Недавно команда TexTerra провела показательный эксперимент: запустила AI-агента покупать товары в реальных российских интернет-магазинах. На первый взгляд всё шло бодро — карточки нужных моделей робот нашёл везде, ни один сайт не спрятался. А дальше начался холодный душ. Публичную цену агент смог нормально считать только в половине проверенных пар «запрос — магазин», а дойти до подтверждённого перехода в корзину получилось лишь в трети случаев. Остальные магазины вроде бы «видимы», их товары есть в поиске и фидах, но для нейросети они выглядят как витрина без ценников и с запертой дверью.
Именно здесь и кроется главная иллюзия владельцев e-commerce. Кажется, что достаточно выгрузить прайс-лист в товарный фид, и нейросети сами приведут горячих покупателей. Не приведут. В подробном разборе Сергея Ломакина в блоге TexTerra показано, почему AI-сервисы не верят одному только фиду и как перестроить каталог, карточки, микроразметку и выгрузки, чтобы не путать видимость товара с реальной возможностью его купить. Разберём всю эту кухню по шагам — от структуры категорий до плана внедрения на 90 дней.
Почему AI-агент видит карточку, но теряет покупателя до корзины
Давай посмотрим, как вообще устроен современный подбор товаров через нейросети. Пользователь больше не вбивает сухое «купить робот-пылесос Москва». Он спрашивает как живого консультанта в магазине: «Какой робот-пылесос выбрать до 30 тысяч рублей, если дома живёт пушистая кошка?». И здесь начинается GEO (Generative Engine Optimization) — настройка сайта и товарных данных так, чтобы генеративные системы вроде Яндекса с Алисой или ChatGPT могли не просто найти страницу, а разобрать характеристики, сравнить модели и без искажений выдать рекомендацию.
Чтобы ответить на такой запрос, AI-сервис собирает пазл сразу из нескольких слоёв: уточняет тип щёток, отсекает лишнее по бюджету, проверяет отзывы, регион и условия доставки. Например, Яндекс Товары тянет данные одновременно и из товарного фида, и с обычных страниц сайта. Если в фиде одна цена, в карточке другая, а доставка спрятана на всплывающей картинке, алгоритм спотыкается. Причём настройка под одну площадку ничего не гарантирует в другой — у каждого сервиса своя логика обхода и проверки данных.
Эксперимент TexTerra: сколько магазинов прошёл AI-агент на каждом шаге
На графике отлично виден этот разрыв между «меня нашли» и «у меня купили». Чем ближе робот к реальной сделке, тем больше магазинов отваливается из-за технических мелочей: скрытой цены, кривого переключателя модификаций или нестыковки остатков. В итоге ты честно платишь за разработку и контент, попадаешь в поле зрения алгоритма, но деньги уносит конкурент, у которого карточка читается без ребусов.
Чтобы система не путалась, в магазине должно быть чёткое разделение ролей между страницами. Страница категории работает как консультант в торговом зале: она помогает сравнить несколько моделей по понятным параметрам. Карточка товара отвечает за финишную прямую — конкретную модификацию, точную цену, наличие на складе, гарантию и доставку. Бывает, что на один запрос алгоритм берёт куски с обеих страниц: скажем, если покупатель спрашивает про доставку пылесоса в Тулу, сервис может подтянуть выбор моделей из категории, а условия привоза — из карточки. И принцип здесь простой, как сформулировал автор разбора: подбирать страницу нужно под задачу покупателя, а не под пул товаров, который залежался на складе.
Каталог и фасетные фильтры: как не утопить поиск в пустых дублях
Большинство каталогов нарезаны так, как удобно бухгалтеру или складской программе: «Бытовая техника -> Пылесосы -> Роботы». Человек же мыслит своей болью. Если дома живёт пушистый мейн-кун, ему нужен раздел вроде «Роботы-пылесосы для владельцев домашних животных», где с первых строк понятно, на что вообще смотреть.
