Ako pripraviť produktové dáta tak, aby dávali zmysel pre GPT Shopping?

📌 Úvod: O čom prípadová štúdia je

GPT Shopping kladie na produktové dáta úplne iné nároky než klasické produktové kampane. Nestačí mať vyplnený popis produktu. Rozhodujúci je kontext, relevancia a kvalita dát, z ktorých jazykový model čerpá.

V tejto prípadovej štúdii ukazujeme konkrétny postup optimalizácie produktových popisov a ďalších dát pre GPT Shopping. Popisujeme, ako nad obsahom premýšľame v praxi, aké zdroje informácií využívame a ako ich pripravujeme tak, aby sa s nimi dalo efektívne pracovať.

Pracujeme s reálnym e‑shopom bežiacim na Shoptete (e‑shop Dykka) a s nástrojom Mergado, ktorý slúži ako centrálne miesto na prípravu a správu dát. Nerobíme len samotné produktové popisy, ale aj ďalší obsah, ktorý má e‑shop k dispozícii, teda články, popisy kategórií, recenzie alebo informácie o značkách.

Základný princíp je jednoduchý:

👉 kvalitný výstup pre GPT Shopping nevzniká z jedného textu, ale z dobre pripraveného kontextu.

V ďalších kapitolách preto prejdeme jednotlivé typy obsahu, ich prípravu pre produktový feed a spôsob, ako ich následne využiť pri generovaní popisov pomocou jazykového modelu.

🗂️ Príprava dát pre kontext

Pre GPT Shopping nestačí samotný popis produktu. Jazykový model pracuje s kontextom, ktorý vzniká z rôznych zdrojov obsahu naprieč e‑shopom.

Preto sme do optimalizácie zapojili viac typov informácií – od článkov cez popisy kategórií až po recenzie alebo informácie o značkách. V nasledujúcich kapitolách si ich prejdeme postupne a ukážeme, prečo dávajú zmysel.

📝 Články (interné aj externé)

Články patrili medzi najdôležitejšie zdroje kontextu. Obsahujú informácie, ktoré sa do produktových popisov bežne nedostanú, no pre GPT Shopping majú vysokú hodnotu.

Typicky ide o:

• spôsob použitia produktu v praxi,
• konkrétne scenáre a situácie,
• hlavné benefity a rozdiely,
• informácie o tom, pre koho je produkt určený (persony).

Nie každý článok je však relevantný pre celý sortiment. Prvým krokom preto bolo filtrovanie a segmentácia obsahu, najčastejšie podľa kategórií alebo tém. Cieľom nebolo články kopírovať do feedu, ale vybrať len to, čo dáva zmysel pre daný typ produktov.

Popri vlastnom obsahu e‑shopu sme zohľadnili aj externé články. Tie sa hodia najmä pri produktoch, ktoré predáva viac e‑shopov, a môžu priniesť:

• iný uhol pohľadu,
• zrozumiteľnejšie vysvetlenie použitia,
• alebo doplňujúce informácie, ktoré na e‑shope chýbajú.

Ako sme články pripravili

Aby sa dal obsah článkov efektívne použiť pri generovaní popisov, bolo potrebné ho najskôr pripraviť do vhodnej podoby.

Postupovali sme takto:

• z webu e‑shopu alebo zo sitemapy sme zozbierali relevantné URL adresy článkov,

• URL adresy článkov sme nahrali do NotebookLM,
• pre každú kategóriu sme si nechali vygenerovať stručné zhrnutie relevantného obsahu,
• výsledné zhrnutia sme uložili do samostatných Markdown súborov.

Ako sme obsah využili v Mergade

Hotové zhrnutia sme:

• nahrali do rozšírenia Mergado Files, 
  • ako alternatívu môžete použiť aj rozšírenie Mergado Context,
• sprístupnili cez URL adresy,
• a využívali ich priamo v prompte pri generovaní popisov.

Tento obsah sa neexportoval do finálneho feedu. Slúžil čisto ako doplnkový kontext pre jazykový model, ktorý mal vďaka tomu k dispozícii správne informácie v správny moment.

