Che cos'è un Knowledge Graph ecommerce? Product Knowledge Graph spiegati per i brand Shopify
Un Knowledge Graph ecommerce collega prodotti, varianti, collezioni, contenuti, policy e ordini, così l'AI può ragionare su tutto in modo connesso. Ecco come funziona un product Knowledge Graph e cosa cambia per un brand Shopify.
ByCos'è un Knowledge Graph per ecommerce?
Un ecommerce knowledge graph è una mappa strutturata del vostro store online. Organizza prodotti, varianti, collezioni, contenuti, policy, ordini e clienti come entità collegate tra loro, e registra le relazioni che le uniscono, come "variante di", "appartiene alla collezione" oppure "coperto da una policy". L'AI lo usa per ragionare su queste connessioni invece di cercare in pagine isolate, così risposte, consigli e azioni automatiche diventano più accurate.
Un cliente scrive nella chat del vostro store: "La giacca Alpine shell è impermeabile, è ancora disponibile in XL e posso restituirla se la compro in saldo?"
Tre domande brevi. Per rispondere bene, un'AI deve recuperare un attributo prodotto, cioè il livello di impermeabilità, una variante e la sua disponibilità a magazzino, cioè la XL, la collezione in cui si trova il prodotto, cioè Sale, e la regola della vostra policy resi che vale per gli articoli in saldo. Queste informazioni si trovano su quattro pagine diverse del vostro store. Un'AI che si limita a cercare nelle pagine ne troverà solo una parte. Un'AI che capisce come sono collegate le troverà tutte e darà una risposta unica, davvero corretta.
Questa struttura connessa si chiama knowledge graph. In questa guida vediamo cos'è un ecommerce knowledge graph, come funziona un product knowledge graph, in cosa si differenzia da una knowledge base, da RAG e da un vector database, e cosa cambia per un brand Shopify.
Cos'è un knowledge graph?
Un knowledge graph è un modo di memorizzare informazioni come una rete di elementi e delle relazioni tra loro. Ogni elemento è un nodo, chiamato anche entità, e ogni relazione è un arco. L'unità minima di conoscenza è un fatto composto da tre parti, spesso chiamato triple:
- Alpine Shell Jacket → ha livello di impermeabilità → 20.000 mm
- Alpine Shell Jacket XL → è una variante di → Alpine Shell Jacket
- Collezione Sale → è coperta da → regola resi final sale
Ogni fatto, preso da solo, è semplice. Il valore sta nelle connessioni: quando più fatti condividono gli stessi nodi, una macchina può seguire il percorso da uno all'altro e rispondere a domande a cui nessuna singola pagina riesce a rispondere.
Il concetto è diventato mainstream nel 2012, quando Google ha introdotto il suo Knowledge Graph per capire le entità del mondo reale invece di limitarsi a confrontare keyword. Oggi lo stesso principio è alla base della product search su Amazon, dei sistemi di raccomandazione nel retail e, sempre più spesso, degli AI agent che parlano con i vostri clienti.
Cos'è un product knowledge graph?
Un product knowledge graph applica questo modello a un catalogo. I prodotti diventano nodi, così come tutto ciò che li descrive: brand, tipi di prodotto, materiali, taglie, colori, casi d'uso e accessori compatibili. Gli archi registrano come sono collegati, quindi il grafo sa che una giacca è un tipo di outerwear, usa una certa membrana, è disponibile in cinque taglie e si abbina a uno specifico cappuccio.
