantı ya da ölçü standartları
• Ürünün tasarlanmadığı kullanım alanları
• Yaş, cilt tipi, bölge veya ortam kısıtları
• Gerekli güvenlik uyarıları ve kullanım ön koşulları

Örneğin “yalnızca USB-C bağlantılı cihazlarla uyumludur; Lightning girişli cihazlarla kullanılamaz” ifadesi, modelin eksik veriden yanlış bir uyumluluk sonucu çıkarmasını önlemeye yardımcı olur.

Bu tür negatif sinyaller doğrulanmış ürün bilgisinden üretilmeli; genel pazarlama metnine rastgele “uyumlu değildir” ifadeleri eklenmemelidir. Platformda ayrı uyumluluk, uyarı veya kısıtlama alanları bulunuyorsa bilgi öncelikle yapılandırılmış alanlarda, ardından kullanıcı tarafından okunabilir açıklamada sunulmalıdır.

4. Kategori ve Attribute Yapısını Standardize Edin

Kategori, ürünün hangi ürün ailesine ait olduğunu; attribute’lar ise hangi özelliklerle karşılaştırılabileceğini gösterir.

Aynı ürün grubunda materyal bilgisinin “pamuk”, “cotton” ve “%100 pamuklu kumaş” gibi farklı biçimlerde aktarılması karşılaştırmayı zorlaştırır.

Standartlaştırılması gereken alanlar şunlardır:

• Kategori ağacı
• Ürün tipleri
• Attribute adları
• Attribute değerleri
• Renk isimleri
• Beden sistemleri
• Materyal tanımları
• Ölçü ve birimler
• Uyumluluk değerleri

Kategoriye Özel Attribute Şemaları Oluşturun

Her kategori aynı alanlara ihtiyaç duymaz.

Kategori bazlı zorunlu ve önerilen alanlar tanımlanarak her ürünün kendi bağlamında yeterli veriye sahip olup olmadığı ölçülebilir.

5. Görsel ve Medya Verilerini Varyantlarla Eşleştirin

AI shopping’de görseller yalnızca dekoratif içerik değildir. Ürünün rengini, formunu, kullanım şeklini ve fiziksel detaylarını anlamaya yardımcı olan veri varlıklarıdır.

Temel görsel hazırlığında:

• Ana görsel doğru ürünü göstermeli
• Görsel bağlantıları erişilebilir olmalı
• Her varyant kendi rengini veya modelini göstermeli
• Ek görseller farklı açıları ve detayları sunmalı
• Görsel ile başlık ve attribute bilgileri çelişmemeli
• Video veya 3D içerik varsa doğru ürünle ilişkilendirilmeli

Siyah varyantın beyaz ürün görseliyle gönderilmesi veya görselde bulunan aksesuarların ürün içeriğine dahilmiş gibi anlaşılması kullanıcı beklentisini yanlış yönlendirebilir.

Computer Vision İçin Görsel Standartları

Modern görsel arama ve multimodal AI sistemleri, ürün görsellerini yalnızca sergilenecek pikseller olarak değil; ürünün biçimini, rengini ve görsel özelliklerini anlamaya yardımcı olan girdiler olarak işleyebilir.

Görselin hem kullanıcı hem de makine tarafından daha açık yorumlanabilmesi için:

• Ürün net, odakta ve mümkün olduğunca yüksek çözünürlükte olmalı
• Ana görselde ürünün tamamı görünmeli ve gereksiz kırpma yapılmamalı
• Arka plan ürünü ayırt etmeyi zorlaştırmayacak kadar sade olmalı
• Promosyon metni, filigran, logo, kenarlık veya ürünü kapatan grafikler kullanılmamalı
• Birden fazla ürün gösteriliyorsa satışa dahil olan ürün açıkça anlaşılmalı
• Renk, desen ve fiziksel detaylar gerçek ürünü doğru temsil etmeli
• Ek yaşam tarzı görselleri ana ürün görselinin yerine değil, onu desteklemek için kullanılmalı

Google Merchant Center, ürünün engelsiz görünmesini ister; promosyon metni, filigran ve benzeri bindirmeler ürünlerin reddedilmesine neden olabilir. Google ayrıca farklı listeleme biçimlerinde daha güçlü performans için yaklaşık 1500 × 1500 piksel veya üzerindeki görselleri öneriyor.

