Het optimaliseren van productstromen is geen nieuw onderwerp. In de e-commerce werken teams al geruime tijd aan de kwaliteit van producttitels, categorieën, kenmerken, afbeeldingen, prijzen, beschikbaarheid en beschrijvingen.
Een groot deel van de aanbevelingen die we tegenwoordig zien opduiken rond e-commerce bestond dus al vóór de komst van AI-engines. Wat verandert, is dus niet het belang van de data op zich, maar eerder de manier waarop deze data circuleert voordat ze wordt geïntegreerd in een gegenereerd antwoord.
In een klassieke zoekomgeving kunnen we de belangrijkste optimalisatiegebieden nog relatief duidelijk onderscheiden: organische pagina’s, Shopping-resultaten, advertenties, marktplaatsen...
In een generatieve omgeving worden deze grenzen minder duidelijk. Een AI-antwoord kan gebaseerd zijn op een categoriepagina, een productpagina, een externe bron, een productfeed, een marktplaats of een combinatie van meerdere van deze elementen.
Juist om die reden lijkt de bewering „je moet je productfeed optimaliseren voor de GEO” mij zowel juist als ontoereikend. Ze is juist, omdat productfeeds een centrale rol blijven spelen in de gegevensstroom van e-commerce. Maar ze is ontoereikend, omdat ze soms een te direct verband veronderstelt tussen de feed en de gegenereerde respons.
In veel gevallen is het echter onduidelijk of de AI-engine de feed rechtstreeks leest, of dat deze een door deze feed beïnvloede Shopping-advertentieruimte ophaalt, of dat deze zich baseert op een productpagina, of dat deze meerdere resultaten uit een SERP combineert, of dat deze gebruikmaakt van een platformspecifiek mechanisme voor het opnemen van producten.
De methodologische uitdaging bestaat er dus in de vraag te verleggen: het gaat niet alleen om de vraag hoe de feed kan worden geoptimaliseerd, maar in de eerste plaats om te begrijpen welke gegevens daadwerkelijk worden opgehaald, uit welke bronnen, met welke mate van nauwkeurigheid en in welke vorm.
De huidige verleiding is groot om de best practices van e-commerce-SEO of feedmanagement over te nemen en deze te herdefiniëren als GEO-aanbevelingen. Meer beschrijvende titels, volledige attributen, … Dit alles blijft belangrijk, maar het zijn reeds bekende basisprincipes. Hun nut verdwijnt niet met AI-engines, integendeel. Maar hun strategische waarde hangt voortaan af van hun daadwerkelijke rol in de keten van gegevensverzameling en -selectie.
Het probleem is dus niet of een productfeed correct moet zijn. Dat moet hij zijn. Het echte probleem is welk deel van deze gegevens daadwerkelijk waarneembaar is voor de lagen die AI-engines gebruiken om hun antwoorden samen te stellen.
In een generatieve omgeving kunnen deze inconsistenties kritiek worden, omdat herstelsystemen toegang kunnen krijgen tot verschillende versies van dezelfde geproduceerde gegevens.
Op dat moment wordt het onderwerp interessanter dan louter een optimalisatie van de workflow. De productworkflow is slechts één van de vele lagen in een bredere architectuur. Het gaat er niet om elk van deze lagen afzonderlijk te behandelen, maar om te begrijpen hoe ze op elkaar reageren, elkaar versterken of elkaar tegenspreken.
Bij de analyse van de zichtbaarheid van e-commerce in AI-zoekmachines kan het zinvol zijn om onderscheid te maken tussen bronzichtbaarheid en productzichtbaarheid. Bij SEO wordt doorgaans gekeken naar de zichtbaarheid van een domein, een URL of een reeks pagina’s bij bepaalde zoekopdrachten. Bij GEO blijft deze logica noodzakelijk, maar volstaat ze niet meer. Een merk kan als bron worden gebruikt in een gegenereerd antwoord zonder dat de producten ervan als concrete aanbevelingen worden opgenomen.
Omgekeerd kan een product in een antwoord worden genoemd of weergegeven zonder dat de categoriepagina van het merk een zichtbare rol speelt in de onderbouwing van dat antwoord.
