AI อาจแนะนำแบรนด์ของคุณ แต่กลับอ้างอิงนิตยสารแทนเว็บไซต์

แบรนด์ของคุณอาจปรากฏในคำตอบ แต่คลิกอาจไม่ได้มาที่หน้าของคุณ

ลองนึกถึงคำถามซื้อสินค้าที่คุ้นเคย เช่น "เลกกิ้งแบบไหนไม่เห็นทะลุเวลาสควอต" คำตอบจาก AI เอ่ยชื่อแบรนด์ของคุณ ฟังดูเหมือนเป็นชัยชนะ จนกระทั่งลิงก์อ้างอิงพาไปยังเว็บรีวิว ผู้ค้าปลีก หรือกระทู้ Reddit แทนหน้าสินค้าของคุณ

นี่ไม่ใช่แค่รายละเอียดในรายงาน หน้าที่ถูกอ้างอิงได้รับคลิก อธิบายสินค้าให้ผู้ซื้อ และอาจยังเป็นแหล่งข้อมูลในคำตอบครั้งถัดไป แบรนด์ได้การกล่าวถึง แต่ผู้อื่นได้ประตูสู่ความเชื่อมั่นของผู้ซื้อ

งานวิจัยล่าสุดของ Shero Commerce ให้ตัวเลขกับรูปแบบนี้ นักวิจัยวิเคราะห์คำอธิบายสินค้า 8,573 รายการจากร้าน Shopify 1,000 แห่ง และนำคำถามซื้อจริง 60 ข้อไปทดสอบใน Google AI Mode, ChatGPT และ Perplexity ข้อค้นพบที่มีประโยชน์ที่สุดสำหรับทีม ecommerce ไม่ใช่ "เขียนข้อความให้มากขึ้น" แต่คือ เมื่อภาษาสินค้าเดียวกันอยู่บนหลายโดเมน ระบบ AI มีเหตุผลน้อยมากที่จะมองเว็บไซต์แบรนด์ว่าเป็นแหล่งต้นฉบับที่ควรอ้างอิง

การถูกกล่าวถึงแบรนด์ไม่เท่ากับการเป็นเจ้าของคำตอบ เป้าหมายคือให้โมเดลมีเหตุผลชัดเจนที่จะอ้างอิงหน้าของคุณเมื่อแนะนำสินค้า

งานวิจัยแสดงอะไร และไม่ได้พิสูจน์อะไร

วิธีการมีความโปร่งใสผิดปกติ จากร้าน 1,000 แห่ง มี 883 แห่งที่ส่งคืนข้อมูลสินค้าที่ใช้งานได้ นักวิจัยดึงสินค้าสูงสุดสิบรายการต่อร้านจาก feed สาธารณะ และตรวจ HTML ดิบ ข้อมูลมีโครงสร้าง และข้อความที่ซ้ำเมื่อดึงหน้าได้ พวกเขาตรวจการซ้ำภายนอกด้วยการค้นหาประโยคที่มีลักษณะเฉพาะจากคำอธิบายสินค้าภายในเครื่องหมายอัญประกาศ แล้วตรวจยืนยันผลที่ตรงกันด้วยมือ

การทดสอบการอ้างอิงเป็นการสังเกต ไม่ใช่การสร้างแบบจำลอง ทีมป้อนคำถามที่มีเจตนาซื้อในผลิตภัณฑ์ AI สามตัว และบันทึกว่าโดเมนของแบรนด์ถูกอ้างอิงหรือไม่ แบรนด์ถูกแนะนำหรือไม่ หรือไม่ปรากฏเลย สิ่งนี้เพียงพอที่จะอธิบายรูปแบบที่มีความหมาย แต่ไม่ได้พิสูจน์ว่าข้อความซ้ำทำให้หน้าหนึ่งสูญเสียอันดับหรือการอ้างอิง ตัวอย่าง prompt ครอบคลุม 60 หมวดหมู่ และพฤติกรรมการดึงข้อมูลกับการอ้างอิงต่างกันตามสินค้าและจะเปลี่ยนแปลงต่อไป

