Mikä on ecommerce Knowledge Graph? Product Knowledge Graphs selitettynä Shopify-brändeille
ecommerce Knowledge Graph yhdistää tuotteet, variantit, kokoelmat, sisällöt, käytännöt ja tilaukset, jotta AI pystyy päättelemään niiden välillä. Tässä kerromme, miten product Knowledge Graph toimii ja mitä se muuttaa Shopify-brändille.
ByMikä on verkkokaupan Knowledge Graph?
Verkkokaupan knowledge graph on verkkokaupan rakenteinen kartta. Se tallentaa tuotteet, variantit, kokoelmat, sisällöt, käytännöt, tilaukset ja asiakkaat toisiinsa liittyvinä entiteetteinä, ja kirjaa myös niiden väliset suhteet, kuten "variantti tuotteesta", "kuuluu kokoelmaan" tai "kuuluu tämän käytännön piiriin". AI hyödyntää tätä rakennetta päättelyyn näiden suhteiden yli sen sijaan, että se etsisi vastauksia irrallisilta sivuilta. Siksi vastaukset, suositukset ja automatisoidut toiminnot osuvat useammin oikein.
Asiakas kysyy kauppanne chatissa: "Onko Alpine shell jacket vedenpitävä, löytyykö sitä vielä koossa XL, ja voinko palauttaa sen, jos ostan sen alesta?"
Kolme lyhyttä kysymystä. Jotta AI voi vastata niihin oikein, sen pitää löytää tuotteen ominaisuus, eli vedenpitävyysluokitus, variantti ja sen varastosaldo, tuotteen kokoelma, eli Sale, sekä palautuskäytännön sääntö, joka koskee alennustuotteita. Nämä tiedot ovat kaupassanne neljällä eri sivulla. AI, joka osaa vain hakea sivuja, löytää osan niistä. AI, joka ymmärtää miten ne liittyvät toisiinsa, löytää ne kaikki ja antaa yhden vastauksen, joka pitää oikeasti paikkansa.
Tätä yhdistettyä rakennetta kutsutaan knowledge graphiksi. Tässä oppaassa käydään läpi, mikä ecommerce knowledge graph on, miten product knowledge graph toimii, miten se eroaa knowledge basesta, RAG:sta ja vector databasesta, ja mitä se käytännössä muuttaa Shopify-brändille.
Mikä on knowledge graph?
Knowledge graph on tapa tallentaa tietoa verkostona, jossa asiat ja niiden väliset suhteet yhdistyvät toisiinsa. Jokainen asia on node, eli solmu, jota kutsutaan myös entiteetiksi. Jokainen suhde on edge. Tiedon pienin yksikkö on fakta, joka koostuu kolmesta osasta. Tätä kutsutaan usein tripleksi:
- Alpine Shell Jacket → has waterproof rating → 20,000 mm
- Alpine Shell Jacket XL → is a variant of → Alpine Shell Jacket
- Sale collection → is covered by → final-sale returns rule
Yksittäinen fakta on yksinään yksinkertainen. Arvo syntyy yhteyksistä: kun faktoilla on yhteisiä nodeja, kone voi kulkea niiden välillä ja vastata kysymyksiin, joihin yksittäinen sivu ei anna vastausta.
Ajatus nousi laajempaan käyttöön vuonna 2012, kun Google julkaisi oman Knowledge Graphinsa ymmärtääkseen oikean maailman entiteettejä pelkkien avainsanojen sijaan. Sama periaate pyörittää nyt Amazonin tuotehakua, monien jälleenmyyjien suosittelujärjestelmiä ja yhä useammin myös AI agenteja, jotka keskustelevat asiakkaidenne kanssa.
Mikä on product knowledge graph?
Product knowledge graph soveltaa tätä mallia tuotekatalogiin. Tuotteista tulee nodeja, samoin niitä kuvaavista asioista: brändeistä, tuotetyypeistä, materiaaleista, koista, väreistä, käyttötarkoituksista ja yhteensopivista lisävarusteista. Edget tallentavat niiden suhteet toisiinsa, joten graph tietää, että takki on yksi outerwearin tyyppi, käyttää tiettyä kalvoa, löytyy viidessä koossa ja sopii yhteen tietyn hupun kanssa.
