AI יכול להמליץ על המותג שלכם אבל לצטט מגזין במקום האתר

המותג שלכם עשוי להופיע בתשובה, אבל הקליק לא בהכרח יגיע לעמוד שלכם

דמיינו שאילתת קנייה מוכרת: "אילו טייצים לא נעשים שקופים בזמן סקוואט?" תשובת AI מזכירה את המותג שלכם. זה נשמע כמו ניצחון, עד שהציטוט מפנה לאתר ביקורות, לקמעונאי או לשרשור ב-Reddit במקום לעמוד המוצר שלכם.

זו אינה רק נקודת דיווח קטנה. העמוד המצוטט מקבל את הקליק, מסביר לקונה את המוצר, ועשוי להישאר מקור בתשובות עתידיות. המותג מקבל אזכור; מישהו אחר מקבל את שער הכניסה לאמון.

מחקר עדכני של Shero Commerce מצמיד מספרים לדפוס הזה. החוקרים ניתחו 8,573 תיאורי מוצרים ב-1,000 חנויות Shopify והציגו 60 שאלות קנייה אמיתיות ל-Google AI Mode, ל-ChatGPT ול-Perplexity. הממצא השימושי ביותר לצוותי ecommerce אינו "כתבו יותר טקסט". הוא זה: כאשר אותה שפת מוצר מופיעה בכמה דומיינים, למערכת AI יש מעט מאוד סיבה להתייחס לאתר המותג כאל המקור המקורי שכדאי לצטט.

אזכור מותג אינו זהה לבעלות על התשובה. המטרה היא לתת למודל סיבה ברורה לצטט את העמוד שלכם כשהוא ממליץ.

מה המחקר מראה ומה הוא לא מוכיח

השיטה שקופה באופן יוצא דופן. מתוך 1,000 חנויות, 883 החזירו נתוני מוצר שימושיים. החוקרים משכו עד עשרה מוצרים לכל חנות מ-feed-ים ציבוריים ובדקו HTML גולמי, נתונים מובנים וטקסט חוזר כאשר ניתן היה להביא את העמודים. הם בדקו כפילויות חיצוניות באמצעות חיפוש משפטים ייחודיים מתיאורי מוצרים במירכאות ואישור ידני של התאמות.

מבחן הציטוטים היה תצפיתי ולא מודל. הצוות הזין שאלות בעלות כוונת קנייה לשלושה מוצרי AI ורשם האם הדומיין של המותג עצמו צוטט, האם המותג הומלץ, או האם הוא לא הופיע כלל. די בכך כדי לתאר דפוס משמעותי. אין בכך הוכחה שטקסט כפול גורם לעמוד מסוים לאבד דירוגים או ציטוטים. מדגם הפרומפטים מכסה 60 קטגוריות, והתנהגות האחזור והציטוט שונה בין מוצרים ותמשיך להשתנות.

בגבולות האלה, קשה להתעלם מהמספרים.

בשכבת התשובות של Google, מותגי DTC מבוססים במדגם צוטטו או הומלצו רק ב-9.5% מהמקרים, ושליש מהקטגוריות לא הזכיר אף אחד מהם. גם כאשר מותג הומלץ, העמוד שלו קיבל את הציטוט התומך רק ב-31% מהמקרים. השאר הלך לעיתים קרובות למקורות כמו Good Housekeeping, Verywell Fit, CNN Underscored או Reddit.

הכשל העמוק אינו מחסור בטקסט אלא בעלות לא ברורה על המקור

צוותי ecommerce מאבחנים זאת לרוב כאחת משתי בעיות: עמוד המוצר קצר מדי או שה-schema אינו שלם. כדאי לבדוק את שתיהן, אך המחקר מצביע על אבחון מדויק יותר.

ראשית, שדה תיאור מוצר סטנדרטי קצר לא בהכרח אומר שהעמוד דל. במחקר, למוצרים רבים עם פחות מ-50 מילים בשדה התיאור הסטנדרטי עדיין היו מודולים, לשוניות ופרטים ייחודיים למוצר ב-HTML הגולמי. ביקורת של שדה אחד יכולה לטעות ולראות עמוד עשיר כעמוד דק.

שנית, עמוד שנראה עשיר לקונה עלול להיות חלש עבור crawler. אם טענות חשובות נמצאות רק בתמונות או מוזרקות לאחר הפעלת JavaScript, העמוד שנשלף עשוי להכיל מעט מאוד מידע. לכן ההערה של המחקר על תיאורי נתונים מובנים חשובה: רוב החנויות מוציאות Product schema, אך רבות משאירות את שדה description דל מדי כדי להסביר את המוצר.

שלישית, וזו התצפית השימושית ביותר, פסקה בסגנון ספק מאבדת את ערכה כמקור כאשר היא מופיעה ב-Amazon, באתרי כלבו, אצל מפיצים ובאתר המותג. אין פירוש הדבר שמנוע "מעניש" עמוד כלשהו. המערכת רואה כמה טענות כמעט זהות ומעט מאוד ראיות טקסטואליות לדעת איזה מקור שימושי או מקורי יותר. מפרסם שכתב השוואה, ביקורת או הסבר עצמאי של תרחיש שימוש נראה אז כמקור טוב יותר לתשובה.