De zichtbaarheid van de bron beantwoordt een eerste vraag: worden de website, de categoriepagina, de gids of de productpagina door de AI-engine als referentie gebruikt? Deze laag lijkt sterk op de SEO-logica: kwaliteit van de pagina’s, semantische relevantie, autoriteit, indexeerbaarheid, inhoudsstructuur, interne links, crawl-diepte, toegankelijkheid van de informatie in de HTML en het vermogen van de pagina om aan een zoekintentie te voldoen.
Een goed opgebouwde categoriepagina kan een merk dus helpen om bij een algemene zoekopdracht als relevante bron te worden geïdentificeerd, of het nu gaat om kinderschoenen, een ergonomische matras of een draadloze stofzuiger.
De productzichtbaarheid beantwoordt een andere vraag: worden de producten van dit merk in het antwoord als concrete opties genoemd? Op dit niveau richt de analyse zich niet langer alleen op de relevantie van een pagina, maar op het vermogen van een product om als een relevante en aanbevelenswaardige optie te worden gezien.
Deze laag heeft minder te maken met een klassieke documentlogica dan met een logica van productselectie. Het product moet niet alleen op het web aanwezig zijn: de informatie erover moet voldoende duidelijk en bruikbaar zijn om in een aanbeveling te kunnen worden opgenomen.
Voor een e-handelaar kan de diagnose zich dus niet beperken tot een binaire beoordeling: “het merk verschijnt” of “het merk verschijnt niet”. Er moet veeleer worden geanalyseerd op welk niveau het verschijnt: als bron, als aanbevolen product of als transactiepartner.
Dit onderscheid wordt vooral interessant wanneer we zien dat bepaalde zoekopdrachten niet hetzelfde doel dienen. Een deel van de zoekresultaten kan gericht zijn op referentiepagina’s, terwijl een ander deel gericht kan zijn op concrete producten die moeten worden weergegeven. In een e-commercecontext gaat het niet alleen om de herformulering, maar ook om de functie van de zoekopdracht in het uiteindelijke antwoord.
Een merk kan goed worden gevonden bij zoekopdrachten die worden gebruikt om bronnen te vinden, met name dankzij de categoriepagina’s, maar kan veel minder zichtbaar zijn bij zoekopdrachten die worden gegenereerd om producten te identificeren. Deze laatste zijn vaak beschrijvender, meer gebruiksgericht of sluiten beter aan bij een ‘Shopping’-logica.
Uit verschillende opmerkingen binnen de gemeenschap blijkt dat het door het onderzoeken van bepaalde netwerkverzoeken of bepaald interfacegedrag soms mogelijk is om aanwijzingen te vinden over de bronnen die zijn gebruikt om een antwoord samen te stellen. Bepaalde velden, zoals `result_source`, zijn besproken omdat ze lijken te wijzen op verschillende kanalen voor het ophalen of verzamelen van informatie.
Waarden zoals serp, bing, bright of andere systemen suggereren dat het gegenereerde antwoord kan worden voorafgegaan door een gestructureerde opvraagfase: een verzoek wordt geherformuleerd, naar een bron verzonden, resultaten worden opgehaald en vervolgens worden bepaalde elementen geselecteerd om het uiteindelijke antwoord samen te stellen.
Deze observaties moeten echter met de nodige voorzichtigheid worden behandeld. Een veld dat zichtbaar is in een netwerkverzoek is geen officiële documentatie. Het geeft een aanwijzing, geen volledig bewijs van de interne werking. Het risico bestaat erin een technisch signaal om te zetten in strategische zekerheid, terwijl deze systemen snel evolueren en kunnen variëren naargelang accounts, landen, zoekopdrachten, interfaces of soorten intenties.
Vanaf dat punt gaat het er minder om de interne werking van de motor na te bootsen dan om relevante vergelijkingspunten te identificeren. Als bepaalde producten in een generatief antwoord worden aanbevolen, is het interessant om te kijken of ze ook in andere zichtbare omgevingen rond dezelfde zoekopdracht voorkomen, om zo een beter inzicht te krijgen in de overlappingen, de verschillen en de gegevens waarmee rekening kan worden gehouden.
De productstroom maakt deel uit van de lagen waarmee in deze terugwinningsketen rekening moet worden gehouden, maar de rol ervan mag niet te snel als vanzelfsprekend worden beschouwd. Afhankelijk van de platforms, de configuraties en de bekeken kanalen kan deze op verschillende manieren een rol spelen: als directe bron wanneer de verkoper zijn productgegevens via een daarvoor bestemd importmechanisme naar een platform verzendt, of op een meer indirecte manier wanneer hij Shopping-kanalen, gratis vermeldingen of andere omgevingen van productgegevens voorziet, die vervolgens door systemen van derden worden opgehaald of opnieuw geïnterpreteerd.