В начале такой категории не нужно выкатывать простыню SEO-текста на пять тысяч знаков. Хватит короткого вводного блока на несколько живых предложений: какая конструкция щёток не наматывает шерсть намертво, как робот ведёт себя на коврах, какой высоты пороги перепрыгивает и когда реально нужна станция самоочистки. Тут же полезно остудить популярный миф: одна только высокая мощность всасывания в паскалях ещё не доказывает, что пылесос хорошо соберёт шерсть с ковра.
Прямо под вводным текстом ставь обычную HTML-таблицу на пять-десять актуальных моделей. В колонки выноси то, по чему люди реально сравнивают варианты: тип щётки, максимальную высоту порога, наличие станции самоочистки и цену. Название каждой модели делай кликабельной ссылкой на её карточку. Красивую инфографику рядом нарисовать можно, но только как украшение — весь текст и цифры обязаны лежать в чистом HTML, чтобы их без труда читали и покупатели, и роботы.
Отдельные грабли — голословные обещания в описаниях. Написать «робот-пылесос отлично собирает шерсть» проще простого, но и люди, и нейросети всё хуже верят пустым эпитетам. Если делаешь такое заявление, покажи опору: сошлись на инструкцию производителя или распиши собственный мини-тест (на каком покрытии гоняли, в каком режиме, что осталось на щётке). Нет таких замеров? Тогда описывай только подтверждённые факты конструкции, без громких выводов. То же касается обновлений: модификации с разными характеристиками показывай отдельно, а дату обновления подборки меняй только после реальной проверки цен и состава. Фальшивая подмена даты «для свежести» не ускоряет переиндексацию и позиций не добавляет.
Теперь про фильтры — или, говоря профессиональным термином, фасетную навигацию. Фасетная страница — это подборка товаров, которую сайт собирает по одному или нескольким фильтрам (например, «Роботы-пылесосы со станцией самоочистки»). Штука полезная, но опасная: если открыть для поисковиков все комбинации фильтров подряд, сайт за сутки наплодит десятки тысяч мусорных URL, которые почти полностью дублируют основную категорию.
Работает простое правило отбора:
- Открываем в индекс только спросовые сочетания, под которые в каталоге реально есть выбор товаров. Даём такой странице внятный заголовок, пару строк объяснения принципа подбора и обычную HTML-ссылку из каталога. Если товары по фильтру закончились, нужно пересмотреть, стоит ли вообще держать страницу в поиске.
- Комбинации из трёх и более фильтров (плюс случайные связки вроде «белый цвет + сортировка по цене + редкий параметр») в индекс не пускаем. Исключение делают только для узких запросов, где точно есть и спрос, и достаточный ассортимент.
- Управляем дублями грамотно. Для похожих URL и страниц сортировки подходит тег
rel="canonical"на основную версию — но помни, что это рекомендация для поисковика, а не жёсткий приказ. И никогда не ставьcanonicalс полезной фасетной страницы на общую категорию, если у них разные задачи. Когда страницу нужно гарантированно убрать из выдачи, используй директивуnoindex. Главный нюанс: не закрывай этот же URL вrobots.txt, иначе робот просто не зайдёт на страницу и не увидит твойnoindex.
Сложные вопросы выбора не пытайся запихнуть в коммерческий каталог — выноси их в статьи и руководства. Например, разбор «Робот-пылесос или вертикальный пылесос: что выбрать для уборки шерсти» отлично живёт в блоге, объясняет разницу по делу и ведёт читателя в нужную категорию и карточки. Из категории, в свою очередь, дай аккуратную ссылку на этот разбор, чтобы не перегружать витрину теорией. В статьях про совместимость и расходники обязательно пиши точные названия моделей, номера устройств и артикулы — именно по ним AI-поиск связывает тексты с товарами. И ещё одна важная привычка: если популярная модель снята с продажи, не удаляй её карточку с ошибкой 404. Сохрани страницу и URL, честно напиши, что модель снята, и поставь рядом актуальные аналоги с объяснением, чем они отличаются.
