Onvolledige productgegevens zorgen ervoor dat je niet lager scoort. Het leidt je af van het antwoord.

Een klant opent ChatGPT en vraagt ​​om een ​​product dat aan een reële beperking voldoet: huidtype, platvoeten, een onderdeel dat moet passen bij iets dat hij al bezit. Het model haalt niet zijn schouders op en raadt niet. Het zwaait een winkelbediende niet naar beneden. Als je kenmerken ontbreken, tegenstrijdig zijn of verborgen zijn in marketingteksten, gaat deze eenvoudigweg door naar een vermelding die er compleet genoeg uitziet om te vertrouwen.

Dat is de ongemakkelijke les in het AEO 101-stuk van Salsify. Searchable bekeek honderdduizenden ChatGPT-winkelreacties en ontdekte dat Target, Walmart en eBay veel vaker opdoken. De meest interessante conclusie? Amazon ontbreekt in de meeste LLM-resultaten. Het verscheen nauwelijks, naar verluidt omdat een groot deel van de catalogus gesloten blijft voor OpenAI. Catalogusgrootte en advertentiebudget waren niet de doorslaggevende factoren. Toegankelijke, gestructureerde productgegevens waren dat wel.

Het afgelopen decennium hebben we gevochten voor zoekopdrachten op pagina één. Dit decennium vechten we ervoor om binnen de aanbeveling zelf te vallen.

Waarom agenten kieskeuriger zijn dan shoppers

Mensen zijn bij benadering; agenten optimaliseren voor vertrouwen. Een shopper kan leven met een halfvol etiket, een ander tabblad openen of iemand op de vloer vragen. Een agent zal je gaten niet voor je opvullen. Ontbrekend materiaal, vage maatvoering zonder eenheden, geen compatibiliteit voor accessoires: voor een shopper is dat wrijving. Voor een agent is het een uitgang.Uit het consumentenonderzoek van Salsify blijkt nog steeds dat ongeveer 22 procent van de shoppers AI-productonderzoek doet. Dat is precies waarom het raam er nu toe doet. Het veld is zo klein dat merken met leesbare gegevens al een groot deel van de zichtbaarheid claimen, en die positie wordt moeilijker te doorbreken naarmate meer mensen de tools adopteren.

Het gaat ook in tegen het prestigeverhaal. eBay en zelfs Poshmark hebben de beste retailers in die ChatGPT-winkelanalyse gekraakt. Wanneer de gegevens leesbaar zijn, kan een tweedehandsadvertentie concurreren met een warenhuis. Reputatie analyseert geen kenmerken. Toegang en structuur wel.

Waardoor word je eigenlijk uitgesloten

Het gaat zelden om één dramatische mislukking. Het is de vertrouwde puinhoop waar productteams al jaren mee leven, maar nu heeft het een moeilijker gevolg.

Ontbrekende of inconsistente kenmerken. Conflicterende afmetingen of gewichten voor dezelfde SKU op je site, een verkoper en een marktplaats. Marketingtaal die voor een skimmer prima klinkt (“premium comfort waar je dol op zult zijn) en een agent niets vertelt over materialen, pasvorm of alternatieven. En zelfs als de feiten op de pagina staan, geen schoon schema of gestructureerde markup zodat een machine ze betrouwbaar kan extraheren.

Rob Gonzalez, mede-oprichter van Salsify, zegt het duidelijk: een lijst met specificaties is niet genoeg. Agenten hebben ook de praktische context nodig die in de meeste catalogi nauwelijks wordt vermeld, zoals waar het product voor is, wanneer mensen het gebruiken en waar het mee gepaard gaat of dat het vervangt. Zonder dat kan het systeem het object beschrijven en toch de echte vraag van de klant niet beantwoorden.Schoonheid maakt dat concreet. Iemand vraagt ​​wat werkt voor de vette huid, in welke volgorde het moet worden aangebracht, of dat twee ingrediënten botsen. Als je pagina's deze vragen niet in duidelijke productgegevens beantwoorden, gaat de aanbeveling naar een merk dat dat wel doet. De Beauty AI Visibility Index is niet zozeer een ranglijst van ‘beste formules’ als wel een ranglijst van wie die informatie gemakkelijk vindbaar heeft gemaakt.

Wat wij aanbevelen

We moeten AEO niet beschouwen als een nieuwe content-sprint die meer bijvoeglijke naamwoorden in PDP’s giet. We moeten naar onze catalogus kijken zoals een agent dat zou doen.

We koppelen de inhoud aan de vragen die klanten daadwerkelijk stellen, en niet alleen aan de zoekwoorden die ze in Google hebben getypt. We zoeken naar tegenstrijdigheden op de merksite, retailer en marktplaats voor dezelfde SKU. We vullen de attributen aan die vroeger optioneel voelden: materiaal, grootte met eenheden, compatibiliteit, zorg en de contextuele velden die de rol en het gebruik verklaren. We hebben er structuur en schema omheen aangebracht, zodat machines geen proza ​​hoeven te schrapen. Vervolgens houden we in de gaten hoe vaak we worden geciteerd, en hoe nauwkeurig, omdat een zelfverzekerd fout antwoord bijna net zo erg is als zwijgen. Elke paar maanden verfrissen is geen ijdelheid; algoritmen en seizoenen bewegen.

En op basis van het onderzoek van Salsify concluderen we dat gedetailleerde specificaties er ook voor zorgen dat shoppers (en niet alleen agenten) vertrouwen en kopen zodra ze in gesprek zijn. Goede gegevens zijn niet alleen de manier waarop je het antwoord invoert. Het is vaak wat de verkoop sluit als je er eenmaal in zit.Ga terug naar de openingsscène. Een klant stelde een precieze vraag en je onvolledige dossier heeft nooit de shortlist gehaald. Dat zijn de kosten van levensonderhoud met ‘goed genoeg’-attributen en een mooie kopie. Grootte en besteding kopen geen stoel meer. Volledigheid en toegankelijkheid wel.

De volledige AEO 101-walkthrough van Salsify is hier: https://www.salsify.com/blog/aeo-101-why-ai-agents-hate-incomplete-product-content