6. Ticari Verileri Güncel Tutun

Ürünün doğru anlaşılması kadar, doğru ticari koşullarla sunulması da önemlidir.

Her satın alınabilir varyant için şu alanlar güncel tutulmalıdır:

• Normal fiyat
• İndirimli fiyat
• İndirim başlangıç ve bitiş tarihleri
• Para birimi
• Stok durumu
• Ön sipariş veya yeniden tedarik tarihi
• Promosyon uygunluğu
• Bölgesel fiyat ve stok farklılıkları

Feed, ürün detay sayfası ve checkout aynı fiyat ve stok bilgisini göstermelidir.

Bir ürünün ana kaydı stokta görünürken kullanıcının seçtiği beden tükenmişse veya feed’deki indirim checkout’ta uygulanmıyorsa ürün verisi teknik olarak aktarılmış olsa bile satın alma deneyimi güvenilir değildir.

Sayfa İçi Schema.org Verisini Feed ile Eşleştirin

Product feed tek doğrulama kaynağı değildir. Ürün detay sayfasındaki görünür içerik ve JSON-LD formatındaki Schema.org yapılandırılmış verisi de ürünün fiyat, para birimi, stok, kondisyon, varyant ve politika bilgilerini makine tarafından okunabilir biçimde sunabilir.

Feed, sayfa içeriği ve yapılandırılmış veri arasında çelişki olmamalıdır. Özellikle şu alanlar birlikte kontrol edilmelidir:

• Ürün ve varyant kimliği
• Fiyat ve para birimi
• Stok durumu
• Ürün kondisyonu
• Varyantın görseli ve bağlantısı
• Kargo ve iade bilgileri

Google, sayfa içindeki Product ve Offer structured data üzerinden fiyat, stok ve kondisyon bilgisini okuyabilir ve otomatik ürün güncellemelerinde kullanabilir. Bu nedenle JSON-LD yalnızca SEO için eklenen bağımsız bir kod parçası gibi değil, product feed ile aynı ticari kaynaktan beslenen ikinci bir veri yüzeyi olarak yönetilmelidir.

Buradaki hedef, her sistemde ayrı bilgi üretmek yerine ERP, PIM veya commerce altyapısındaki onaylanmış veriyi hem feed’e hem ürün sayfasına hem de JSON-LD işaretlemesine tutarlı biçimde dağıtmaktır.

Okuma Önerisi: AI Alışverişte Fiyat, Stok, Varyant ve Promosyon Yönetimi rehberimizi inceleyebilirsiniz.

7. Güven ve Uygunluk Bilgilerini Feed’e Dahil Edin

AI shopping’e hazır bir feed yalnızca ürünün ne olduğunu ve kaç paraya satıldığını anlatmaz. Kullanıcının ürünü hangi koşullarda ve kimden satın alacağını değerlendirmesine de yardımcı olur.

Bu katmanda şu bilgiler yer alabilir:

• İade kabulü ve iade süresi
• Değişim koşulları
• İade politikası bağlantısı
• Satıcı adı ve mağaza bağlantısı
• Müşteri destek bilgileri
• Ürün ve satıcı puanı
• Yorum sayısı
• Yasal uyarılar
• Yaş ve bölge kısıtlamaları
• Arama, reklam ve checkout uygunluğu

Ürün bazlı istisnalar doğru kayıtlara bağlanmalı; satıcı, pazaryeri ve gönderimi yapan taraf farklıysa roller açıkça ayrıştırılmalıdır.

Okuma Önerisi: AI Alışverişte Güven Sinyalleri: İade, Yorum, Satıcı Bilgisi ve Uygunluk rehberimizi inceleyebilirsiniz.

8. Ülke, Dil ve Kanal Bazlı Feed Stratejisi Oluşturun

Tek bir kaynak katalog kullanılabilir ancak her ülkeye ve platforma aynı feed’in gönderilmesi doğru değildir.