Un ecommerce knowledge graph, che in Flyweight chiamiamo commerce knowledge graph, fa un passo in più. Collega il catalogo a tutto il resto che il vostro store conosce:
| Entità | Esempi in uno store Shopify | Relazioni tipiche |
|---|---|---|
| Prodotti e varianti | Giacca Alpine Shell, taglia XL, colore Navy | variante di, disponibile, al prezzo di |
| Collezioni e tassonomia | Outerwear, Saldi, Nuovi arrivi | appartiene a, è un tipo di |
| Attributi del prodotto | Livello di impermeabilità, materiale, vestibilità | ha come attributo, compatibile con |
| Contenuti | Guida alle taglie, FAQ, articoli del blog | spiega, risponde a |
| Policy | Resi, spedizione, garanzia | si applica a, esclude |
| Ordini e clienti | Ordine #8412, stato di evasione | contiene, effettuato da, idoneo per |
| Sistemi collegati | Helpdesk, Klaviyo, strumento di evasione | sincronizzato con, attiva |
La differenza conta. Un product graph aiuta una macchina a capire cosa vendete. Un ecommerce knowledge graph la aiuta a capire come funziona il vostro business: quali regole valgono per quali prodotti, cosa ha già ordinato un cliente e cosa l'AI può fare dopo.
Come funziona: una domanda cliente, passo dopo passo
Torniamo alla domanda sulla giacca. Ecco come risponde un AI agent quando può ragionare su un grafo:
- Identifica l'entità. "Giacca Alpine shell" viene collegata a un singolo nodo prodotto, anche se il cliente sbaglia a scriverla o usa un sinonimo.
- Legge l'attributo. Il prodotto ha un arco con il livello di impermeabilità, quindi l'agent comunica il dato reale invece di dedurlo dalla parola "shell".
- Controlla la variante. Segue l'arco fino alla variante XL e legge lo stock attuale.
- Trova la regola giusta. Il prodotto appartiene alla collezione Sale, e quella collezione è collegata a una clausola specifica della policy resi.
- Risponde in un colpo solo. In questo store di esempio: "Sì, ha un livello di impermeabilità di 20.000 mm, la XL è disponibile e gli articoli in saldo possono essere restituiti entro 14 giorni con store credit."
Senza il grafo, l'AI recupera una manciata di frammenti di testo simili alla domanda e spera che tra quelli ci siano quelli giusti. Se la pagina dei resi descrive la regola generale dei 30 giorni in alto e l'eccezione per i saldi in fondo, il frammento che capita di prendere determina se la risposta sarà giusta o no. È qui che nascono la maggior parte delle risposte sbagliate dei chatbot: non da informazioni mancanti, ma da collegamenti mancanti tra informazioni che esistono già.
Knowledge graph vs knowledge base vs RAG vs vector database
Questi termini vengono spesso confusi, anche perché molte volte si usano insieme. Ecco come si distinguono.
| Approccio | Cos'è | Come lo usa l'AI | Dove mostra i suoi limiti |
|---|---|---|---|
| Knowledge base | Una raccolta di documenti: FAQ, articoli di assistenza, pagine delle policy | Cerca l'articolo più rilevante | I fatti restano chiusi nel testo; le relazioni tra gli articoli non sono esplicite |
| Database vettoriale | Memorizza il testo come embedding, rappresentazioni numeriche del significato | Trova passaggi semanticamente simili alla query | Simile non vuol dire corretto; non riesce a seguire una catena come prodotto → collezione → policy |
| RAG (retrieval-augmented generation) | Un metodo: recupera i contenuti rilevanti, poi lascia che un large language model scriva la risposta | Basa le risposte sui vostri contenuti, invece che sui dati di training del modello | Vale quanto vale ciò che recupera; nelle domande in più passaggi spesso manca un pezzo |
| Knowledge Graph | Entità più relazioni esplicite tra di loro | Segue le relazioni per raccogliere esattamente i fatti che servono alla domanda | Richiede una struttura chiara e manutenzione continua |
Un knowledge graph è meglio di RAG? Risolvono problemi diversi, e i sistemi più solidi li combinano. RAG fa in modo che l'AI risponda partendo dai vostri dati invece che dalla memoria del modello. Un knowledge graph fa in modo che i dati recuperati siano collegati nel modo corretto. Questa combinazione viene spesso chiamata GraphRAG: il grafo decide quali fatti stanno insieme, e il language model li trasforma in una risposta naturale.