Приоритетные разделы и карточка товара: где прячутся главные ошибки
Когда в магазине висит 30 или 50 тысяч позиций, желание «переделать всё разом» обычно заканчивается тем, что проект умирает на второй неделе. Разумный старт гораздо скромнее: выбери 5–10 приоритетных категорий. Смотри на два показателя — долю в выручке и спрос на запросы выбора и сравнения («что лучше», «для каких условий»). Но перед запуском трезво проверь тылы: хватит ли рук у команды, чтобы в этих выбранных разделах стабильно держать актуальные цены, остатки и характеристики? Если нет — сужай пилот.
В самой карточке товара порядок начинается с идентификаторов. Здесь часто творится полный винегрет, поэтому разведём три кода по разным углам:
- SKU — твой внутренний артикул в учётной системе магазина;
- GTIN — глобальный штрихкод товара (например, EAN или UPC);
- MPN — заводской номер модели от производителя.
Каждый код обязан лежать строго в своём поле, а тянуть их лучше напрямую из учётной системы вроде 1С, чтобы контент-менеджеры не перебивали цифры руками. Если реального GTIN или MPN нет или он не подтверждён — оставь поле пустым или вообще не выводи. Подставлять туда выдуманные заглушки вроде 000000 — верный способ сломать сопоставление товара в алгоритмах.
Инфографическая схема карточки товара с тремя полями кодов SKU, GTIN и MPN, статусом наличия и прямым обменом данными с 1С и товарным фидом.
Характеристики раскладывай по отдельным полям и всегда пиши с единицами измерения: не просто «800», а «мощность — 800 Вт», «объём — 2 л». Разную комплектацию оформляй как разные предложения: шуруповёрт «тушкой» без аккумулятора и тот же шуруповёрт в кейсе с двумя батареями — это два разных товара, и смешивать их в одной карточке нельзя.
Само описание строй от живой пользы, а не от рекламных лозунгов. В первом абзаце сразу отвечай, кому подойдёт модель. Дальше — честные ограничения по совместимости и комплектации. А следом забирай реальные повторяющиеся вопросы из переписок с клиентами и отзывов и отвечай на них с конкретными артикулами, например: «Подходит к принтерам X и Y. Для версии Z нужен другой адаптер». Только обязательно дай эти ответы на проверку специалисту по ассортименту, чтобы не наобещать лишнего.
Особое внимание — условиям покупки. Кто именно даёт гарантию, на какой срок и с какими оговорками? Отделяй дополнительную гарантию своего магазина от гарантии производителя. По доставке пропиши регионы и понятный способ расчёта срока, а условия возврата изложи нормальным человеческим языком со ссылкой на полные правила. Критический момент: все эти данные должны лежать в обычном HTML. Если условия доставки зашиты в баннер-картинку или спрятаны во вкладку, которая подгружается только после хитрого клика, AI-агент их просто не увидит.
И не бросай карточки, когда товар закончился на складе. Оставь URL живым, крупно покажи статус «Нет в наличии», замени кнопку «Купить» на подписку о поступлении и предложи доступные аналоги с кратким разбором отличий. Главное — чтобы статус «нет в наличии» совпадал сразу в трёх местах: на самой странице, в микроразметке (OutOfStock) и в товарном фиде, подтягиваясь из реального учёта остатков.
Микроразметка Schema.org: как подружить Product, Offer и ProductGroup
Даже если карточка красиво свёрстана для человека, нейросети и поисковику намного проще и надёжнее считывать данные из структурированного блока кода — микроразметки Schema.org в формате JSON-LD. Здесь работают пять основных кирпичиков:
Productописывает сам товар (название, бренд, артикулы, фото);Offerотвечает за коммерческое предложение продавца (цену, валюту, наличие, ссылку);ProductGroupсвязывает модификации одной модели (например, цвета или объёмы памяти), чтобы алгоритм не путал варианты;BreadcrumbListпоказывает, в какой ветке каталога лежит страница;ItemListпомогает разметить список товаров на странице категории.