📋 Popisy kategórií

Popisy kategórií sme použili ako širší kontext nad rámec jednotlivých produktov. Zatiaľ čo produktový popis rieši konkrétne vlastnosti a benefity, popis kategórie pomáha jazykovému modelu pochopiť:

• aký typ produktov do kategórie patrí,
• aké sú medzi nimi rozdiely alebo alternatívy,
• aký problém alebo potrebu daná kategória všeobecne rieši.

Tieto informácie sa hodia najmä v situáciách, keď samotný produktový popis nestačí alebo je príliš stručný.

Ako sme popisy kategórií pripravili

Keďže e‑shop beží na Shoptete, využili sme ako primárny zdroj dát feed kategórií zo Shoptetu.

Postup bol nasledujúci:

• feed kategórií sme nahrali do pomocného projektu v Mergade,
• v projekte sme upravili výstup tak, aby sme získali: 
  • názov kategórie,
  • zodpovedajúci popis kategórie,
• výstup sme exportovali do CSV súboru,
• pomocou pravidla Import dátového súboru sme CSV nahrali späť do produktového feedu,
• popis kategórie sme ku každému produktu priradili pomocou párovacieho elementu s názvom kategórie.

Takto pripravený obsah sme ukladali do pomocného elementu. Ten sa nemusel exportovať do finálneho feedu, ale slúžil ako ďalší zdroj kontextu, s ktorým sme pracovali priamo v prompte.

🛒 Všeobecné informácie o e‑shope

Ďalším zdrojom kontextu boli všeobecné informácie o e‑shope. Nejde o dáta vzťahujúce sa ku konkrétnemu produktu, ale o rámec, v ktorom sa celý sortiment pohybuje.

Tieto informácie pomáhajú jazykovému modelu lepšie pochopiť:

• čo e‑shop predáva a na čo sa špecializuje,
• kto je cieľová skupina a aké sú hlavné persony,
• aké hodnoty, víziu alebo smerovanie e‑shop má,
• a prípadné špecifiká sortimentu (napr. varianty produktov, špecifické typy tovaru).

Súčasťou tohto kontextu môžu byť aj všeobecné informácie o doprave, vrátení tovaru alebo ďalších pravidlách, ak sú relevantné pre výslednú podobu popisov.

Ako sme informácie o e‑shope pripravili

Príprava týchto dát bola oproti iným zdrojom relatívne jednoduchá.

Postupovali sme takto:

• pomocou jazykového modelu (napr. OpenAI ChatGPT) sme si nechali pripraviť všeobecný popis e‑shopu,
• ako vstup sme zadali názov e‑shopu a jeho URL adresu,
• výsledný text sme uložili do Markdown súboru,
• súbor sme sprístupnili cez Mergado Files.

Rovnako ako pri článkoch sa tento obsah neukladal ku každému produktu zvlášť. Slúžil ako globálny kontext, ktorý sme do promptu pridávali len tam, kde to dávalo zmysel.

⭐ Recenzie produktov

Recenzie produktov patrili medzi najcennejšie zdroje informácií, no zároveň predstavovali najväčšiu výzvu z pohľadu prípravy dát. Na rozdiel od článkov alebo popisov kategórií totiž nie sú prirodzene štruktúrované na prácu na úrovni produktu.

Ich hlavný prínos je však jasný:

• obsahujú reálne skúsenosti zákazníkov,
• opisujú praktické použitie v bežnom živote,
• upozorňujú na detaily, na ktoré si dať pozor,
• a často odpovedajú na otázky, ktoré sa bežne objavujú v Q&A.

Práve preto sú recenzie veľmi silným zdrojom kontextu pre GPT Shopping.

Hlavná výzva: jedna recenzia ≠ jeden produkt

Recenzie sú typicky vedené tak, že:

• každá recenzia je samostatná položka,
• jeden produkt sa v dátach objavuje opakovane,
• dáta nie sú pripravené na úrovni produktu, ale jednotlivých hodnotení.

Pre naše potreby sme však potrebovali dostať všetky recenzie týkajúce sa jedného produktu k danému produktu vo feede. To znamenalo recenzie deduplikovať, zlúčiť a doplniť o súhrnné metriky.