Ecommerce knowledge graph, jota kutsumme Flyweightilla commerce knowledge graphiksi, menee askeleen pidemmälle. Se yhdistää katalogin kaikkeen muuhun, mitä kauppanne tietää:
| Kokonaisuus | Esimerkkejä Shopify-kaupasta | Tyypillisiä suhteita |
|---|---|---|
| Tuotteet ja variantit | Alpine Shell Jacket, koko XL, väri Navy | variantti tuotteesta, varastossa, hinnoiteltu |
| Kokoelmat ja taksonomia | Päällysvaatteet, Ale, Uutuudet | kuuluu kokoelmaan, on tyyppiä |
| Tuoteattribuutit | Vedenpitävyysluokitus, materiaali, istuvuus | sisältää attribuutin, yhteensopiva |
| Sisältö | Koko-opas, UKK, blogiartikkelit | selittää, vastaa |
| Käytännöt | Palautukset, toimitus, takuu | koskee, rajaa pois |
| Tilaukset ja asiakkaat | Tilaus #8412, toimituksen tila | sisältää, asiakkaan tekemä, oikeutettu |
| Yhdistetyt järjestelmät | Helpdesk, Klaviyo, toimitustyökalu | synkronoitu, käynnistää |
Ero on tärkeä. Product graph auttaa konetta ymmärtämään, mitä myytte. Ecommerce knowledge graph auttaa sitä ymmärtämään, miten liiketoimintanne toimii: mitä sääntöjä mihinkin tuotteisiin sovelletaan, mitä asiakas on jo tilannut, ja mitä AI saa tehdä seuraavaksi.
Näin se toimii: yksi asiakaskysymys vaihe vaiheelta
Palataan takkikysymykseen. Näin AI agent vastaa siihen, kun se pystyy päättelemään graphin avulla:
- Tunnistaa entiteetin. "Alpine shell jacket" yhdistetään yhteen tuotenodeen, vaikka asiakas kirjoittaisi nimen väärin tai käyttäisi synonyymiä.
- Lukee ominaisuuden. Tuotteella on waterproof-rating edge, joten agent kertoo oikean luokituksen sen sijaan, että arvaisi sanan "shell" perusteella.
- Tarkistaa variantin. Se seuraa yhteyttä XL-varianttiin ja lukee tämänhetkisen varastosaldon.
- Löytää oikean säännön. Tuote kuuluu Sale-kokoelmaan, ja tämä kokoelma on linkitetty tiettyyn palautuskäytännön kohtaan.
- Vastaa kerralla oikein. Tämän esimerkkikaupan tapauksessa: "Kyllä, vedenpitävyysluokitus on 20,000 mm, kokoa XL on varastossa, ja ale-tuotteet voi palauttaa 14 päivän sisällä store creditiä vastaan."
Ilman graphia AI hakee nipun tekstikatkelmia, jotka näyttävät muistuttavan kysymystä, ja toivoo, että oikeat osuvat joukkoon. Jos palautussivulla yleinen 30 päivän sääntö näkyy ensin ja alepoikkeus alempana, valittu tekstikatkelma ratkaisee, onko vastaus oikein. Tästä suurin osa vääristä chatbot-vastauksista syntyy: ei siitä, että tieto puuttuisi, vaan siitä, että tiedon osien väliset yhteydet puuttuvat.
Knowledge graph vs knowledge base vs RAG vs vector database
Nämä termit menevät usein sekaisin, osittain siksi, että niitä käytetään usein yhdessä. Näin ne eroavat toisistaan.
| Lähestymistapa | Mitä se on | Miten AI käyttää sitä | Missä se jää vajaaksi |
|---|---|---|---|
| Tietopankki | Kokoelma dokumentteja: FAQ:t, ohjeartikkelit, käytäntösivut | Etsii osuvimman artikkelin | Faktat ovat tekstin sisällä, eikä artikkeleiden välisiä suhteita ole kuvattu selkeästi |
| Vektoritietokanta | Tallentaa tekstin embeddingeina eli merkitystä kuvaavina numeerisina esityksinä | Löytää kohtia, jotka ovat semanttisesti lähellä kyselyä | Samankaltainen ei ole sama kuin oikea, eikä se pysty seuraamaan ketjua kuten tuote → kokoelma → käytäntö |
| RAG (retrieval-augmented generation) | Menetelmä: haetaan relevantti sisältö ja annetaan sitten suuren kielimallin kirjoittaa vastaus | Perustaa vastaukset teidän sisältöönne mallin koulutusdatan sijaan | Toimii vain niin hyvin kuin mitä se löytää, ja monivaiheisista kysymyksistä jää usein jotain puuttumaan |
| Knowledge Graph | Entiteetit ja niiden väliset eksplisiittiset suhteet | Seuraa suhteita ja kokoaa juuri ne faktat, joita kysymys tarvitsee | Vaatii rakenteistamista ja jatkuvaa ylläpitoa |
Onko knowledge graph parempi kuin RAG? Ne ratkaisevat eri ongelmia, ja vahvimmat järjestelmät yhdistävät ne. RAG varmistaa, että AI vastaa teidän datanne pohjalta eikä muistista. Knowledge graph varmistaa, että haettu data liittyy yhteen oikein. Tätä yhdistelmää kutsutaan usein nimellä GraphRAG: graph päättää, mitkä faktat kuuluvat yhteen, ja kielimalli muotoilee niistä luonnollisen vastauksen.