Dit onderscheid is belangrijk om te voorkomen dat indirecte invloed en direct gebruik van de feed door elkaar worden gehaald. De stelling dat „de productfeed de zichtbaarheid in AI beïnvloedt“ is in veel gevallen waarschijnlijk redelijk. De bewering dat „AI de Google Merchant Center-feed direct gebruikt“ is zonder solide bewijs veel twijfelachtiger.
In bepaalde contexten, met name met de opkomst van productfeedmechanismen die specifiek zijn voor AI-platforms, kan de relatie directer worden. In andere gevallen speelt de feed vooral een rol in een vroeger stadium, door de kwaliteit en consistentie van de productinformatie die zichtbaar is in het zoekecosysteem te verbeteren.
De productfeed moet dus worden gezien als een invloedrijke laag, niet als een op zichzelf staande bron. Deze kan in bepaalde omgevingen direct worden gebruikt, of indirect werken door Shopping-pagina’s, gratis vermeldingen, productpagina’s, gestructureerde gegevens of andere omgevingen te voeden, die vervolgens door systemen van derden worden opgehaald.
Voordat een feed wordt uitgebreid of verrijkt, is het dus belangrijk om te begrijpen waar de productgegevens daadwerkelijk zichtbaar zijn, in welke vorm ze circuleren en op welke punten er afwijkingen optreden.
Een van de grootste risico’s bij GEO is dat er onder het mom van vernieuwing generieke aanbevelingen worden gedaan. Het is terecht om te zeggen dat er duidelijke titels, volledige kenmerken of actuele prijzen nodig zijn, maar dat is niet voldoende om een onderscheidende analyse te maken. Deze aanbevelingen zijn al bekend bij de marketing- en e-commerceteams. De toegevoegde waarde van GEO zou veeleer moeten bestaan uit het identificeren van de elementen die de producten die door AI-engines worden opgenomen, daadwerkelijk lijken te onderscheiden van de producten die dat niet worden.
Daar wordt een differentiërende aanpak interessant. In plaats van alleen de aanbevolen producten te analyseren, moeten deze worden vergeleken met andere producten die zichtbaar zijn rond dezelfde zoekopdracht: producten in de Shopping-resultaten, in de organische resultaten, op de categoriepagina’s van het merk of in vergelijkbare aanbiedingen van concurrenten.
Dit soort vergelijkingen helpt om overhaaste conclusies te voorkomen. Als alle aanbevolen producten zichtbare beoordelingen hebben, is dat niet per se het bewijs dat beoordelingen een selectiefactor zijn. Maar als bij een vergelijkbare zoekopdracht de producten die niet worden weergegeven systematisch minder zichtbare beoordelingen, minder beschrijvende titels of minder benadrukte kenmerken hebben, beginnen we bruikbare signalen te herkennen.
Het doel is niet om meteen tot een perfect causaal model te komen. Dat zou een illusie zijn. Het gaat er veeleer om de onzekerheid te verminderen door terugkerende verschillen te identificeren tussen de producten die wel en die niet worden opgenomen. Van daaruit worden de aanbevelingen nauwkeuriger.
We zullen niet langer alleen zeggen: „verrijk uw producttitels”, maar eerder: “De producten die binnen deze cluster van zoekopdrachten worden weergegeven, bevatten bijna altijd de toepassing, het merk en het producttype in de eerste zichtbare elementen van de titel, terwijl uw interne titels beginnen met een referentie of een collectie die weinig duidelijk is”.
Het is deze precisie die een geloofwaardige GEO-aanbeveling onderscheidt van een generieke aanbeveling.
Om deze hypothese te toetsen, moeten we een belangrijke methodologische beperking accepteren: we kunnen niet exact nabootsen wat een AI-engine ziet. Systemen veranderen, antwoorden variëren, bronnen worden niet altijd weergegeven, zoekopdrachten kunnen worden geherformuleerd en de gebruikte gegevens kunnen afhangen van de context, de interface of het soort intentie.