השאלה המעשית כבר אינה "האם יש לנו טקסט מוצר?". השאלה היא האם הטקסט הזה שייך למוצר הזה, מופיע כטקסט שניתן לסריקה, עונה על שאלה אמיתית של קונה, ומציע יותר מהגרסה הסינדיקטיבית שנשלחת לכל ערוץ.

תיאור חזותי: הציגו טקסט מוצר זהה הזורם מאתר המותג לקמעונאים ול-marketplace. לידו עמוד עריכתי עם בדיקות והשוואות מקוריות מקבל את ציטוט ה-AI. אין להשתמש בלוגואים של פרסומים אמיתיים.

למה AI עשוי לצטט מגזין במקום את אתר המותג

מפתה להסביר הכול בסמכות של מפרסמים. זו הסבר נוח מדי. מפרסמים נותנים לעיתים קרובות למודל מידע שאינו קיים בעמוד המוצר.

ביקורת יכולה לומר אם בד נהיה שקוף בזמן סקוואט, לאילו מבני גוף מתאים גזרה, כיצד מוצר החזיק מעמד לאורך זמן, או איך הוא משתווה לחלופות. עמוד מוצר שמורכב מביטויים כמו "קל", "נוח" ו"נבנה לביצועים יומיומיים" נותן למודל מעט מאוד ראיות להמלצת קנייה.

התשובה אינה לחקות פרוזה של מגזין או למלא כל SKU בפסקאות כלליות. עמודי מוצר צריכים לשאת מידע first-party: עובדות ייחודיות למוצר, גבולות ברורים של מתאים ולא מתאים, מפרטים אמיתיים ותשובות פשוטות לשאלות קונים.

בנו מחדש עמוד מוצר שאפשר לייחס למותג שלכם

רוב הצוותים לא צריכים לנסות לכתוב מחדש קטלוג שלם בבת אחת. התחילו במוצרים בעלי כוונת קנייה גבוהה ובנו מחדש ארבע שכבות מידע. אף אחת מהן אינה מבטיחה ציטוט AI, אך יחד הן מקטינות את הסיכוי שהאתר יהיה רק עוד עותק של תיאור הערוץ.

יש כאן הבחנה חשובה. ערוצים צריכים עובדות מוצר עקביות. אתר המותג צריך הסבר first-party נוסף. שמרו על נתוני SKU, חומרים, כללי תמחור ומידע בטיחות עקביים בכל מקום שבו המוצר נמכר. אבל אל תעצרו את אתר המותג בפסקה הסטנדרטית שנמסרה למשווקים. הסבירו מדוע המוצר מתאים לתרחיש שימוש, מה השתנה מהדגם הקודם ומה קונה צריך לבדוק לפני הקנייה. זו שכבת התוכן שרק האתר שלכם יכול להחזיק.

תיאור חזותי: תרשים אנטומיה בן ארבע רמות של עמוד מוצר. סמנו נקודות מגע של HTML גולמי ו-Product schema. זה צריך להיות תרשים מידע עריכתי, לא לוח בקרה מדומה של תוכנה.

רצף התחלה הגיוני לצוותי תוכן

אל תתחילו בהנחיה "לכתוב מחדש את כל התיאורים". הפעילו במקום זאת איטרציה קטנה שניתן לבדוק.

1. בחרו 20-50 SKU הקרובים ביותר להחלטת קנייה. תעדפו מוצרים עם ביקוש אורגני, הפצה רחבה דרך משווקים או הופעה בשאילתות "הטוב ביותר", "עבור [תרחיש שימוש]" והשוואות.
2. צרו דף עובדות לכל SKU. אספו מפרטים, חומרים, התאמה, מגבלות, הבדלים מול דגמים קרובים וכל ראיה ציבורית לבדיקה או הסמכה. אם אי אפשר לתמוך בטענה, אל תתנו ל-AI להמציא אותה.
3. השוו מול כפילות חיצונית. חפשו במירכאות משפט או שניים ייחודיים מתיאור המוצר כדי לראות היכן הם מופיעים. המטרה אינה להסיר כל listing של ערוץ, אלא למצוא מה עמוד המוצר אינו מסביר באופן ייחודי.
4. כתבו מחדש את סיכום הקנייה, התיאור הארוך ו-FAQ קונים אמיתי לאתר המותג. לאחר מכן אשרו שהטקסט המאושר מופיע ב-HTML שהשרת מחזיר ובתיאור הנתונים המובנים.
5. עקבו אחרי קבוצה קבועה של prompts לקנייה לפני העבודה ואחריה. תעדו אם המותג מופיע, אילו דומיינים מקבלים ציטוטים ואם עמוד הנחיתה מתאים לשאלה. התייחסו לכך כאל לולאת תצפית, לא כהוכחת סיבתיות בטווח הקצר.