А чтобы склеить сущности внутри одного блока кода — например, привязать конкретного продавца (Organization) к каждому предложению (Offer.seller) — используется технический идентификатор @id.
Пример отображения вариантов товара с микроразметкой ProductGroup в выдаче Google (Источник: Google Search Central)
Ниже — сокращённый рабочий пример JSON-LD из разбора TexTerra для пылесоса серии A в белом и чёрном цвете. Здесь видно, как ProductGroup объединяет два варианта с разными SKU, ценами и статусами наличия (перед внедрением на свой сайт замени демонстрационные адреса и значения на реальные).
{
"@context": "https://schema.org",
"@graph": [
{
"@type": "Organization",
"@id": "https://example.ru/#seller",
"name": "Интернет-магазин",
"url": "https://example.ru/"
},
{
"@type": "BreadcrumbList",
"itemListElement": [
{
"@type": "ListItem",
"position": 1,
"name": "Каталог",
"item": "https://example.ru/catalog/"
},
{
"@type": "ListItem",
"position": 2,
"name": "Пылесосы",
"item": "https://example.ru/vacuums/"
}
]
},
{
"@type": "ProductGroup",
"name": "Пылесос серии A",
"productGroupID": "A",
"variesBy": ["https://schema.org/color"],
"hasVariant": [
{
"@type": "Product",
"name": "Пылесос A, белый",
"sku": "A-WHITE",
"mpn": "MODEL-A-W",
"color": "белый",
"image": "https://example.ru/img/a-white.jpg",
"brand": {"@type": "Brand", "name": "Бренд A"},
"offers": {
"@type": "Offer",
"url": "https://example.ru/a/?color=white",
"price": "24990",
"priceCurrency": "RUB",
"availability": "https://schema.org/InStock",
"seller": {"@id": "https://example.ru/#seller"}
}
},
{
"@type": "Product",
"name": "Пылесос A, черный",
"sku": "A-BLACK",
"mpn": "MODEL-A-B",
"color": "черный",
"image": "https://example.ru/img/a-black.jpg",
"brand": {"@type": "Brand", "name": "Бренд A"},
"offers": {
"@type": "Offer",
"url": "https://example.ru/a/?color=black",
"price": "25990",
"priceCurrency": "RUB",
"availability": "https://schema.org/OutOfStock",
"seller": {"@id": "https://example.ru/#seller"}
}
}
]
}
]
}
Обрати внимание, насколько чисто разведены варианты: у белого пылесоса свой sku, свой url с параметром цвета, цена и статус InStock, а у чёрного — другой артикул, другая цена и честный OutOfStock. Если варианты открываются по разным адресам, у каждого варианта обязательно должна быть своя прямая ссылка.
В официальной документации Google Search Central и спецификации Schema.org закреплены два подхода к связке вариантов. Первый — вложенный (hasVariant), как в коде выше, когда все модификации описаны внутри одного ProductGroup. Второй — невложенный (isVariantOf), когда каждый вариант живёт на отдельном URL как самостоятельный Product и просто ссылается на родительский ProductGroup. Удобный плюс такой схемы: общие свойства вроде бренда, описания, рейтинга модели или политики возврата можно вынести на уровень ProductGroup, чтобы не дублировать их десятки раз. При этом условия доставки и возврата добавляй в разметку только тогда, когда они реально прописаны на сайте и совпадают с правилами магазина.
А теперь — про две классические мины, на которых подрываются российские магазины. Первая — торговые предложения в 1С-Битрикс. Очень частая картина: покупатель кликает на переключатель цвета, на экране цена меняется с 24 990 ₽ на 25 990 ₽, а JSON-LD в коде страницы так и продолжает отдавать данные первого варианта по умолчанию. Для робота это выглядит как расхождение цены. После внедрения обязательно пощёлкай переключатели вариантов и проверь, синхронно ли обновляются URL, SKU, цена и наличие.
