Co je ecommerce Knowledge Graph? Product Knowledge Graphs vysvětlené pro Shopify značky
Ecommerce Knowledge Graph propojuje vaše produkty, varianty, kolekce, obsah, podmínky i objednávky, aby AI dokázala chápat souvislosti napříč celým obchodem. Tady je, jak product Knowledge Graph funguje a co mění pro Shopify značku.
ByCo je ecommerce Knowledge Graph?
Ecommerce knowledge graph je strukturovaná mapa vašeho e-shopu. Ukládá produkty, varianty, kolekce, obsah, pravidla, objednávky i zákazníky jako propojené entity a zaznamenává vztahy mezi nimi, třeba „je variantou“, „patří do kolekce“ nebo „vztahuje se na něj pravidlo“. AI díky tomu nepracuje jen s jednotlivými stránkami, ale chápe i souvislosti mezi nimi. Výsledkem jsou přesnější odpovědi, doporučení i automatizované akce.
Zákazník se zeptá v chatu vašeho e-shopu: „Je bunda Alpine shell voděodolná, máte ji ještě v XL a můžu ji vrátit, když ji koupím ve slevě?“
Tři krátké otázky. Aby na ně AI odpověděla správně, potřebuje znát atribut produktu, tedy stupeň voděodolnosti, konkrétní variantu a její skladovou dostupnost, kolekci, do které produkt patří, a pravidlo z vašich podmínek vrácení, které se vztahuje na zlevněné zboží. Tyhle informace bývají rozdělené na čtyřech různých stránkách e-shopu. AI, která jen prohledává stránky, najde část z nich. AI, která chápe jejich propojení, najde všechno a vrátí jednu odpověď, která dává smysl a sedí.
Tomuhle propojenému modelu se říká knowledge graph. V tomhle průvodci si vysvětlíme, co je ecommerce knowledge graph, jak funguje product knowledge graph, jak se liší od knowledge base, RAG a vector database, a co to v praxi mění pro Shopify značku.
Co je knowledge graph?
Knowledge graph je způsob, jak ukládat informace jako síť věcí a vztahů mezi nimi. Každá věc je uzel, také se jí říká entita, a každý vztah je hrana. Nejmenší jednotkou znalosti je fakt složený ze tří částí, často označovaný jako triple:
- Alpine Shell Jacket → má voděodolnost → 20 000 mm
- Alpine Shell Jacket XL → je variantou produktu → Alpine Shell Jacket
- Kolekce Sale → vztahuje se na ni → pravidlo vrácení pro finální výprodej
Každý z těchto faktů je sám o sobě jednoduchý. Hodnota vzniká až v propojení. Jakmile fakta sdílejí stejné uzly, systém může sledovat cestu od jednoho k druhému a odpovídat na otázky, na které žádná samostatná stránka odpověď nedá.
Do širšího povědomí se tenhle princip dostal v roce 2012, kdy Google představil svůj Knowledge Graph, aby chápal skutečné entity z reálného světa, ne jen klíčová slova. Stejný princip dnes pohání produktové vyhledávání na Amazonu, doporučovací systémy v retailu a čím dál častěji i AI agenty, kteří komunikují s vašimi zákazníky.
Co je product knowledge graph?
Product knowledge graph používá tenhle model na produktový katalog. Produkty jsou uzly a stejně tak i věci, které je popisují: značky, typy produktů, materiály, velikosti, barvy, use case scénáře nebo kompatibilní doplňky. Hrany zaznamenávají, jak spolu souvisejí, takže graf ví, že bunda patří do kategorie outerwear, používá konkrétní membránu, vyrábí se v pěti velikostech a hodí se k určité kapuci.