Feed çıktısı şu değişkenlere göre uyarlanabilir:

• Hedef ülke
• Dil
• Para birimi
• Yerel kategori yapısı
• Yerel fiyat ve stok
• Kargo ve iade koşulları
• Yasal uyarılar
• Platform alan adları ve veri formatı
• Arama, reklam veya checkout uygunluğu

Çeviri, yalnızca metni başka bir dile dönüştürmek değildir. Beden sistemleri, ölçü birimleri, renk adları, kategori terimleri, para birimi ve bölgesel kullanım biçimleri de yerelleştirilmelidir.

Merkezi Veri, Kanal Bazlı Dönüşüm

En ölçeklenebilir yaklaşım, her platform için ayrı bir kaynak katalog yönetmek yerine merkezi ürün verisini kanal kurallarıyla dönüştürmektir.

Bu yapı sayesinde:

• Aynı hata birden fazla dosyada ayrı ayrı düzeltilmez.
• Kanal gereksinimleri merkezi veriyi bozmadan uygulanabilir.
• Yeni AI platformları için daha hızlı çıktı oluşturulabilir.
• Ülke ve dil bazlı farklılıklar daha kontrollü yönetilebilir.

Feed Teslim Yöntemini Operasyona Göre Seçin

AI shopping feed’leri dosya yükleme, barındırılan URL, SFTP veya API gibi farklı yöntemlerle teslim edilebilir. Her yöntem aynı güncelleme modeline sahip değildir.

Tam Katalog Snapshot’ı

Tam snapshot, kataloğun belirli bir andaki bütün durumunu içerir ve kaynak doğruluk kaydı olarak kullanılır.

OpenAI’nin dosya yükleme modelinde tam katalog snapshot’ının düzenli ve en az günlük bir sıklıkta gönderilmesi öneriliyor. Bu modelde gün içi fiyat ve stok değişiklikleri bir sonraki planlı snapshot’a dahil edilir.

Tam snapshot hazırlanırken:

• Her gönderimde katalog eksiksiz üretilmeli
• Dosya yolu ve adı stabil tutulmalı
• Yarım veya hatalı dosya yayınlanmamalı
• Üretim tamamlanmadan mevcut dosyanın üzerine yazılmamalı
• Ürün silme ve katalogdan çıkarma davranışı test edilmelidir

API ile Kısmi Güncelleme

API modelinde ürünler stabil ID üzerinden eşleştirilerek yalnızca değişen kayıtlar güncellenebilir. Gönderilmeyen ürünler mevcut durumunu korur.

Bu yaklaşım özellikle şu durumlarda yararlı olabilir:

• Fiyat ve stok sık değişiyorsa
• Katalog çok büyükse
• Değişikliklerin daha hızlı aktarılması gerekiyorsa
• Ürün güncellemeleri olay bazlı üretilebiliyorsa

Dosya ve API modelleri aynı özelliklere sahip kabul edilmemelidir. Marka, kullanacağı platformun desteklediği teslim yöntemini ve güncelleme davranışını uygulama öncesinde doğrulamalıdır.

Feed’i Yayınlamadan Önce Nasıl Test Etmelisiniz?

Feed’in açılması veya sistem tarafından okunabilmesi, ürün verisinin doğru olduğu anlamına gelmez.

Testleri dört seviyede yapmak gerekir.

1. Teknik Doğrulama

• Dosya formatı ve karakter kodlaması doğru mu?
• Zorunlu alanlar mevcut mu?
• Veri tipleri ve tarih formatları geçerli mi?
• URL’ler erişilebilir mi?
• Dosyada bozuk satır veya yinelenen ürün var mı?
• Ürün sayfasındaki Product/Offer JSON-LD işaretlemesi geçerli mi?
• JSON-LD fiyat, stok, para birimi ve varyant verileri feed ile eşleşiyor mu?

2. Ürün Verisi Doğrulaması

• ID’ler benzersiz ve stabil mi?
• GTIN ve MPN değerleri doğru mu?
• Varyantlar doğru gruplandırılmış mı?
• Kategori ve attribute alanları yeterli mi?
• Başlık, açıklama ve görsel aynı ürünü mü anlatıyor?

3. Ticari Tutarlılık Kontrolü

• Feed fiyatı ürün sayfası ve checkout ile eşleşiyor mu?
• Stok bilgisi seçilen varyantla uyumlu mu?
• İndirim tarihleri geçerli mi?
• Promosyon doğru ürün ve varyanta uygulanıyor mu?
• Kargo ve iade koşulları doğru ülkeye mi ait?