ภายใต้ข้อจำกัดนี้ ตัวเลขก็ยังยากจะมองข้าม

ในชั้นคำตอบของ Google แบรนด์ DTC ที่มีอยู่แล้วในตัวอย่างถูกอ้างอิงหรือแนะนำเพียง 9.5% ของกรณี และหนึ่งในสามของหมวดหมู่ไม่ได้เอ่ยชื่อแบรนด์ใดเลย แม้แบรนด์จะถูกแนะนำ หน้าของแบรนด์เองก็ได้รับการอ้างอิงสนับสนุนเพียง 31% ของเวลา ส่วนที่เหลือมักไปยังแหล่งอย่าง Good Housekeeping, Verywell Fit, CNN Underscored หรือ Reddit

ความล้มเหลวที่ลึกกว่าคือความเป็นเจ้าของเนื้อหาไม่ชัด ไม่ใช่มีข้อความน้อย

ทีม ecommerce มักวินิจฉัยปัญหานี้เป็นหนึ่งในสองอย่าง: หน้าสินค้าสั้นเกินไป หรือ schema ไม่ครบ ทั้งสองอย่างควรตรวจ แต่การศึกษาชี้ไปยังการวินิจฉัยที่แม่นยำกว่า

ประการแรก ฟิลด์คำอธิบายสินค้ามาตรฐานที่สั้น ไม่ได้แปลว่าหน้านั้นบางเสมอไป ในงานวิจัย สินค้าหลายรายการที่มีคำในฟิลด์มาตรฐานน้อยกว่า 50 คำยังมีโมดูล แท็บ และรายละเอียดเฉพาะสินค้าใน HTML ดิบ การตรวจเพียงหนึ่งฟิลด์อาจทำให้เข้าใจหน้าที่มีเนื้อหามากว่าเป็นหน้าบาง

ประการที่สอง หน้าที่ดูมีข้อมูลมากสำหรับผู้ซื้ออาจอ่อนแอสำหรับ crawler หากคำกล่าวอ้างสำคัญอยู่เฉพาะในรูปภาพ หรือถูกฉีดหลัง JavaScript ทำงาน หน้าที่ดึงมาอาจมีข้อมูลน้อยมาก นี่คือเหตุผลที่ข้อสังเกตเรื่องคำอธิบายข้อมูลมีโครงสร้างมีความสำคัญ ร้านส่วนใหญ่ส่งออก Product schema แต่หลายร้านปล่อยฟิลด์ description ให้บางเกินกว่าจะอธิบายสินค้าได้

ประการที่สาม ซึ่งเป็นข้อสังเกตที่มีประโยชน์ที่สุด ย่อหน้าสไตล์ผู้จัดหาสูญเสียคุณค่าในฐานะแหล่งข้อมูลเมื่อปรากฏบน Amazon เว็บไซต์ห้างสรรพสินค้า หน้าผู้จัดจำหน่าย และเว็บไซต์แบรนด์ นี่ไม่ได้หมายความว่าเครื่องมือค้นหากำลัง "ลงโทษ" หน้าใดหน้าหนึ่ง ระบบเห็นข้อความที่เกือบเหมือนกันหลายชุด และมีหลักฐานเชิงข้อความน้อยมากที่จะบอกว่าแหล่งใดมีประโยชน์หรือเป็นต้นฉบับกว่า ผู้เผยแพร่ที่เขียนการเปรียบเทียบ รีวิว หรือคำอธิบายกรณีใช้งานอย่างอิสระจึงดูเป็นแหล่งที่ดีกว่าสำหรับคำตอบ

คำถามเชิงปฏิบัติไม่ใช่ "เรามีข้อความสินค้าหรือไม่" อีกแล้ว แต่คือข้อความนั้นเป็นของสินค้านี้หรือไม่ ปรากฏเป็นข้อความที่ crawler อ่านได้หรือไม่ ตอบคำถามจริงของผู้ซื้อหรือไม่ และให้มากกว่าเวอร์ชัน syndicate ที่ส่งให้ทุกช่องทางหรือไม่

คำอธิบายภาพ: แสดงข้อความสินค้าเดียวกันที่ไหลจากเว็บไซต์แบรนด์ไปยังผู้ค้าปลีกและ marketplace ข้างกันเป็นหน้า editorial ที่มีการทดสอบและเปรียบเทียบต้นฉบับซึ่งได้รับการอ้างอิง AI ห้ามใช้โลโก้สิ่งพิมพ์จริง