Ecommerce knowledge graph, ve Flyweight mu říkáme commerce knowledge graph, jde ještě o krok dál. Propojuje katalog se vším ostatním, co váš e-shop ví:
| Entita | Příklady v Shopify store | Typické vztahy |
|---|---|---|
| Produkty a varianty | Bunda Alpine Shell, velikost XL, barva Navy | varianta produktu, skladem, cena |
| Kolekce a taxonomie | Svrchní oblečení, Výprodej, Novinky | patří do, je typem |
| Atributy produktů | Voděodolnost, materiál, střih | má atribut, kompatibilní s |
| Obsah | Tabulka velikostí, FAQ, články na blogu | vysvětluje, odpovídá na |
| Zásady | Vrácení zboží, doprava, záruka | vztahuje se na, nevztahuje se na |
| Objednávky a zákazníci | Objednávka č. 8412, stav vyřízení | obsahuje, vytvořil(a), má nárok na |
| Propojené systémy | Helpdesk, Klaviyo, nástroj pro fulfillment | synchronizováno s, spouští |
Ten rozdíl je důležitý. Product graph pomáhá systému pochopit, co prodáváte. Ecommerce knowledge graph mu pomáhá pochopit, jak funguje vaše firma: která pravidla platí pro které produkty, co si už zákazník objednal a co smí AI udělat jako další krok.
Jak to funguje: jedna zákaznická otázka krok za krokem
Vraťme se k otázce na bundu. Takhle AI agent odpovídá, když umí pracovat nad grafem:
- Identifikuje entitu. „Alpine shell jacket“ se spáruje s jedním konkrétním produktem, i když to zákazník napíše s překlepem nebo použije synonymum.
- Načte atribut. Produkt má vazbu na voděodolnost, takže agent uvede skutečnou hodnotu místo toho, aby hádal podle slova „shell“.
- Zkontroluje variantu. Přes vztah přejde k variantě XL a načte aktuální sklad.
- Najde správné pravidlo. Produkt je v kolekci Sale a ta je propojená s konkrétní částí podmínek vrácení.
- Odpoví jednou souvislou větou. V tomhle ukázkovém e-shopu: „Ano, má voděodolnost 20 000 mm, velikost XL je skladem a zlevněné zboží lze vrátit do 14 dnů výměnou za kredit do obchodu.“
Bez grafu AI vytáhne několik textových úryvků, které se otázce nějak podobají, a doufá, že mezi nimi bude i ten správný. Pokud stránka s vrácením zboží uvádí nahoře obecné pravidlo 30 dnů a dole výjimku pro zlevněné zboží, správnost odpovědi závisí na tom, který úryvek se zrovna vybere. Právě tady vzniká většina chybných odpovědí chatbotů: ne proto, že by chyběla informace, ale proto, že chybí propojení mezi jednotlivými informacemi.
Knowledge graph vs knowledge base vs RAG vs vector database
Tyhle pojmy se často pletou, částečně i proto, že se běžně používají společně. Tady je rozdíl.
| Přístup | Co to je | Jak to AI používá | Kde to naráží na limity |
|---|---|---|---|
| Znalostní báze | Sbírka dokumentů: FAQ, články nápovědy, stránky s podmínkami | Hledá nejrelevantnější článek | Fakta jsou uzamčená v textu, vztahy mezi články nejsou výslovně popsané |
| Vektorová databáze | Ukládá text jako embeddingy, číselné reprezentace významu | Nachází pasáže, které jsou významově podobné dotazu | Podobné neznamená správné, neumí sledovat řetězec jako produkt → kolekce → podmínky |
| RAG (retrieval-augmented generation) | Metoda: nejdřív získá relevantní obsah, pak nechá velký jazykový model napsat odpověď | Opírá odpovědi o váš obsah místo trénovacích dat modelu | Je tak dobrý, jak dobré jsou získané podklady, u vícekrokových otázek často chybí část kontextu |
| Knowledge Graph | Entity a mezi nimi jasně definované vztahy | Sleduje vztahy a poskládá přesně ta fakta, která otázka potřebuje | Vyžaduje strukturu a průběžnou správu |
Je knowledge graph lepší než RAG? Řeší jiné problémy a nejsilnější systémy kombinují obojí. RAG zajišťuje, že AI odpovídá z vašich dat, ne z vlastní paměti. Knowledge graph zajišťuje, že načtená data jsou správně propojená. Tahle kombinace se často označuje jako GraphRAG: graf rozhodne, které fakty patří k sobě, a jazykový model je převede do přirozené odpovědi.