4. AI Anlaşılabilirlik Kontrolü

• Ürünün ne olduğu yalnızca başlıktan anlaşılabiliyor mu?
• Kullanım amacı açıklamada yer alıyor mu?
• Karşılaştırma için kritik attribute’lar mevcut mu?
• Benzer ürünlerin değerleri standart mı?
• Ürün, doğal dilde ifade edilen hangi ihtiyaçlarla eşleşebilir?

Bu son kontrol, klasik feed doğrulamasından farklıdır. Burada amaç yalnızca alanın dolu olup olmadığını değil, verinin ürünü doğru temsil edip etmediğini değerlendirmektir.

Feed Kalitesini Nasıl Ölçebilirsiniz?

AI shopping hazırlığı tek seferlik bir proje değildir. Ürün kataloğu, fiyatlar, stoklar ve platform gereksinimleri sürekli değişir.

Feed kalitesi aşağıdaki metriklerle izlenebilir:

• Zorunlu alan doluluk oranı
• Önerilen attribute doluluk oranı
• Geçerli GTIN ve MPN oranı
• Doğru gruplanmış varyant oranı
• Fiyat ve stok uyumsuzluğu oranı
• Feed ile Product/Offer JSON-LD uyumsuzluğu oranı
• Görsel hatası bulunan ürün sayısı
• Yazı, filigran veya düşük çözünürlük nedeniyle uygun olmayan görsel oranı
• Kategori bazlı veri kalite skoru
• İade, satıcı ve uygunluk alanlarının kapsama oranı
• Reddedilen veya uygun olmayan ürün oranı
• Son başarılı feed gönderim zamanı

Kalite skoru yalnızca katalog genelinde değil, kategori, ülke, kanal ve veri kaynağı bazında da izlenmelidir. Böylece problemin hangi ürün grubunda veya sistemde yoğunlaştığı görülebilir.

Markalar İçin AI-Shopping Ready Feed Checklist’i

Ürün Kimliği

• Her satın alınabilir ürün ve varyantın benzersiz, stabil ID’si var mı?
• GTIN, MPN ve marka bilgileri doğru mu?
• Ana ürün ve varyant ilişkileri doğru kurulmuş mu?
• Ürün bağlantıları doğru varyantı açıyor mu?

İçerik ve Sınıflandırma

• Başlık ürünün ne olduğunu açıkça anlatıyor mu?
• Açıklama kullanım amacı ve ayırt edici özellikleri içeriyor mu?
• Kategori ve ürün tipi doğru mu?
• Kritik attribute alanları eksiksiz ve standart mı?
• Ölçü, beden ve materyal değerleri tutarlı mı?
• Uyumsuzluklar, kullanım sınırları ve gerekli uyarılar açıkça belirtilmiş mi?

Görsel ve Medya

• Ana görsel doğru ürünü gösteriyor mu?
• Varyantların kendi görselleri var mı?
• Görsel bağlantıları erişilebilir mi?
• Ek görsel ve videolar doğru kayıtla eşleşiyor mu?
• Ana görseller net, yüksek çözünürlüklü ve ürünü engelleyen yazı veya filigranlardan arındırılmış mı?

Ticari Veri

• Fiyat ve para birimi doğru mu?
• İndirim tarihleri tanımlı mı?
• Stok her varyant için güncel mi?
• Feed, ürün sayfası ve checkout tutarlı mı?
• Sayfa içi JSON-LD fiyat ve stok bilgileri feed ile eşleşiyor mu?
• Promosyonlar doğru ürünlerle eşleşiyor mu?

Güven ve Uygunluk

• İade koşulları ve istisnaları tanımlı mı?
• Satıcı ve müşteri destek bilgileri güncel mi?
• Yorum ve puan verileri doğru ürünlerle eşleşiyor mu?
• Yasal uyarı ve yaş kısıtlamaları mevcut mu?
• Arama, reklam ve checkout uygunluğu ayrı yönetiliyor mu?

Teslim ve İzleme

• Doğru feed formatı ve teslim yöntemi seçildi mi?
• Güncelleme sıklığı veri değişim hızına uygun mu?
• Başarısız gönderimler için uyarı sistemi var mı?
• Feed kalite metrikleri düzenli izleniyor mu?
• Platform şema değişiklikleri takip ediliyor mu?