เหตุใด AI อาจอ้างอิงนิตยสารแทนเว็บไซต์แบรนด์

เป็นเรื่องน่าดึงดูดที่จะอธิบายทั้งหมดด้วยอำนาจของผู้เผยแพร่ แต่นั่นสะดวกเกินไป ผู้เผยแพร่มักให้ข้อมูลแก่โมเดลที่หน้าสินค้าไม่มี

รีวิวอาจบอกได้ว่าผ้าเห็นทะลุเวลาสควอตหรือไม่ ทรงเหมาะกับรูปร่างแบบใด สินค้าอยู่ทนอย่างไรเมื่อเวลาผ่านไป หรือเทียบกับทางเลือกอื่นอย่างไร หน้าสินค้าที่มีแต่คำอย่าง "น้ำหนักเบา" "สบาย" และ "ออกแบบเพื่อประสิทธิภาพทุกวัน" ให้หลักฐานน้อยมากสำหรับคำแนะนำซื้อ

คำตอบไม่ใช่การเลียนแบบร้อยแก้วนิตยสาร หรือเติมย่อหน้าทั่วไปให้ทุก SKU แต่คือทำให้หน้าสินค้ามีข้อมูล first-party: ข้อเท็จจริงเฉพาะสินค้า ขอบเขตที่เหมาะและไม่เหมาะชัดเจน สเปกจริง และคำตอบง่ายๆ สำหรับคำถามผู้ซื้อ

สร้างหน้าสินค้าที่ระบุว่าเป็นของแบรนด์คุณได้ใหม่

ทีมส่วนใหญ่ไม่ควรพยายามเขียนแคตตาล็อกทั้งหมดใหม่ในครั้งเดียว เริ่มจากสินค้าที่มีเจตนาซื้อสูง แล้วสร้างข้อมูลสี่ชั้นใหม่ ไม่มีชั้นใดรับประกันการอ้างอิงจาก AI แต่เมื่อนำมารวมกัน จะลดโอกาสที่เว็บไซต์ของคุณเป็นเพียงสำเนาอีกชุดของคำอธิบายช่องทาง

มีความต่างสำคัญอยู่ตรงนี้ ช่องทางต้องการข้อเท็จจริงสินค้าที่สอดคล้องกัน เว็บไซต์แบรนด์ต้องการคำอธิบาย first-party เพิ่มเติม รักษาข้อมูล SKU วัสดุ กฎราคา และข้อมูลความปลอดภัยให้สอดคล้องทุกที่ที่ขายสินค้า แต่อย่าให้เว็บไซต์แบรนด์หยุดที่ย่อหน้ามาตรฐานซึ่งส่งให้ผู้ค้าต่อ อธิบายว่าทำไมสินค้าจึงเหมาะกับกรณีใช้งานหนึ่ง อะไรเปลี่ยนไปจากรุ่นก่อน และผู้ซื้อควรตรวจอะไรก่อนซื้อ นี่คือชั้นเนื้อหาที่เว็บไซต์ของคุณเท่านั้นจะครอบครองได้

คำอธิบายภาพ: แผนภาพกายวิภาคหน้าสินค้าสี่ชั้น ติดป้ายจุดสัมผัส HTML ดิบและ Product schema ต้องเป็นแผนภาพข้อมูลเชิง editorial ไม่ใช่ dashboard ซอฟต์แวร์จำลอง

ลำดับเริ่มต้นที่สมเหตุสมผลสำหรับทีมเนื้อหา

อย่าเริ่มด้วยคำสั่ง "เขียนคำอธิบายทั้งหมดใหม่" ให้ทำรอบการทำงานขนาดเล็กที่ตรวจสอบได้แทน