Lo stesso vale per knowledge base vs knowledge graph. Le vostre FAQ e i vostri articoli di supporto non diventano superati, diventano input. Il grafo collega ogni articolo ai prodotti, alle collezioni e alle policy di cui parla, così il contenuto giusto emerge per il prodotto giusto.
Esempi di knowledge graph nell'ecommerce
I grandi retailer investono da anni nei product knowledge graph, soprattutto per migliorare search e raccomandazioni.
- Amazon costruisce il suo product graph in gran parte in automatico. Amazon Science ha riportato che il suo sistema AutoKnow ha triplicato il numero di fatti nel grafo estraendo e ripulendo attributi prodotto su larga scala.
- DoorDash usa gli LLM per estrarre attributi prodotto da dati SKU non strutturati e li aggiunge al proprio product knowledge graph, che alimenta search personalizzata e raccomandazioni.
- Google gestisce uno Shopping Graph con prodotti, venditori, prezzi e recensioni, insieme al suo Knowledge Graph. I dati strutturati presenti nelle vostre pagine prodotto sono uno dei modi in cui il vostro catalogo entra in quel sistema.
- Un brand Shopify di medie dimensioni può applicare la stessa logica in scala ridotta. Uno store con 800 SKU, una guida alle taglie, tre zone di spedizione e una policy resi con due eccezioni ha già tutto quello che serve per un grafo utile. Di solito manca solo il tempo per costruirlo a mano.
Cosa permette di fare all'AI un ecommerce knowledge graph
Per un brand Shopify, i casi d'uso pratici hanno meno a che fare con la data science e molto di più con una cosa semplice: dare risposte corrette e fare le azioni giuste, ogni giorno. Ed è questo che plasma l'esperienza cliente.
Product recommendation più intelligenti
Le raccomandazioni possono basarsi su attributi reali del prodotto e sui bisogni del cliente, non solo su "i clienti hanno acquistato anche". Un cliente che dice "corro lunghe distanze sotto la pioggia" può essere abbinato in base a impermeabilità, peso e vestibilità. La personalizzazione basata sugli attributi attenua anche il cold-start problem: un prodotto appena lanciato non ha ancora una cronologia vendite, ma ha già attributi.
Confronti chiari tra prodotti e varianti
Quando gli attributi sono salvati come campi confrontabili invece che come testo libero, l'AI può spiegare con precisione in cosa differiscono due modelli o due varianti, senza confondere le specifiche con quelle di descrizioni vicine.
Compatibilità e cross-sell
"Questo filtro è compatibile con la mia macchina?" è una domanda di relazione. Con archi di tipo compatible-with, l'AI può rispondere in modo affidabile e suggerire l'accessorio giusto invece di un bestseller casuale.
Policy precise e specifiche per il vostro store
Le eccezioni delle policy per articoli in saldo, prodotti personalizzati o ordini internazionali vengono collegate ai prodotti a cui si applicano. L'AI applica le vostre regole, non la regola più comune su internet.
Supporto contestuale e azioni sicure
Collegare ordini e contesto cliente permette all'AI di rispondere a "dov'è il mio ordine?" con dati reali. Prima di cambiare un indirizzo di spedizione o annullare un ordine, controlla prima lo stato di fulfilment e le vostre regole operative. È questo controllo che rende sicura da attivare la AI process automation.
Product discovery e search migliori
Una search onsite che capisce che "giacca da pioggia" e "shell impermeabile" appartengono allo stesso tipo di prodotto restituisce meno risultati vuoti, ne parliamo meglio nella nostra guida su AI Ricerca per Shopify. La stessa disciplina, cioè attributi puliti e una tassonomia coerente, rende anche le vostre pagine prodotto più facili da capire per Google e per i motori di ricerca AI.
