Automatyzacja opisów ofert bez utraty jakości

Sklep z 4 tysiącami SKU nie doczeka się ręcznie napisanych opisów. Copywriter zrobi 15 dziennie, więc pełny katalog zajmie mu rok, a w tym czasie połowa asortymentu zdąży się wymienić. Stąd pytanie, które pada dziś w każdym większym e-commerce: jak wygląda automatyzacja opisów produktów, która nie kończy się tysiącem stron generycznego tekstu do skasowania po trzech miesiącach.

Odpowiedź nie leży w wyborze modelu językowego. Leży w tym, co podajesz na wejściu i co odrzucasz na wyjściu. Poniżej workflow, który działa w praktyce: źródło danych, szablon promptu, warianty, próg akceptacji i pomiar efektu.

Kiedy automatyzacja ma sens, a kiedy nie

Automatyzacja opłaca się tam, gdzie produkty są powtarzalne i dobrze opisane danymi. Części zamienne, materiały budowlane, chemia, komponenty elektroniczne, odzież robocza: wszystko, co ma tabelę parametrów i przewidywalny zestaw zastosowań. Model nie musi niczego wymyślać, tylko przełożyć strukturę danych na zdania.

Nie opłaca się w trzech przypadkach. Po pierwsze, przy produktach flagowych, które generują większość przychodu: te zasługują na pracę człowieka, bo tam liczy się każdy punkt konwersji. Po drugie, przy kategoriach, gdzie decyzja zakupowa opiera się na emocji, a nie na parametrach. Po trzecie, gdy nie masz danych, bo dostawca przysłał feed z trzema polami i zdjęciem. Model wtedy zgaduje, a zgadywanie w opisie produktu to reklamacje i zwroty.

Praktyczna zasada: automatyzuj ogon, pisz ręcznie głowę. Jeśli 200 produktów odpowiada za 70 procent obrotu, tych 200 pisze człowiek, a pozostałe 3800 przechodzi przez pipeline.

Źródło danych: feed i specyfikacje

Cały projekt stoi lub upada na jakości wejścia. Zanim uruchomisz jakikolwiek prompt, zbuduj jedno źródło prawdy o produkcie: znormalizowany rekord, który łączy feed od dostawcy, własne atrybuty z systemu ERP i dane z karty katalogowej.

Minimalny zestaw pól, który pozwala napisać sensowny opis:

• nazwa handlowa i nazwa techniczna (często się różnią),
• marka, seria, numer katalogowy producenta,
• 5 do 12 parametrów mierzalnych z jednostkami,
• zastosowanie: do czego to służy, w jakim kontekście,
• kompatybilność: z czym współpracuje, z czym nie,
• zawartość zestawu,
• wyróżnik wobec tańszego odpowiednika.

Ostatnie dwa pola są najczęściej pomijane i to one najbardziej ratują tekst. Bez nich model produkuje opis, który pasuje do 40 innych produktów w kategorii.

Wprowadź twardą regułę: rekord z mniej niż pięcioma parametrami nie wchodzi do generacji. Ląduje w kolejce do uzupełnienia. Lepiej mieć 1200 opisanych produktów i 2600 czekających, niż 3800 tekstów, z których połowa jest pusta w środku.

Szablon promptu z twardymi ograniczeniami

Prompt do generowania opisów nie jest prośbą, tylko specyfikacją. Trzy warstwy, które muszą się w nim znaleźć.

Warstwa danych. Cały znormalizowany rekord wklejony jako ustrukturyzowany blok, a nie streszczony prozą. Model ma czytać z tabeli, nie z opowieści.

Warstwa struktury. Dokładnie określony układ wyjścia: akapit otwierający (2 zdania, odpowiedź na pytanie „co to jest i do czego”), sekcja zastosowań, tabela parametrów, sekcja kompatybilności, akapit zamykający z wyróżnikiem. Ten sam układ w całym katalogu ułatwia życie zarówno użytkownikowi, jak i systemom, które parsują stronę. Szerzej opisaliśmy to w tekście o tym, jak budować opisy produktów pod AI.

Warstwa zakazów. Najważniejsza i zwykle najkrótsza. Model dostaje listę: nie używaj przymiotników wartościujących bez pokrycia w danych, nie pisz „najlepszy”, „rewolucyjny”, „idealny”, nie wymyślaj parametrów spoza rekordu, nie obiecuj terminów dostawy, nie porównuj do konkretnych marek konkurencji. Jeśli brakuje danych do sekcji, pomiń sekcję zamiast ją wypełniać watą.

Do tego limit: 140 do 220 słów na opis krótki, 320 do 450 na rozbudowany. Dłuższy tekst przy ubogich danych to prosta droga do powtórzeń.