Sama pätee knowledge base vs knowledge graph -vertailuun. UKK:t ja ohjeartikkelit eivät vanhene tai käy turhiksi, vaan niistä tulee syötteitä. Graph linkittää jokaisen artikkelin niihin tuotteisiin, kokoelmiin ja käytäntöihin, joista siinä puhutaan, jotta oikea artikkeli löytyy oikealle tuotteelle.
Esimerkkejä knowledge graphin käytöstä verkkokaupassa
Isot jälleenmyyjät ovat investoineet product knowledge grapheihin jo vuosia, pääasiassa hakua ja suosituksia varten.
- Amazon rakentaa product graphinsa pitkälti automaattisesti. Amazon Science kertoo, että sen AutoKnow-järjestelmä kolminkertaisti graphin faktojen määrän poimimalla ja siivoamalla tuoteattribuutteja laajassa mittakaavassa.
- DoorDash käyttää LLM:iä poimiakseen tuoteattribuutteja rakenteettomasta SKU-datasta ja lisää ne product knowledge graphiinsa, joka ruokkii personoitua hakua ja suosituksia.
- Google pyörittää tuotteista, myyjistä, hinnoista ja arvosteluista koostuvaa Shopping Graphia Knowledge Graphinsa rinnalla. Tuotesivujenne rakenteinen data on yksi tapa, jolla kataloginne päätyy sinne.
- Keskisuuri Shopify-brändi voi hyödyntää samaa logiikkaa pienemmässä mittakaavassa. Kaupassa, jossa on 800 SKU:ta, kokotaulukko, kolme toimitusaluetta ja palautuskäytäntö kahdella poikkeuksella, on jo kaikki hyödyllisen graphin rakennuspalikat. Yleensä puuttuu vain aika rakentaa se käsin.
Mitä ecommerce knowledge graph antaa AI:n tehdä
Shopify-brändille käytännön hyödyt liittyvät vähemmän data scienceen ja enemmän siihen, että arjen vastaukset ja toiminnot menevät oikein. Juuri se näkyy asiakkaan kokemuksessa.
Fiksummat tuotesuositukset
Suositukset voivat perustua oikeisiin tuoteattribuutteihin ja asiakkaan tarpeisiin, eivät vain siihen, mitä "muutkin ostivat". Asiakas, joka sanoo "juoksen pitkiä matkoja sateessa", voidaan yhdistää tuotteisiin vedenpitävyyden, painon ja istuvuuden perusteella. Attribuuttipohjainen personointi helpottaa myös cold-start-ongelmaa: uudella tuotteella ei vielä ole myyntihistoriaa, mutta sillä on ominaisuudet.
Selkeät vertailut tuotteiden ja varianttien välillä
Kun attribuutit tallennetaan vertailtavina kenttinä eikä pelkkänä tekstinä, AI voi kertoa täsmällisesti, miten kaksi mallia tai kaksi varianttia eroavat toisistaan, ilman että viereisten tuotekuvausten speksit menevät sekaisin.
Yhteensopivuus ja cross-sell
"Sopiiko tämä suodatin koneeseeni?" on suhdekysymys. Kun graphissa on compatible-with-yhteydet, AI voi vastata luotettavasti ja ehdottaa oikeaa lisävarustetta satunnaisen bestsellerin sijaan.
Tarkat, kauppakohtaiset käytännöt
Ale-tuotteiden, personoitujen tuotteiden tai kansainvälisten tilausten poikkeukset linkitetään niihin tuotteisiin, joihin ne oikeasti pätevät. AI soveltaa teidän sääntöjänne, ei internetin yleisintä sääntöä.
Kontekstia ymmärtävä tuki ja turvalliset toiminnot
Kun tilaukset ja asiakaskonteksti on yhdistetty, AI voi vastata kysymykseen "missä tilaukseni on?" oikealla datalla. Ennen kuin se muuttaa toimitusosoitetta tai peruu tilauksen, se tarkistaa ensin fulfilment-statuksen ja liiketoimintanne säännöt. Juuri tämä tarkistus tekee AI process automationista turvallisen ottaa käyttöön.
Parempi tuotteiden löydettävyys ja haku
Onsite-haku, joka ymmärtää että "sadetakki" ja "waterproof shell" kuuluvat samaan tuotetyyppiin, palauttaa harvemmin tyhjiä tuloksia. Lisää tästä oppaassamme AI Haku Shopifylle. Sama perusta, eli siistit attribuutit ja johdonmukainen taksonomia, helpottaa myös Googlea ja AI-hakukoneita ymmärtämään tuotesivujanne.