Stejné je to i u knowledge base vs knowledge graph. Vaše FAQ a help články neztrácejí smysl, naopak se z nich stávají vstupy. Graf propojí každý článek s produkty, kolekcemi a pravidly, o kterých mluví, takže se správný obsah zobrazí u správného produktu.
Příklady knowledge graph v ecommerce
Velcí retaileři investují do product knowledge graph už roky, hlavně kvůli vyhledávání a doporučením.
- Amazon staví svůj produktový graf z velké části automaticky. Amazon Science uvádí, že jejich systém AutoKnow ztrojnásobil počet faktů v grafu tím, že ve velkém měřítku extrahoval a čistil produktové atributy.
- DoorDash používá LLMs k extrakci produktových atributů z nestrukturovaných SKU dat a přidává je do svého product knowledge graph, který pak pohání personalizované vyhledávání a doporučení.
- Google provozuje Shopping Graph s produkty, prodejci, cenami a recenzemi vedle svého Knowledge Graph. Jedním ze způsobů, jak se do něj váš katalog dostane, jsou strukturovaná data na produktových stránkách.
- Středně velká Shopify značka může stejnou logiku využít v menším měřítku. E-shop s 800 SKU, tabulkou velikostí, třemi zónami dopravy a pravidly vrácení se dvěma výjimkami už má všechno, co užitečný graf potřebuje. Obvykle chybí jen čas to celé ručně postavit.
Co ecommerce knowledge graph umožní AI dělat
Pro Shopify značku jsou praktické use case méně o datové vědě a víc o tom, aby každodenní odpovědi a akce fungovaly správně. A právě to formuje zákaznickou zkušenost.
Chytřejší doporučování produktů
Doporučení se mohou opírat o skutečné produktové atributy a potřeby zákazníka, ne jen o „zákazníci koupili také“. Pokud někdo napíše „běhám dlouhé trasy v dešti“, systém ho může spárovat podle voděodolnosti, hmotnosti a střihu. Personalizace založená na atributech navíc zmírňuje cold-start problém: úplně nový produkt ještě nemá historii prodejů, ale atributy už ano.
Jasné porovnání produktů a variant
Když jsou atributy uložené jako porovnatelné pole, ne jen jako text v popisu, AI dokáže přesně vysvětlit rozdíl mezi dvěma modely nebo dvěma variantami, aniž by zaměnila parametry ze sousedních produktů.
Kompatibilita a cross-sell
„Pasuje tenhle filtr do mého zařízení?“ je otázka na vztah. Díky vazbám compatible-with umí AI odpovědět spolehlivěji a doporučit správný doplněk místo náhodného bestselleru.
Přesná pravidla podle vašeho e-shopu
Výjimky v podmínkách pro zlevněné zboží, personalizované produkty nebo mezinárodní objednávky jsou propojené s produkty, kterých se týkají. AI pak aplikuje vaše pravidla, ne nejběžnější pravidlo, které našla na internetu.
Support podle kontextu a bezpečné akce
Propojení objednávek a zákaznického kontextu umožňuje AI odpovědět na „kde je moje objednávka?“ podle reálných dat. Než změní doručovací adresu nebo zruší objednávku, nejdřív ověří stav fulfilmentu a vaše obchodní pravidla. Právě tahle kontrola dělá z AI process automation něco, co můžete bezpečně zapnout.
Lepší objevování produktů a vyhledávání
Onsite vyhledávání, které chápe, že „bunda do deště“ a „voděodolná shell bunda“ patří do stejného typu produktu, vrací méně prázdných výsledků. Více o tom píšeme v našem průvodci AI Vyhledávání pro Shopify. Stejná disciplína, tedy čisté atributy a konzistentní taxonomie, zároveň usnadňuje porozumění vašim produktovým stránkám pro Google i AI vyhledávače.