Ako sme recenzie pripravili

Zvolili sme cestu úpravy dát mimo Mergado a ich následný import.

Postup bol nasledujúci:

• recenzie sme stiahli z administrácie Shoptetu do CSV súboru,
• dáta sme otvorili v Google Sheets,
• pomocou funkcií:
  • UNIQUE sme recenzie deduplikovali,
  • TEXTJOIN sme zlúčili texty recenzií ku konkrétnemu produktu,
• zároveň sme spracovali aj číselné hodnoty: 
  • jednotlivé hodnotenia,
  • priemerné hodnotenie,
  • počet recenzií,
• výslednú tabuľku sme zverejnili ako CSV,
• pomocou pravidla Import dátového súboru sme dáta nahrali späť do produktového feedu,
• recenzie a hodnotenia sme ukladali do pomocných elementov (napr. product_​reviews, product_rating).

Tieto elementy potom slúžili ako ďalší vstup pre prompt pri generovaní popisov.

Alternatívny postup

Vyskúšali sme aj alternatívne riešenie založené na recenzných feedoch z Google alebo Heureka.

Postup bol zložitejší:

• vytvorili sme dva pomocné projekty v Mergado,
• dáta sme previedli do Shoptet dodávateľského XML formátu,
• využili sme zlučovanie variantov, aby sa produkt vyskytoval iba raz,
• recenzie zostali zachované ako varianty,
• následne sme dáta previedli do CSV a importovali do produktového feedu.

Tento postup je funkčný, ale náročnejší na nastavenie a údržbu.

🏷️ Popisy značiek

Popisy značiek sme využili ako doplnkový zdroj kontextu, ktorý pomáha jazykovému modelu lepšie pochopiť, kto za produktom stojí a v akom rámci sa pohybuje.

Ich prínos je predovšetkým v tom, že:

• dopĺňajú informácie o výrobcovi,
• naznačujú špecializáciu alebo zameranie značky,
• môžu pridať kontext k hodnotám alebo kvalite produktov.

Nejde o kľúčový zdroj pre každý produkt, no v kombinácii s ďalšími dátami pomáha dotvoriť celkový obraz.

Ako sme popisy značiek pripravili

Využili sme to, že Shoptet umožňuje export značiek do CSV.

Postup bol nasledujúci:

• export značiek sme nahrali do jednoduchého projektu v Mergado,
• v projekte sme upravili štruktúru dát tak, aby sme získali: 
  • názov značky ako párovací prvok,
  • popis značky ako hodnotu,
• výsledné CSV sme pomocou pravidla Import dátového súboru nahrali do produktového feedu,
• popisy značiek sme k produktom priradili podľa názvu značky.

Rovnako ako pri ostatných zdrojoch sme tento obsah ukladali do pomocných elementov. Tie slúžili ako ďalšie vstupné dáta pre prompt, nie ako obsah určený priamo do výstupného feedu.

🤖 Optimalizácia produktových popisov pomocou GPT

Akonáhle sme mali všetky zdroje obsahu pripravené – či už uložené v Markdown súboroch cez Mergado Files, alebo importované do produktového feedu ako pomocné elementy – prišla na rad samotná optimalizácia produktových popisov pomocou jazykového modelu.

Cieľom už nebolo dáta len zhromaždiť, ale aktívne ich využiť pri generovaní obsahu, ktorý je:

• kontextovo bohatší,
• relevantnejší pre GPT Shopping,
• a zároveň konzistentný naprieč celým sortimentom.

Pro tuto část jsme využili rozšíření Mergado Sources, které umožňuje pracovat s GPT modely přímo nad daty v Mergadu.

Použitý nástroj a jeho rola

Rozšírenie Mergado Sources slúži ako prepojenie medzi dátami v Mergade a jazykovým modelom. Umožňuje:

• definovať, z akých elementov a zdrojov má model čerpať,
• pracovať s výbermi produktov,
• zapisovať výstupy priamo späť do feedu.

Vďaka tomu je možné generovanie popisov automatizovať a riadiť ho pomocou rovnakých princípov, aké sa v Mergade používajú aj pri iných úpravách dát.

