AI มองสินค้าคุณผิดได้ ถ้า Product Data ปล่อยให้คนอื่นเดา

ถ้าคุณขายสินค้าบน E-commerce ลูกค้าอาจยกมือถือถ่ายภาพแล้วถาม AI ว่า “นี่คืออะไร” คำตอบไม่ได้มาจากภาพอย่างเดียว แต่ขึ้นอยู่กับว่า Catalog ของคุณบอกระบบไว้อย่างไร หากข้อมูลอย่าง Category, สี หรือประเภทสินค้าไม่ตรงกับของจริง AI อาจพาสินค้าไปอยู่ในกลุ่มผิด หรือปล่อยให้ระบบเดาสินค้าแทนคุณ

Google ระบุว่า Google Lens มีการค้นหามากกว่า 25 พันล้านครั้งต่อเดือน และหนึ่งในห้ามีเจตนาเชิงพาณิชย์ นั่นหมายความว่า Product Data ไม่ใช่แค่ข้อมูลหลังบ้าน แต่มีผลต่อการที่ลูกค้าจะเจอสินค้าของคุณหรือไม่

ภาพช่วยหา แต่ Attributes เป็นคนคัดผู้ชนะ

ระบบ Visual Search ไม่ได้เปรียบเทียบภาพของลูกค้ากับภาพสินค้าแบบจุดต่อจุด แต่จะแปลงภาพเป็นลักษณะเชิงตัวเลข หรือ visual embedding แล้วค้นหาสินค้าที่มีหน้าตาใกล้เคียงกันจากฐานข้อมูล

ปัญหาคือสินค้าที่ดูคล้ายกันอาจอยู่คนละหมวด ระบบจึงต้องใช้ข้อมูลอย่าง Category, เพศ, ประเภทสินค้า หรือช่วงราคา เพื่อจำกัดว่าควรดึงสินค้ากลุ่มไหนขึ้นมาแสดง

ข้อมูลของคุณอาจไม่ได้เป็นตัวค้นหาสินค้าโดยตรง แต่เป็นตัวกำหนดว่าสินค้ากลุ่มใดมีสิทธิ์ถูกนำมาเปรียบเทียบ

เมื่อ AI เป็นคนจัดหมวด หมายความว่าอย่างไร

ระบบอย่าง Google สามารถใช้ AI ตัดสินใจว่าจะเรียกเครื่องมือใดมาช่วยค้นหา ขณะเดียวกัน ระบบอาจจัดหมวดสินค้าเองจาก Taxonomy ของแพลตฟอร์ม หรือใช้ Category ที่ร้านค้าส่งให้เป็นข้อมูลประกอบ

ถ้าข้อมูลของคุณหาย เก่า หรือหยาบเกินไป คุณไม่ได้หลุดจากกระบวนการจัดหมวด สินค้าจะยังถูกจัดหมวดอยู่ดี เพียงแต่ครั้งนี้เป็นการคาดเดาจากระบบแทนที่จะเป็นคำอธิบายที่คุณควบคุมเอง

สิ่งที่น่าระวังคือ Merchant Center อาจแจ้งเมื่อ Feed มีข้อผิดพลาด แต่ไม่ได้แจ้งเสมอไปเมื่อค่าประเภทสินค้าของคุณถูกแทนที่หรือถูกตีความใหม่ คุณจึงอาจเห็นว่าสินค้าส่งข้อมูลผ่าน ทั้งที่การจัดหมวดไม่ตรงกับสิ่งที่ขาย

กรณีที่ Product Data สำคัญกว่าภาพ

ปัญหานี้เห็นชัดในสินค้าที่ใช้ภาพเดียวกันหลายร้าน โดยเฉพาะงาน Wholesale เมื่อผู้ขายหลายรายได้รับภาพสินค้าจากผู้ผลิตเหมือนกัน ระบบ Visual Search แยกสินค้าจากภาพไม่ได้มากนัก

ในสถานการณ์นั้น Attributes, ราคา และความน่าเชื่อถือที่แพลตฟอร์มให้กับแต่ละร้าน จะกลายเป็นตัวแยกความแตกต่าง ป้ายกำกับของคุณอาจเป็นสิ่งเดียวที่ช่วยให้ระบบเข้าใจว่าสินค้าของคุณเหมาะกับคำค้นหรือกลุ่มใด

สีเป็นตัวอย่างที่พบบ่อย หลายร้านเลือกสีจากรายการสั้น ๆ ตอนสร้างสินค้าแล้วไม่กลับมาตรวจอีก ทั้งที่สินค้าจริงอาจมีเฉดหรือรายละเอียดมากกว่านั้น การมีข้อมูลสีที่ละเอียดขึ้นช่วยลดความคลุมเครือระหว่างภาพกับ Catalog ได้

เรื่องนี้เกี่ยวกับคุณยังไง

คุณไม่จำเป็นต้องรีบซื้อ Vision Tool หรือเปลี่ยนระบบทั้งหมด สิ่งแรกคือทดสอบว่าข้อมูลใน Catalog สอดคล้องกับภาพที่ลูกค้าเห็นหรือไม่ โดยเริ่มจากสินค้าที่มีผลต่อยอดขายและการแสดงผลบนแพลตฟอร์ม

• ตรวจ Product Type และ Category ก่อน โดยเฉพาะสินค้าที่มีชื่อหรือการจัดหมวดไม่ชัดเจน
• ทบทวน Attributes สำคัญ เช่น สี ประเภทสินค้า เพศ และช่วงราคา
• เลือกสินค้าประมาณ 25 รายการ ทั้ง Bestsellers, สินค้าพื้นฐาน ลายพิมพ์ และรายการที่สงสัยว่าชื่อไม่ตรง
• ทดสอบภาพในสภาพที่ลูกค้าอาจถ่ายจริง เช่น แสงน้อย มุมเอียง หรือมีฉากหลังในบ้าน
• สังเกตว่าสินค้าถูกแสดงในหมวดที่ถูกต้องหรือไปโผล่ใต้ Listing ของร้านอื่น
• เริ่มแก้จากข้อมูลที่วัดผลได้ง่าย เช่น Feed Rejections และ Shop-by-color Filter

เป้าหมายแรกไม่ใช่ทำให้ AI เข้าใจทุกอย่างสมบูรณ์ แต่คือทำให้คำอธิบายของคุณไม่ขัดกับสิ่งที่อยู่ในภาพ เมื่อใดที่ลูกค้าถาม AI ว่าสินค้านี้คืออะไร คุณควรมีโอกาสมากที่สุดที่คำตอบจะอ้างอิงจากข้อมูลของคุณเอง