1. เลือก 20-50 SKU ที่ใกล้การตัดสินใจซื้อที่สุด ให้ความสำคัญกับสินค้าที่มี organic demand มีการกระจายผ่านผู้ค้าต่อกว้าง หรืออยู่ในคำค้น "ดีที่สุด" "สำหรับ [กรณีใช้งาน]" และการเปรียบเทียบ
2. สร้างแผ่นข้อเท็จจริงสำหรับแต่ละ SKU รวบรวมสเปก วัสดุ ความพอดี ข้อจำกัด ความต่างจากรุ่นใกล้เคียง และหลักฐานการทดสอบหรือการรับรองสาธารณะ หากยืนยันคำกล่าวอ้างไม่ได้ อย่าให้ AI แต่งขึ้น
3. เปรียบเทียบกับการซ้ำภายนอก ค้นหาหนึ่งหรือสองประโยคที่มีลักษณะเฉพาะจากคำอธิบายสินค้าในเครื่องหมายอัญประกาศ เพื่อดูว่าปรากฏที่ใด เป้าหมายไม่ใช่ลบ listing ทุกช่องทาง แต่คือหาสิ่งที่หน้าสินค้าไม่ได้อธิบายอย่างมีเอกลักษณ์
4. เขียนสรุปการซื้อ คำอธิบายยาว และ FAQ ผู้ซื้อจริงสำหรับเว็บไซต์แบรนด์ใหม่ จากนั้นยืนยันว่าข้อความที่อนุมัติปรากฏใน HTML ที่เซิร์ฟเวอร์ส่งกลับและในคำอธิบายข้อมูลมีโครงสร้าง
5. ติดตามชุด prompt การซื้อที่กำหนดไว้ก่อนและหลังทำงาน บันทึกว่าแบรนด์ปรากฏหรือไม่ โดเมนใดได้รับการอ้างอิง และ landing page ตรงกับคำถามหรือไม่ ให้ถือเป็นวงจรการสังเกต ไม่ใช่หลักฐานเหตุและผลระยะสั้น

การเพิ่ม schema ทั่วเว็บไซต์อาจเร็วกว่า การสร้างคำอธิบายคล้ายกัน 5,000 รายการก็อาจเร็วกว่าเช่นกัน แต่ไม่มีอย่างใดแก้ปัญหา attribution ได้ หากหน้าแบรนด์ยังไม่มีข้อมูลที่คู่แข่ง ผู้ค้าปลีก และผู้เผยแพร่ไม่มี

ข้อสรุปผิดสี่ข้อที่ควรหลีกเลี่ยง

ข้อความสินค้าซ้ำทำให้เกิดโทษในการค้นหา งานวิจัยไม่ได้กล่าวเช่นนั้น Google อธิบายมานานแล้วว่าจัดการเวอร์ชันซ้ำด้วยการเลือก canonical ข้อค้นพบนี้เกี่ยวกับการเลือกแหล่งข้อมูลในการอ้างอิง AI ไม่ใช่กลไกลงโทษ

ห้าสิบคำคือเป้าหมาย ห้าสิบคำเป็นเกณฑ์วัด ไม่ใช่เลขมหัศจรรย์ แปดสิบคำที่คลุมเครือก็ยังให้สิ่งที่ answer engine นำไปอ้างอิงได้น้อยมาก

Schema เพียงอย่างเดียวแก้ปัญหาได้ Schema ช่วยให้เครื่องตีความหน้า แต่สร้างเนื้อหาสาระเฉพาะสินค้าที่หน้าขาดไม่ได้ description ภายในควรเป็นสรุปที่เรียบเรียงแล้ว ไม่ใช่เปลือกว่าง

การอ้างอิงผู้เผยแพร่ดีพอๆ กับการอ้างอิงแบรนด์ อาจช่วยการรับรู้ แต่บุคคลที่สามได้รับคลิกที่มีเจตนาสูงและครอบครองคำอธิบายสินค้า แบรนด์เสียโอกาสโดยตรงในการเปลี่ยนเป็นลูกค้า อธิบาย และสร้างหลักฐาน first-party

มุมมองของ Auspia: ขยายงานเขียนไปยังทุกหน้าที่สมควรถูกอ้างอิง

การค้นหาด้วย AI ทำลายสมมติฐานเนื้อหาเก่า: หากคนเห็นชื่อแบรนด์ เว็บไซต์แบรนด์จะได้ประโยชน์โดยธรรมชาติ ตอนนี้หน้าสำคัญต้องมีเนื้อหาที่ระบุแหล่งได้ ไม่ใช่แค่ย่อหน้าที่นำกลับใช้ซ้ำข้ามช่องทางได้