Postup krok za krokom

Samotný proces optimalizácie sme rozdelili do niekoľkých jasných krokov. Vďaka tomu sa dal celý postup dobre testovať, ladiť a postupne škálovať.

Postupovali sme takto:

1. Aktivovali sme rozšírenie Mergado Sources

   Rozšírenie sme prepojili s OpenAI pomocou API tokenu získaného z účtu na platform.openai.com.

2. Vytvorili sme nový element

   Na stránke Elementy sme vytvorili nový element, do ktorého sa mal zapisovať výstup z jazykového modelu.

3. Zvolili sme zdroj dát

   Ako zdroj sme vybrali OpenAI a priradili výber produktov, nad ktorými sa mal obsah generovať.

4. Zvolili sme výber produktov

5. Zadali sme prompt

   Prompt sme zadávali ručne a snažili sa byť čo najkonkrétnejší:

   • aký je cieľ výstupu,
   • ako má výsledný popis vyzerať,
   • akú má mať štruktúru,
   • z akých zdrojov má model čerpať.

6. Pomocou premenných sme do promptu zapojili:
   • popisy kategórií,
   • popisy značiek,
   • recenzie produktov,
   • všeobecné informácie o e‑shope,
   • prípadne odkazy na Markdown súbory z Mergado Files.

7. Nastavili sme parametre modelu

• mieru kreativity (temperature) sme ponechali na hodnote 0,5,
• testovali sme rôzne modely (napr. GPT‑5, GPT‑5 Mini, GPT‑5 Nano).

👉 Konkrétny model odporúčame vždy otestovať – výsledky sa môžu líšiť podľa typu sortimentu.

8. Zvolili sme cieľový element

   Výstup sme zapisovali buď:

   • do nového elementu,
   • alebo priamo do existujúceho elementu (napr. pole Description v GPT Shopping feede).

9. Otestovali sme ukážkový výstup

   Rozšírenie umožňuje vygenerovať náhľad výstupu pre náhodný produkt, čo je veľmi užitočné pri ladení promptu.

10. Aplikovali sme pravidlá

    Je potrebné počítať s tým, že pravidlá sa aplikujú dvakrát,

    1. prvýkrát sa dáta odošlú do OpenAI API,
    2. druhýkrát sa vrátený výstup zapíše do cieľového elementu.

👉 Medzi oboma krokmi je vhodné nechať časovú rezervu, pretože spracovanie môže trvať aj desiatky minút v závislosti od množstva dát.

Kontrola výsledkov a ďalšie možnosti

Po vygenerovaní popisov sme:

• kontrolovali výsledný obsah pri produktoch,
• ďalej ladili samotný prompt,
• overovali konzistentnosť naprieč sortimentom.

Rovnaký prístup je možné použiť aj na optimalizáciu produktových názvov. Zdroje dát sú už pripravené, takže postup je veľmi podobný ako pri popisoch.

🏁 Záver

V tejto prípadovej štúdii sme ukázali, ako je možné pomocou Mergada systematicky optimalizovať produktové popisy a ďalšie dáta pre GPT Shopping. Nešlo len o samotné generovanie textov, ale predovšetkým o prácu s kontextom a relevanciou. Teda o to, aké dáta jazykovému modelu odovzdáme a v akej podobe.

Opísaný postup je síce založený na konkrétnom e‑shope a konkrétnom technickom riešení, no je dostatočne univerzálny na to, aby sa dal aplikovať aj na iné projekty. Kľúčové je pochopiť logiku:

• vybrať relevantné zdroje obsahu,
• pripraviť ich do štruktúrovanej podoby,
• cieľene ich využiť pri práci s jazykovým modelom.

Ak sa rozhodnete tento prístup vyskúšať aj pri svojom e‑shope, odporúčame začať postupne. Testovať na menšej vzorke produktov, ladiť prompt a až potom riešenie škálovať na celý sortiment.

Budeme radi, keď sa s nami podelíte o svoje skúsenosti – ako sa vám postup osvedčil, či priniesol očakávané výsledky a prípadne aké ďalšie zjednodušenie alebo vylepšenie ste pri práci objavili. Držíme palce. 💪