Warianty tekstu przeciw duplikacji

Największe ryzyko przy generowaniu setek opisów to nie plagiat z zewnątrz, tylko autoduplikacja wewnątrz własnego katalogu. Model dostaje bardzo podobne rekordy i zwraca bardzo podobne zdania, zwłaszcza w otwarciu i zamknięciu.

Trzy mechanizmy, które to rozbijają:

1. Rotacja szkieletu. Przygotuj 4 do 6 wariantów kolejności sekcji i przypisuj je do produktów deterministycznie, na przykład po reszcie z dzielenia numeru katalogowego.
2. Kotwiczenie w atrybucie. Wymuś, żeby pierwsze zdanie zawierało konkretny parametr odróżniający produkt od rodzeństwa w kategorii: średnicę, moc, pojemność, rozmiar.
3. Kontrola podobieństwa po fakcie. Policz podobieństwo każdego nowego opisu do już istniejących w tej samej kategorii. Prosty shingling na 5 wyrazach plus współczynnik Jaccarda wystarczy. Powyżej 0,75 tekst wraca do regeneracji z innym szkieletem.

Ten trzeci punkt jest tani do wdrożenia i wyłapuje 90 procent problemu. Bez niego duplikaty zauważysz dopiero wtedy, gdy kategoria przestanie rosnąć.

Kontrola jakości i próg akceptacji

Pipeline bez bramki jakości to nie automatyzacja, tylko masowa produkcja długu. Bramka powinna być automatyczna i binarna: tekst przechodzi albo wraca.

Ostatni wiersz jest kluczowy. Automat sprawdzi zgodność liczb, ale nie oceni, czy tekst brzmi jak napisany przez kogoś, kto rozumie produkt. Losowa próbka 5 procent, oceniana przez jedną osobę według stałej skali, kosztuje kilkanaście minut na partię i chroni przed publikacją całej serii słabych opisów.

Publikacja partiami i pomiar efektu

Nie wrzucaj 3000 opisów jednego dnia. Nie z powodu mitycznej kary, tylko dlatego, że stracisz możliwość pomiaru. Partia po 150 do 300 produktów, co 5 do 7 dni, daje czytelny obraz.

Co mierzyć, licząc od 28 dni po publikacji partii: liczbę zaindeksowanych kart, wyświetlenia i kliknięcia w Search Console dla ścieżki kategorii, współczynnik konwersji na kartach z nowym opisem wobec kart bez opisu oraz udział ruchu z zapytań long tail zawierających parametry. Ten ostatni wskaźnik najszybciej pokazuje, czy opisy realnie dokładają zasięg, czy tylko wypełniają miejsce.

Warto też sprawdzić widoczność w odpowiedziach generatywnych, bo dobrze ustrukturyzowany katalog cytuje się łatwiej. Ten wątek rozwijamy w materiale o tym, jak wygląda AIO dla e-commerce od strony feedu i kategorii.

Jeśli po dwóch partiach metryki stoją w miejscu, problem jest w danych wejściowych albo w strukturze kategorii, nie w modelu. Zmiana dostawcy LLM niczego nie naprawi. Przy okazji sprawdź, czy strony nadrzędne w ogóle nadążają za katalogiem: temat opisaliśmy w tekście o tym, jak przygotować strony kategorii w sklepie.

Ryzyko sygnałów skalowanej treści

Google nie zabrania używania modeli językowych. Zabrania masowego produkowania stron bez wartości dla użytkownika, co opisuje w polityce dotyczącej nadużyć związanych ze skalowaną treścią. Różnica jest cienka, ale mierzalna i sprowadza się do trzech rzeczy.

Pierwsza: czy opis zawiera informację, której nie ma w tabeli parametrów. Jeśli tekst tylko przepisuje specyfikację innymi słowami, nie wnosi nic. Druga: czy strony różnią się od siebie w warstwie merytorycznej, a nie tylko liczbami. Trzecia: czy publikujesz produkty, które faktycznie masz w ofercie, czy generujesz karty pod każdą teoretyczną kombinację wariantów.

Ostatni punkt jest najczęstszym błędem w sklepach z konfiguratorami. Automat tworzy karty dla 8000 kombinacji rozmiar plus kolor plus materiał, z czego 7000 nigdy nie zostanie kupionych. To już nie jest automatyzacja opisów, tylko produkcja pustych adresów. Kombinacje wariantów trzymaj na jednej karcie produktu, w selektorze, a osobne adresy dawaj tylko tam, gdzie istnieje realny popyt wyszukiwarkowy.

Uczciwe podsumowanie: automatyzacja opisów działa, ale nie jest tania w przygotowaniu. Koszt przenosi się z pisania na porządkowanie danych i budowę bramki jakości. Sklepy, które ten koszt ponoszą, dostają katalog, który skaluje się dalej. Te, które go omijają, dostają 3000 stron do usunięcia w kolejnym kwartale.

FAQ