הוספת schema לכל האתר עשויה להיות מהירה יותר. יצירת 5,000 תיאורים דומים עשויה להיות מהירה יותר גם היא. אף אפשרות לא תפתור את בעיית הייחוס אם לעמוד המותג עדיין אין מידע שאין למתחרים, לקמעונאים ולמפרסמים.

ארבע מסקנות שגויות שכדאי להימנע מהן

טקסט מוצר כפול גורם לעונש בחיפוש. המחקר לא אומר זאת. Google מסביר זמן רב שהוא מטפל בגרסאות כפולות באמצעות בחירת canonical. הממצא כאן עוסק בבחירת מקור בציטוטי AI, לא במנגנון ענישה.

חמישים מילים הן היעד. חמישים מילים היו סף מדידה, לא מספר קסם. שמונים מילים עמומות עדיין נותנות למנוע תשובות מעט מאוד מה לצטט.

Schema לבדו פותר את הבעיה. Schema עוזר למכונות לפרש עמוד. הוא אינו יכול ליצור את המהות הייחודית למוצר שחסרה בעמוד. ה-description שבתוכו צריך להיות סיכום ערוך, לא מעטפת ריקה.

ציטוט של מפרסם טוב כמו ציטוט של מותג. הוא עשוי לעזור למודעות, אבל הצד השלישי מקבל את הקליק בעל הכוונה הגבוהה ומחזיק בהסבר המוצר. המותג מפסיד הזדמנות ישירה להמיר, להבהיר ולבנות ראיות first-party.

נקודת המבט של Auspia: הרחיבו את עבודת הכתיבה לכל עמוד ששווה לצטט

חיפוש AI שובר הנחת תוכן ישנה: אם אנשים רואים את שם המותג, אתר המותג ייהנה באופן טבעי. כיום עמודים חשובים זקוקים לתוכן שניתן לייחס, לא רק לפסקה שאפשר לעשות בה שימוש חוזר בערוצים.

כאן מתאימים יכולת הכתיבה ושירותי התוכן של Auspia. התחילו בשאלות קונים ובעובדות מוצר מאומתות. השתמשו ב-Auspia כדי ליצור טיוטה ראשונה מובנית, ואז תנו לאנשים שמכירים את המוצר להוסיף פרטים, מגבלות וניסיון שניתן לבדוק. לאחר מכן עצבו את העבודה לעמוד מוצר, מדריך קנייה, עמוד השוואה או FAQ במקום להעתיק תיאור כללי אחד לכל ערוץ.

בקטלוגי SKU גדולים, Auspia עוזרת לאחד מחקר, כתיבה ובדיקת תוכן ב-workflow אחד: לזהות שאלות קנייה שכדאי לזכות בהן, ליצור ולבדוק תוכן עמוד מקורי, ואז לוודא שבעמודי העדיפות יש חומר ברור שניתן לסריקה ושיכול לתמוך בתשובה. כלי אינו יכול להוכיח את המוצר שלכם ואינו צריך להמציא ראיות. תפקידו הוא להפוך יצירה ובדיקה של תוכן מקורי לקלות יותר לתחזוקה.

התחילו בקבוצה קטנה של מוצרים בעלי כוונה גבוהה. כתבו את ההסברים שרק המותג יכול לספק, ואז צפו כיצד דפוסי המקור משתנים בתשובות AI. אפשר להתחיל את ה-workflow הזה עם Auspia .

שאלות נפוצות

אם AI ממליץ על המותג שלי אבל לא מצטט את האתר שלי, האם עליי לפעול?

כן. לאזכור מותג יש ערך, אך הציטוט קובע לאן הקונה ילחץ ואיזה עמוד יסביר את המוצר. בדקו תחילה אם האתר מכיל מידע מובחן ונגיש לסריקה שעונה ישירות על שאלת הקנייה.

האם קמעונאים ו-marketplace צריכים להסיר את תיאור המוצר שלי?

לא. ערוצים צריכים עובדות בסיס מדויקות ועקביות. הגישה המעשית יותר היא לתת לאתר המותג שכבה עמוקה יותר של הקשר מוצר, הבדלים, גבולות התאמה ותשובות קנייה שאין בעמודי הערוצים.

האם כדאי לכתוב קודם פוסט בבלוג או לשפר את עמוד המוצר?

אם שאלת הקונה תואמת ישירות ל-SKU, התחילו בעמוד המוצר. אם היא דורשת חינוך, השוואה או הקשר שימוש, מדריך קנייה, עמוד השוואה או פוסט בבלוג עשויים להיות הפורמט הטוב יותר. שניהם צריכים לתרום מידע שונה במקום לחזור זה על זה.

כותבת: Eva Laurent, אסטרטגית חיפוש ecommerce ב-Auspia עבור יותר מ-10,000 עמודי מוצר. היא כותבת על ecommerce SEO, גילוי מוצרים ומסעות קנייה בסיוע AI.