Вторая мина — блок рейтинга AggregateRating. Его можно выводить только тогда, когда на странице действительно есть опубликованные отзывы именно на эту модель. Подсовывать общий рейтинг интернет-магазина вместо рейтинга конкретного пылесоса категорически нельзя. Готовую разметку прогоняй сразу через три инструмента: Google Rich Results Test, Schema Markup Validator и валидатор Яндекс Вебмастера. И держи в голове трезвую оговорку: зелёный свет в валидаторе означает лишь отсутствие синтаксических ошибок, но сам по себе не гарантирует расширенный сниппет или место в ответе нейросети.
Товарные фиды на практике: Яндекс YML, Google Merchant Center и OpenAI
Микроразметка помогает роботу понять отдельную страницу, а товарный фид — это структурированный файл-выгрузка, через который магазин массово передаёт ассортимент, цены, остатки и ссылки напрямую в товарные сервисы. Единого волшебного фида «для всех нейросетей сразу» не существует. Более того, выбор площадки жёстко привязан к географии твоих продаж.
Товарная панель в поиске Google на основе структурированных данных и фида (Источник: Google Search Central)
Чтобы не путаться в форматах и не тратить недели разработки на каналы, которые у тебя не сработают, сведём три главные системы в одну таблицу.
| Площадка | Формат файла | Доступность для РФ | Ключевые обязательные поля | Группировка вариантов |
|---|---|---|---|---|
| Яндекс Товары и Директ | YML (XML) | Приоритет №1 для РФ | id (до 80 симв.), url, price, currencyId, categoryId, picture, name, available | Отдельные <offer>, связь через group_id и <param> |
| Google Merchant Center | XML / TSV / API | Не поддерживается для продаж в РФ | id, title, link, price, availability (строго в тон с JSON-LD) | Атрибут item_group_id |
| OpenAI Product Feed (ChatGPT) | jsonl.gz / parquet (SFTP/API) | Не в первую очередь (нужна проверка стран и Business Hub) | 9 полей: item_id, title, description, url, brand, seller_name, image_url, availability, price | Поля group_id и variant_dict |
Давай разберём практические детали по каждой системе, начиная с того, что реально кормит российский e-commerce сегодня.
Яндекс YML (Яндекс Товары и Директ). По справке Яндекс Товаров, каждое товарное предложение, которое можно заказать, оформляется отдельным тегом <offer>. Для разных цветов или размеров заводи отдельные предложения со стабильными идентификаторами. Удобный инженерный приём: используй один и тот же offer id (например, A-WHITE) одновременно в YML-фиде и в событиях электронной коммерции Яндекс Метрики — тогда аналитика и товарные показы склеиваются без костылей.
<!-- Белая модификация: стабильный ID совпадает с SKU и Метрикой -->
<offer id="A-WHITE" available="true" group_id="A">
<url>https://example.ru/a/?color=white</url>
<price>24990</price>
<currencyId>RUB</currencyId>
<categoryId>101</categoryId>
<picture>https://example.ru/img/a-white.jpg</picture>
<name>Пылесос A, белый</name>
<param name="Цвет">белый</param>
</offer>
В этом коротком блоке заложены сразу несколько правил Яндекса. Для российского рубля поддерживаются обозначения RUB и RUR — ставь то, которое требует конкретный сервис. Атрибут group_id необязателен для одиночных товаров, но для склейки модификаций работает в паре с тегами <param> (цвет, размер и т. д.). Если товар закончился, передавай available="false" или убирай позицию из активной выгрузки — в товарные показы идут доступные предложения. Один и тот же YML-файл можно скормить и Яндекс Товарам, и Директу, но только после сверки правил обоих сервисов: обязательные поля и логика обработки у них отличаются.
И самый жёсткий нюанс Яндекса, который бьёт по карману. Если робот найдёт неверную цену или битую карточку у отдельных позиций, их просто снимут с показов. Но если ошибки обнаружатся более чем в 25% проверенной выборки, весь источник данных могут целиком отключить от товарных показов. Поэтому частоту генерации фида подбирай под скорость смены цен и остатков на складе и регулярно проверяй отчёт об ошибках загрузки.