Een mogelijke methode is om uit te gaan van een reeks representatieve zoekopdrachten, idealiter gegroepeerd per intentie. Er moeten niet alleen generieke zoekopdrachten worden getest, maar ook vergelijkende, transactionele of behoeftegerichte zoekopdrachten. Het doel is niet om een uitputtende test uit te voeren, maar om te observeren of bepaalde soorten zoekopdrachten vaker producten, merken of kenmerken naar voren brengen.
Voor elke zoekopdracht moeten verschillende gegevenslagen worden vergeleken: het AI-antwoord, de eventueel genoemde bronnen, de genoemde of weergegeven producten, de zichtbare categoriepagina’s, de bijbehorende productdetailpagina’s (PDP’s), de informatie in de productfeed, evenals de gegevens die daadwerkelijk op de website worden weergegeven. Het gaat er niet alleen om te controleren of een product op meerdere plaatsen op dezelfde plek verschijnt, maar ook om te begrijpen of de informatie waarmee het wordt beschreven consistent, zichtbaar en bruikbaar is van de ene gegevenslaag naar de andere.
De analyse mag zich dus niet beperken tot het zoeken naar overeenkomsten tussen een AI-antwoord en een bepaald productgebied. Het is vooral belangrijk om de verschillen te bekijken: wordt een door de AI aanbevolen product weliswaar goed beschreven in de feed, maar is het op de PDP moeilijk te lezen? Wordt een merk als bron genoemd zonder dat de producten ervan worden weergegeven? Brengen concurrerende producten bepaalde kenmerken beter naar voren op hun pagina’s of in hun productgegevens?
Het meest interessante deel bestaat er dan in de beschikbare kenmerken in elke laag te vergelijken. Als een product in een AI-antwoord verschijnt, moet worden onderzocht in welke vorm het verschijnt en waar de gebruikte informatie beschikbaar lijkt te zijn. Komt de overgenomen titel eerder overeen met de titel van de feed, die van de productpagina of een herformulering? Zijn de benadrukte kenmerken aanwezig in de feed, zichtbaar op de PDP of opgenomen in de gestructureerde gegevens? Deze analyse maakt het mogelijk om de mogelijke ophaalketen stap voor stap te traceren, zonder te beweren deze volledig te bewijzen.
Een bruikbaar resultaat zou dus niet alleen een overzicht van aanwezigheid of afwezigheid zijn. Het zou veeleer een vergelijkingsmatrix zijn waarin zoekopdrachten, merken, producten, verkoopruimtes en kenmerken met elkaar worden gekruist. Op basis van deze matrix zouden enkele eenvoudige indicatoren kunnen worden gegenereerd: zichtbaarheid van de bron, zichtbaarheid van het product, samenhang tussen feeds en productpagina’s, leesbaarheid van de kenmerken, afstemming van de gegevens en verschillen tussen de verschillende kanalen. Deze indicatoren zijn geen vervanging voor kwalitatieve analyse, maar ze maken het mogelijk om de audit te structureren en verschillende merken, categorieën of testperiodes met elkaar te vergelijken.
Een product kan in de ene laag goed beschreven zijn, maar in een andere minder duidelijk. Juist deze doorstroming van productgegevens tussen de verschillende platforms moet worden begrepen voordat aanbevelingen voor optimalisatie kunnen worden geformuleerd.
De productstroom blijft een belangrijke hefboom, maar mag niet op zichzelf worden geanalyseerd. In een generatieve omgeving gaat het er niet alleen om of de geproduceerde gegevens volledig zijn, maar ook om te begrijpen waar ze zichtbaar zijn, in welke vorm ze kunnen worden opgehaald en hoe ze zich verhouden tot de andere oppervlakken.
Voordat een productstroom wordt verrijkt of productvelden worden gewijzigd, moet daarom het gegevenspad worden bekeken. Deze stap maakt het mogelijk om van een algemene aanbeveling over te stappen naar een meer gerichte optimalisatie, gebaseerd op wat AI-engines daadwerkelijk lijken te kunnen ophalen, vergelijken en benutten.
In e-commerce gaat het dus niet om meer optimaliseren uit principe. Het gaat erom vast te stellen welke versie van de productgegevens daadwerkelijk doorgestroomt naar de ophaallagen die door AI-engines worden gebruikt, en vervolgens in te grijpen waar de afwijkingen het meest zichtbaar zijn.
Met andere woorden: voordat je optimalisatie voorschrijft, moet je het ophalen begrijpen.
.svg)