Jak vytvořit product knowledge graph a kde to začíná být složité
Pokud byste ho stavěli od nuly, proces obvykle vypadá takhle:
- Definujete entity a taxonomii. Určíte, které kategorie produktů, typy produktů, atributy a vztahy jsou důležité pro váš katalog a otázky vašich zákazníků.
- Vytěžíte atributy z nestrukturovaných dat. Většina produktových informací je v názvech, popisech a obrázcích, ne v čistých polích. K převodu textu na dvojice atribut-hodnota se používá natural language processing, tedy NLP, a large language models.
- Vyřešíte duplicity. „Navy“, „dark blue“ a „marine“ mohou být jedna barva. Dva názvy od dodavatele mohou ve skutečnosti označovat jednu značku.
- Propojíte obsah, pravidla a objednávky. FAQ, návody a jednotlivé části podmínek napojíte na produkty a kolekce, kterých se týkají, a přidáte živá data o objednávkách.
- Udržíte vše aktuální. Nové produkty, změny cen a úpravy pravidel se musí do grafu propisovat průběžně, jinak odpovědi rychle zastarají.
Tyhle výzvy jsou docela předvídatelné: nepořádek v produktových datech rozesetých v několika zdrojích, nekonzistentní atributy napříč kolekcemi, náročnost synchronizace a potřeba škálovat Setup s růstem katalogu. Velcí retaileři to řeší specializovanými týmy, machine learning pipeline a graph database. Právě proto byly knowledge graphs dlouho vzácné u malých a středních e-shopů, i když potřebná data už dávno existovala.
Jsou knowledge graphs stále relevantní v době LLMs?
Víc než kdy dřív. LLMs jsou velmi silné v práci s jazykem, ale méně spolehlivé u faktů, které nedostaly k dispozici. Když informace chybí nebo jsou nejednoznačné, mají tendenci doplnit mezeru odpovědí, která zní věrohodně. Tomu se říká AI hallucination. Knowledge graph dává modelu strukturovaný a ověřitelný zdroj, o který může své odpovědi opřít.
Google se na svůj Knowledge Graph stále spoléhá a AI vyhledávače upřednostňují jasně strukturované a dobře propojené informace, když vybírají, které značky a produkty zmíní. Směr vývoje v AI není pryč od knowledge graphs. Naopak směřuje ke kombinaci s jazykovými modely.
Jak Flyweight promění váš Shopify store na commerce knowledge graph
Většina Shopify značek tohle nemusí budovat sama, protože zdrojová data už v e-shopu mají. Flyweight propojí produkty, varianty, kolekce, stránky, blogy, FAQ, strukturu e-shopu, informace o objednávkách, sklad, metafields, marketplaces, pravidla i jazyky do Commerce Knowledge Graph. Přidat můžete i další zdroje, třeba Zendesk, content metafields nebo nahrané soubory.
Jde o commerce-native podobu GraphRAG. Graf rozhoduje, které fakty patří k sobě, a jazykový model je převádí do přirozené odpovědi. Oproti text-only GraphRAG Setup je rozdíl hlavně v tom, odkud graf vzniká. Místo scrapování volného textu a následného odhadu, jestli extrakce dopadla správně, staví Flyweight graf z velké části z dat, která už jsou v Shopify strukturovaná. Produkty, varianty, objednávky i kolekce jsou tam first-class entity se skutečnými vztahy.
- Bez údržby. Graf se vytváří z vašeho stávajícího obsahu v e-shopu a automaticky se každou noc obnovuje, takže nové produkty, obsah i změny pravidel se propíšou bez ruční práce.
- Jeden zdroj pro odpovědi i akce. Stejný graf pohání konverzace v AI Sales & Support i AI Process Automation, kde agent před každou akcí ověří, co je povolené.
- Máte vše pod kontrolou. Můžete přidat znalosti přes metafields a další obsah, nebo vyloučit obsah, který nechcete, aby AI používala.