Google Merchant Center. Здесь короткий и честный «холодный душ»: если твой магазин продаёт только внутри России, тратить время на Merchant Center сейчас бессмысленно. Россия не поддерживается как целевая страна для Shopping Ads и бесплатных товарных объявлений. Этот фид нужен только тем, кто выходит на зарубежные рынки — и там критично, чтобы id, item_group_id, price и availability в фиде идеально совпадали с JSON-LD на сайте.
Товарный фид OpenAI для ChatGPT. Похожая история с географией: для локального российского магазина это точно не задача первого месяца. Подключение идёт через Business Hub после верификации бизнеса, а список доступных стран и условия программы нужно проверять прямо перед стартом. Если же ты продаёшь за рубеж, ориентируйся на актуальную спецификацию OpenAI Product Feed: там строго запрещено переиспользовать item_id под другой товар, цена передаётся числом с кодом валюты по стандарту ISO 4217 (например, 79.99 USD), а наличие — фиксированными статусами in_stock или out_of_stock. Ссылка url должна открывать уже предвыбранную модификацию.
Ниже — компактный интерактивный симулятор, собранный по реальным точкам отказа из эксперимента TexTerra и правил площадок. Пощёлкай тумблеры под состояние своего магазина и посмотри, дойдёт ли AI-агент до корзины или споткнётся по дороге.
Симулятор: пройдёт ли карточка и фид проверку AI-агента
Симулятор наглядно показывает механику провала: даже при идеальном YML-фиде достаточно одного рассинхрона между вариантами в карточке и остатками в 1С, чтобы агент застопорился перед корзиной. Поэтому после настройки фида не верь на слово зелёным галочкам в админке — проведи ручную выборочную проверку. Возьми несколько товаров разных типов и пару модификаций одной модели. Сверь ID, прямую ссылку на нужный вариант, цену и наличие в фиде с тем, что реально открывается на сайте. А потом пройди путь покупателя до самой корзины и посмотри глазами, сохранился ли выбранный цвет/комплект и не поехала ли итоговая стоимость.
Внешние площадки, отзывы и еженедельный мониторинг AI-ответов
Нейросеть редко смотрит только на твой сайт — она сверяет факты по всему открытому интернету, включая маркетплейсы и отзовики. Если на сайте пылесос называется одним образом, а на маркетплейсе у тебя в карточке куцее название без артикула, алгоритм может вообще не понять, что речь об одной и той же модели.
Поэтому на внешних площадках везде, где позволяют поля, указывай полное название модели и заводской артикул производителя. Отдельно и внятно расписывай комплектацию — опять же, инструмент без аккумулятора и набор с аккумулятором должны чётко различаться. Заполни профиль официального магазина и добавь ссылку на основной сайт, если правила площадки это не запрещают. А на собственном сайте собирай подлинные отзывы именно о товарах и отделяй их от оценок работы курьеров или пункта выдачи: человеку, который выбирает модель, важны её болячки в работе, а не то, что курьер опоздал на десять минут в прошлый вторник.
Как понять, что твои переделки вообще работают? На глазок — никак. Нужен простой протокол мониторинга. Для старта собери выборку из 15–20 товарных запросов по приоритетным категориям. Не ограничивайся одним типом вопросов, намешай реальные сценарии покупателей:
- подбор под бюджет (например, «шуруповёрт до 12 000 рублей для сборки мебели»);
- сравнение двух моделей;
- поиск аналогов;
- покупка с доставкой в конкретный регион;
- проверка условий гарантии у конкретного продавца.
Каждый ответ нейросети оценивай строго по смыслу задачи. Если спрашивал про шуруповёрт до 12 000 ₽ для сборки мебели — проверь, действительно ли предложенная модель укладывается в бюджет и подходит для мебельных задач. Если спрашивал про гарантию на модель X у продавца Y — сверяй именно условия этого продавца, а не общие слова из инструкции.
