AI commerce hakkında konuşulurken dikkat genellikle chatbot'a gidiyor.
Oysa ticaret açısından daha kritik altyapı çoğu zaman görünmeyen tarafta:
ürün kataloğu.
AI visibility yalnız içerik SEO'su problemi değil; commerce data problemidir.
Product feed nedir?
Bu yazı feed’in teknik detayına giriyor. AI shopping’in genel resmi ve mağaza altyapısının nasıl hazırlanması gerektiği için önce şu yazıya bakabilirsiniz: ChatGPT’de ürünler nasıl görünür?
Product feed mağazadaki ürünlerin yapılandırılmış biçimde başka sistemlere aktarılmasıdır.
Bir ürün feed'i tipik olarak şunları taşır:
- product ID,
- title,
- description,
- URL,
- image,
- price,
- currency,
- availability,
- brand,
- category,
- variant attributes.
AI için neden yapılandırılmış veri gerekiyor?
Bir kullanıcı:
“1500 TL altında, hassas cilt için uygun, parfümsüz bir nemlendirici bul.”
dediğinde sistem yalnız “nemlendirici” kelimesini aramıyor.
Constraint'ler vardır:
- price < 1500
- skin_type = sensitive
- fragrance_free = true
Bu özellikler yalnız uzun marketing description içinde belirsiz biçimde bulunuyorsa ürünün eşleştirilmesi zorlaşabilir.
Product title nasıl olmalı?
Çok belirsiz:
Model 01
Keyword stuffing:
En İyi Siyah Erkek Koşu Spor Fitness Günlük Sneaker Ayakkabı
Daha doğru:
Runner Pro Erkek Koşu Ayakkabısı – Siyah
Attribute completeness neden önemli?
Ürünün materyali, rengi, ölçüsü, kapasitesi, compatibility bilgisi ve kullanım amacı veri modelinde ayrı alanlarda bulunabiliyorsa agent daha güçlü filtreleme yapabilir.
Variant ilişkisi korunmalı
Parent product ve variants ilişkisi korunmalıdır.
Aynı zamanda her satın alınabilir varyantın SKU, GTIN, price ve availability bilgisi doğru olmalıdır.
Feed ile storefront aynı fiyatı göstermeli
Feed 1.999 TL, storefront 2.499 TL gösteriyorsa kullanıcı güveni bozulur.
Bu nedenle product feed bir gece üretilip unutulan CSV olmamalıdır.
Source of truth neresi olmalı?
Büyük e-ticaret sistemlerinde aynı ürün bilgisi birçok yerde bulunabilir:
ERP
PIM
E-commerce platform
Marketplace integrator
Google feed
Meta catalog
AI feed
Daha sağlıklı yapı:
Canonical Product Model → Channel Transformations → Google / Meta / Marketplace / AI Commerce / Storefront
şeklindedir.
AI commerce için katalog quality score oluşturulabilir
Örneğin:
- Identity completeness — %20
- Attribute completeness — %25
- Commercial freshness — %25
- Content quality — %15
- Technical consistency — %15
Sonuç:
AI Catalog Readiness Score: 87/100
Product feed observability gerekli
Dashboard şu metrikleri gösterebilir:
- Total products
- Missing GTIN
- Missing material
- Price mismatch
- Inventory mismatch
- Broken image
- Invalid variant relationship
Agentic commerce için teknik checklist
- Canonical product ID var mı?
- Variant ID benzersiz mi?
- SKU benzersiz mi?
- GTIN doğru mu?
- Parent/variant ilişkisi korunuyor mu?
- Category taxonomy temiz mi?
- Kritik attribute'lar ayrı alanlarda mı?
- Feed fiyatı storefront ile aynı mı?
- Availability güncel mi?
- Promotion expiry doğru mu?
- Image URL'leri erişilebilir mi?
- Product URL kalıcı mı?
- Feed update SLA tanımlı mı?
- Data quality validation var mı?
- Feed hataları monitor ediliyor mu?
- Analytics AI commerce kaynaklarını ayırabiliyor mu?
Product feed bir export dosyası değil, veri ürünü olmalı
Canonical Product Service
→ Channel Mapper
→ Feed/API outputs
→ Validation
→ Monitoring
Her kanal kendi schema'sını alır ama source data tek commerce modelinden gelir.
Feed quality boyutları
Completeness
Gerekli attribute dolu mu?
Correctness
Alan doğru mu?
Freshness
Ne kadar güncel?
Consistency
Storefront ile aynı mı?
Identity integrity
SKU/GTIN/group ilişki doğru mu?
Title üretimi
Template kategoriye göre değişebilir:
Brand + Model + Product Type + Critical Attribute
Ancak başlık yapay keyword doldurma olmamalıdır.
Offer verisi
Product identity ile offer ayrılmalıdır.
Aynı ürün farklı market, currency, price ve availability ile farklı offer state'e sahip olabilir.
Validation pipeline
- missing title
- invalid currency
- negative price
- duplicate SKU
- duplicate GTIN
- unknown variant group
- stale inventory
- image unreachable
- storefront mismatch
Critical error varsa ürün quarantine edilebilir.
Freshness architecture
InventoryChanged
→ feed updater
→ channel API
Yoğun stok değişiminde event-driven delta update full-feed regeneration'dan daha uygun olabilir.
Feed observability
- total products
- eligible products
- rejected products
- missing attribute %
- stale offers
- image failure %
- channel discrepancy
- update latency p95.
Channel feedback loop
Search terms, disapproval, conversion ve product performance verisi tekrar PIM/merchandising tarafına dönmelidir.
Feed tek yönlü export değil, learning loop haline gelir.
Feed kalite SLA'sı
Örnek operasyon hedefleri:
| Metrik | Hedef örneği |
|---|---|
| Critical attribute completeness | >%98 |
| Price mismatch | <%0,1 |
| Stale inventory | <%0,5 |
| Broken image | <%0,2 |
| Update p95 | <5 dk |
Gerçek eşikler işletmeye göre değişir; amaç feed kalitesini “dosya çıktı mı?” değil SLA ile yönetmektir.
Sonuç
ChatGPT'de ürün görünürlüğü için yalnız “AI SEO” içeriği üretmek yeterli değildir.
AI sistemi ürününüzü önerecekse önce ürününüzü doğru anlayabilmelidir.
Reliefers olarak AI commerce hazırlığını yalnız chatbot geliştirme olarak görmüyoruz. Product model, variant architecture, storefront, feed, structured data, inventory, analytics ve API katmanlarının aynı commerce architecture altında çalışması gerekiyor.