Optifeed Bu Süreçte Nasıl Yardımcı Olur?

Optifeed olarak markaların mevcut ürün verilerini analiz ederek AI shopping deneyimlerine daha hazır hale getirmelerine yardımcı oluyoruz.

Kaynak sisteminizde materyal, kullanım amacı veya kategoriye özel attribute’lar eksik mi?
Optifeed AI Enrich ile doğrulanmış ürün başlığı, açıklaması ve mevcut alanlardan ilgili özellikleri çıkararak yapılandırılmış attribute’lara dönüştürüyoruz. Düşük güvenli veya doğrulanamayan sonuçları otomatik yayınlamak yerine kontrol kurallarına yönlendiriyoruz.

Başlık ve açıklamalarınız ürünü anlatıyor ancak kullanıcı niyetini karşılamıyor mu?
Kategori bazlı içerik şablonlarıyla ürünün materyalini, kullanım alanını, hedef kullanıcısını ve ayırt edici özelliklerini doğal bir anlatımla zenginleştiriyoruz. Uyumluluk ve kullanım sınırlarını da uygun alanlara ekleyerek yanlış eşleşme riskini azaltıyoruz.

Ürün ID, GTIN, MPN veya varyant yapınızda tutarsızlık mı var?
Stabil ürün kimliklerini kontrol ediyor, ana ürün-varyant ilişkilerini düzenliyor ve global ürün kimliklerinin doğru kayıtlarla eşleşmesini sağlıyoruz.

Görseller yanlış varyantlara mı bağlı veya kanal standartlarını karşılamıyor mu?
Görsel-varyant eşleşmelerini kontrol ediyor; erişilemeyen, düşük kaliteli, yanlış renk gösteren veya promosyon bindirmesi içeren görselleri tespit ediyoruz.

Feed, ürün sayfası, JSON-LD ve checkout arasında fiyat ya da stok farkları mı oluşuyor?
Ticari verileri kaynak sistemlerden senkronize ediyor, feed ile sayfa içi structured data arasındaki uyumsuzlukları belirliyor ve kanal bazlı kalite kontrolleri oluşturuyoruz.

İade, satıcı, yorum veya uygunluk verileri farklı sistemlerde dağınık mı?
Onaylanmış güven ve compliance bilgilerini ürün kayıtlarıyla eşleştirerek Google, Meta, TikTok, pazaryerleri ve AI platformlarının ihtiyaç duyduğu alanlara dönüştürüyoruz.

Her ülke ve kanal için ayrı feed operasyonu mu yürütüyorsunuz?
Merkezi ürün verisinden dil, para birimi, kategori, yasal uyarı ve kanal şemasına göre uyarlanmış çıktılar oluşturarak çoklu feed operasyonunu ölçeklenebilir hale getiriyoruz.

Feed’inizin hangi alanlarda AI shopping’e hazır olmadığını bilmiyor musunuz?
Product feed analizi, kategori bazlı AI-readiness skoru ve sürekli kalite kontrolleriyle eksik, hatalı veya tutarsız alanları önceliklendiriyoruz.

Bu yaklaşımın amacı yalnızca yeni bir dosya oluşturmak değil, markanın ürün verisini farklı commerce kanallarında kullanılabilecek sürdürülebilir bir altyapıya dönüştürmektir.

Sonuç

AI-shopping ready product feed hazırlamak, mevcut bir reklam feed’ine birkaç yeni alan eklemekten daha kapsamlı bir süreçtir.

Ürün kimlikleri, açıklamalar, kategoriler, attribute’lar, varyantlar, görseller, fiyat, stok, promosyonlar, satıcı bilgileri ve uygunluk verileri birlikte ele alınmalıdır.

En önemli nokta ise bu verilerin yalnızca eksiksiz olması değil; doğru, güncel, tutarlı, karşılaştırılabilir ve farklı platformlara uyarlanabilir olmasıdır.

Markalar için temel hedef şudur:

Ürün verinizi, AI sistemlerinin anlayabileceği ve kullanıcıların güvenle satın alma kararı verebileceği bir commerce altyapısına dönüştürün.