Miten product knowledge graph rakennetaan, ja missä se muuttuu vaikeaksi
Jos rakentaisitte sellaisen alusta asti itse, prosessi menee yleensä näin:
- Määritelkää entiteetit ja taksonomia. Päättäkää, mitkä tuoteryhmät, tuotetyypit, tuoteattribuutit ja suhteet ovat olennaisia teidän katalogillenne ja asiakkaidenne kysymyksille.
- Poimikaa attribuutit rakenteettomasta datasta. Suurin osa tuotetiedosta on otsikoissa, tuotekuvauksissa ja kuvissa, ei siisteissä kentissä. Natural language processingia eli NLP:tä ja suuria kielimalleja käytetään muuttamaan teksti attribuutti-arvo-pareiksi.
- Ratkaiskaa duplikaatit. "Navy", "dark blue" ja "marine" voivat tarkoittaa yhtä väriä. Kaksi toimittajanimeä voi tarkoittaa samaa brändiä.
- Yhdistäkää sisällöt, käytännöt ja tilaukset. Linkittäkää UKK:t, oppaat ja käytäntöjen kohdat niihin tuotteisiin ja kokoelmiin, joihin ne viittaavat, ja yhdistäkää mukaan myös live-tilaustieto.
- Pitäkää se ajan tasalla. Uusien tuotteiden, hintamuutosten ja käytäntöpäivitysten pitää virrata graphiin jatkuvasti, tai vastaukset vanhenevat.
Haasteet ovat ennustettavia: sotkuinen tuotetieto useissa eri lähteissä, epäyhtenäiset attribuutit eri kokoelmien välillä, kaiken synkassa pitäminen ja se, että Setup skaalautuu katalogin kasvaessa. Isot jälleenmyyjät ratkaisevat tämän omilla tiimeillä, koneoppimisputkilla ja graph databaseilla. Siksi knowledge graphit ovat pysyneet harvinaisina pienissä ja keskisuurissa verkkokaupoissa, vaikka tarvittava data on ollut niissä jo valmiiksi.
Ovatko knowledge graphit edelleen relevantteja LLM:ien aikakaudella?
Enemmän kuin koskaan. LLM:t ovat todella hyviä kielessä, mutta epäluotettavia faktoissa, joita niille ei annettu. Kun tietoa puuttuu tai se on epäselvää, ne paikkaavat aukon helposti uskottavan kuuloisella vastauksella. Tätä kutsutaan AI hallucinationiksi. Knowledge graph antaa mallille rakenteisen ja todennettavan lähteen, johon se voi ankkuroida vastauksensa.
Google nojaa edelleen omaan Knowledge Graphiinsa, ja AI-hakukoneet suosivat selkeästi jäsenneltyä ja hyvin yhdistettyä tietoa, kun ne päättävät, mitä brändejä ja tuotteita nostaa esiin. Suunta AI:ssa ei ole pois knowledge grapheista, vaan kohti niiden yhdistämistä kielimalleihin.
Miten Flyweight muuttaa Shopify-kauppanne commerce knowledge graphiksi
Useimpien Shopify-brändien ei tarvitse rakentaa tätä itse, koska lähdemateriaali on jo valmiiksi kaupassa. Flyweight yhdistää tuotteet, variantit, kokoelmat, sivut, blogit, UKK:t, kaupan rakenteen, tilaustiedot, varastosaldot, metafieldit, marketplacet, käytännöt ja kielet yhdeksi Commerce Knowledge Graphiksi. Mukaan voi lisätä myös muita lähteitä, kuten Zendeskin, sisältömetafieldit tai tiedostolataukset.
Tämä on commerce-native-muotoinen GraphRAG. Graph päättää, mitkä faktat kuuluvat yhteen, ja kielimalli muotoilee niistä luonnollisen vastauksen. Ero tekstipohjaiseen GraphRAG-Setupiin on siinä, mistä graph syntyy. Sen sijaan että järjestelmä haravoisi proosaa ja toivoisi poiminnan osuvan oikein, Flyweight rakentaa graphin pitkälti datasta, joka on jo valmiiksi rakenteista Shopifyssa, jossa tuotteet, variantit, tilaukset ja kokoelmat ovat first-class-entiteettejä oikeine suhteineen.
- Ei ylläpitotyötä. Graph rakennetaan nykyisestä kauppasisällöstänne ja päivittyy automaattisesti joka yö, joten uudet tuotteet, sisällöt ja käytäntömuutokset tulevat mukaan ilman käsityötä.
- Yksi lähde vastauksille ja toiminnoille. Sama graph pyörittää AI Sales & Support -keskusteluja ja AI Process Automationia, jossa agent tarkistaa, mitä se saa tehdä ennen kuin toimii.
- Te pidätte ohjat käsissä. Voitte lisätä tietoa metafieldien ja lisäsisältöjen kautta, tai rajata sisältöä pois, jos ette halua AI:n käyttävän sitä.