Замеры проводи в одном и том же регионе и аккуратно веди табличку: какой сервис проверял, дату, точную формулировку запроса, состояние аккаунта и сессии. Не надейся слепо на режим инкогнито: он убирает часть истории браузера, но не отменяет региональную и другую персонализацию. В результаты записывай факт упоминания твоего магазина, URL, актуальность цены и наличие. Отдельной строкой фиксируй галлюцинации и промахи — когда нейросеть называет твой товар, но ведёт на конкурента или подставляет другую модификацию. И главное: единичное попадание в ответ вообще ничего не доказывает. Прогоняй свой список по одному протоколу регулярно, например раз в неделю, и смотри динамику по серии замеров.
План внедрения на 30, 60 и 90 дней: с чего начать без раздутой команды
Чтобы эта работа не превратилась в бесконечный ремонт, который съедает бюджет и не даёт результата, разбей её на три понятных 30-дневных спринта.
Первые 30 дней — приоритеты и исходный замер. Выбираешь 5–10 приоритетных категорий и пилотный пул товаров. Проверяешь базу: доступны ли страницы для обхода, нет ли каши в названиях, единицах измерения, ценах и остатках. Прогоняешь свои 15–20 стартовых запросов в AI-сервисах и фиксируешь «точку А», чтобы через два месяца было с чем сравнивать. Главный артефакт первого месяца — конкретный список расхождений с назначенными ответственными и сроками.
К 60-му дню — технические исправления. Чинишь шаблоны карточек и связи между вариантами, внедряешь и валидируешь JSON-LD (ProductGroup + Product + Offer), собираешь или приводишь в порядок YML-фид. Настраиваешь синхронизацию цен и остатков в цепочке «учётная система (1С) -> сайт -> фид». Отдельным пунктом проверяешь торговые предложения в 1С-Битрикс и региональные остатки. В финале этапа делаешь контрольную выгрузку и проверяешь, что реально отображается на сайте и в кабинете товарного сервиса.
К 90-му дню — расширение пилота. Когда база на первых категориях работает без сбоев, добавляешь следующие разделы, открываешь полезные фасетные страницы фильтров и выпускаешь руководства по выбору с перелинковкой. Повторяешь мониторинг по тем же 15–20 запросам в тех же условиях, закрываешь оставшиеся расхождения и дальше масштабируешь подход ровно на столько категорий, сколько тянет твоя команда.
Короткий чек-лист перед контрольной выгрузкой
- В приоритетных категориях есть вводный текст под задачу покупателя и HTML-таблица на 5–10 моделей со ссылками.
- Мусорные комбинации из 3+ фильтров закрыты от индекса через
noindex(без блокировки вrobots.txt), а полезные фасеты не канонизированы на общую категорию. - В карточках
SKU,GTINиMPNразведены по своим полям без выдуманных заглушек, а условия доставки, гарантии и возврата лежат в чистом HTML. - Переключение варианта на сайте обновляет URL, цену, наличие и JSON-LD (
ProductGroup/Product/Offer), а рейтинг магазина не подмешан вAggregateRatingтовара. - YML-фид синхронизирован с остатками, доля ошибок строго ниже 25%, и на выборке товаров проверен полный путь до корзины.
Нет, универсального фида для всех систем не существует, как и смысла плодить выгрузки про запас. Готовь отдельный фид только под ту площадку, которая реально принимает товарные данные напрямую и доступна для твоего региона продаж.
Одного Product мало: он описывает лишь сам товар. Чтобы робот понял цену, наличие и ссылку конкретного продавца, нужен Offer, а для объединения цветов, размеров и комплектаций — ProductGroup. Причём всё в разметке обязано совпадать с тем, что видит покупатель на экране.
Честный ответ — нет. Магазин может дать алгоритмам чистые страницы, согласованные цены и валидные фиды, убрав технические причины для отказа. Но окончательное решение, какие источники включить в ответ, всегда остаётся за самим AI-сервисом — поэтому результат нужно отслеживать регулярными замерами, а не ждать чуда после одной выгрузки.