นี่คือจุดที่ความสามารถด้านการเขียนและบริการเนื้อหาของ Auspia เหมาะสม เริ่มจากคำถามของผู้ซื้อและข้อเท็จจริงสินค้าที่ตรวจสอบแล้ว ใช้ Auspia สร้างร่างแรกที่มีโครงสร้าง จากนั้นให้คนที่รู้จักสินค้าเพิ่มรายละเอียด ข้อจำกัด และประสบการณ์เฉพาะที่ตรวจสอบได้ แล้วเปลี่ยนงานนั้นเป็นหน้าสินค้า คู่มือซื้อ หน้าการเปรียบเทียบ หรือ FAQ แทนการคัดลอกคำอธิบายทั่วไปเดียวกันไปทุกช่องทาง

สำหรับแคตตาล็อก SKU ขนาดใหญ่ Auspia ช่วยรวมการวิจัย การเขียน และการตรวจเนื้อหาไว้ใน workflow เดียว: ระบุคำถามซื้อที่ควรชนะ สร้างและตรวจเนื้อหาหน้าต้นฉบับ แล้วตรวจว่าหน้าสำคัญมีวัสดุชัดเจนที่ crawler อ่านได้ซึ่งสนับสนุนคำตอบหรือไม่ เครื่องมือพิสูจน์สินค้าให้คุณไม่ได้ และไม่ควรสร้างหลักฐานเทียม หน้าที่ของมันคือทำให้การผลิตและตรวจเนื้อหาต้นฉบับทำต่อเนื่องได้ง่ายขึ้น

เริ่มจากกลุ่มสินค้าที่มีเจตนาซื้อสูงขนาดเล็ก เขียนคำอธิบายที่มีแต่แบรนด์เท่านั้นให้ได้ แล้วดูว่ารูปแบบแหล่งข้อมูลในคำตอบ AI เปลี่ยนอย่างไร คุณเริ่ม workflow นี้ได้ด้วย Auspia

คำถามที่พบบ่อย

หาก AI แนะนำแบรนด์ของฉันแต่ไม่อ้างอิงเว็บไซต์ ฉันควรทำอะไรไหม

ควร การกล่าวถึงแบรนด์มีค่า แต่การอ้างอิงกำหนดว่าผู้ซื้อจะคลิกที่ใดและหน้าใดอธิบายสินค้า ก่อนอื่นตรวจว่าเว็บไซต์มีข้อมูลที่แตกต่างและ crawler อ่านได้ซึ่งตอบคำถามซื้อโดยตรงหรือไม่

ผู้ค้าปลีกและ marketplace ต้องลบคำอธิบายสินค้าของฉันไหม

ไม่ต้อง ช่องทางต้องการข้อเท็จจริงพื้นฐานที่ถูกต้องและสอดคล้อง วิธีที่ใช้งานได้จริงกว่าคือให้เว็บไซต์แบรนด์มีชั้นบริบทสินค้า ความแตกต่าง ขอบเขตความเหมาะสม และคำตอบซื้อที่ลึกกว่าซึ่งหน้าช่องทางไม่มี

ฉันควรเขียนบทความบล็อกก่อนหรือปรับปรุงหน้าสินค้าก่อน

หากคำถามผู้ซื้อจับคู่กับ SKU โดยตรง ให้เริ่มจากหน้าสินค้า หากต้องการการให้ความรู้ การเปรียบเทียบ หรือบริบทการใช้ คู่มือซื้อ หน้าการเปรียบเทียบ หรือบทความบล็อกอาจเป็นรูปแบบที่ดีกว่า ทั้งสองควรให้ข้อมูลต่างกัน แทนที่จะซ้ำกัน

ผู้เขียน: Eva Laurent นักกลยุทธ์การค้นหา ecommerce ของ Auspia สำหรับหน้าสินค้ามากกว่า 10,000 หน้า เธอเขียนเรื่อง ecommerce SEO การค้นพบสินค้า และเส้นทางช้อปปิ้งที่มี AI ช่วยเหลือ