Come costruire un product knowledge graph, e dove si complica
Se doveste costruirne uno da zero, il processo di solito è questo:
- Definire entità e tassonomia. Decidete quali categorie prodotto, tipi di prodotto, attributi e relazioni contano davvero per il vostro catalogo e per le domande dei clienti.
- Estrarre attributi da dati non strutturati. La maggior parte delle informazioni prodotto vive nei titoli, nelle descrizioni e nelle immagini, non in campi puliti. Si usano natural language processing, cioè NLP, e large language models per trasformare il testo in coppie attributo-valore.
- Risolvere i duplicati. "Blu navy", "blu scuro" e "marine" potrebbero indicare un solo colore. Due nomi fornitore potrebbero in realtà riferirsi allo stesso brand.
- Collegare contenuti, policy e ordini. Collegate FAQ, guide e clausole delle policy ai prodotti e alle collezioni a cui si riferiscono, e aggiungete i dati ordine live.
- Mantenerlo aggiornato. Nuovi prodotti, cambi prezzo e aggiornamenti delle policy devono fluire nel grafo in modo continuo, altrimenti le risposte invecchiano.
Le difficoltà sono prevedibili: dati prodotto disordinati distribuiti su più fonti, attributi incoerenti tra collezioni, il lavoro necessario per tenere tutto sincronizzato e la necessità di rendere il Setup scalabile man mano che il catalogo cresce. I grandi retailer affrontano questo problema con team dedicati, pipeline di machine learning e graph database. È proprio per questo che i knowledge graph sono rimasti rari tra gli store online piccoli e medi, anche se i dati di base c'erano già.
I knowledge graph sono ancora rilevanti nell'era degli LLM?
Più che mai. Gli LLM sono molto bravi con il linguaggio, ma poco affidabili sui fatti che non hanno ricevuto. Quando un'informazione manca o è ambigua, tendono a riempire il vuoto con una risposta plausibile. È quello che viene chiamato hallucination dell'AI. Un knowledge graph offre al modello una fonte strutturata e verificabile su cui ancorare le risposte.
Google continua a fare affidamento sul suo Knowledge Graph, e i motori di ricerca AI privilegiano informazioni chiaramente strutturate e ben collegate quando decidono quali brand e prodotti citare. La direzione dell'AI non si sta allontanando dai knowledge graph. Sta andando verso la loro combinazione con i language model.
Come Flyweight trasforma il vostro store Shopify in un commerce knowledge graph
La maggior parte dei brand Shopify non ha bisogno di costruire tutto questo da sola, perché il materiale di partenza è già nello store. Flyweight collega prodotti, varianti, collezioni, pagine, blog, FAQ, struttura dello store, informazioni sugli ordini, stock, metafield, marketplace, policy e lingue in un Commerce Knowledge Graph. Si possono aggiungere anche fonti extra come Zendesk, content metafields o file caricati.
Questa è una forma di GraphRAG nativa per il commerce: il grafo decide quali fatti stanno insieme, e un language model li trasforma in una risposta naturale. La differenza rispetto a un Setup GraphRAG basato solo su testo sta nell'origine del grafo. Invece di fare scraping di testi e sperare che l'estrazione sia corretta, Flyweight costruisce il grafo in gran parte a partire da dati già strutturati in Shopify, dove prodotti, varianti, ordini e collezioni sono entità di primo livello con relazioni reali.
- Nessuna manutenzione manuale. Il grafo viene costruito a partire dai contenuti già presenti nel vostro store e si aggiorna automaticamente ogni notte, così nuovi prodotti, contenuti e cambi di policy vengono recepiti senza lavoro manuale.
- Un'unica fonte per risposte e azioni. Lo stesso grafo alimenta le conversazioni di AI Sales & Support e l'AI Process Automation, dove l'agent controlla cosa è consentito fare prima di agire.
- Restate voi al comando. Potete aggiungere conoscenza tramite metafield e contenuti extra, oppure escludere contenuti che non volete far usare all'AI.
