Hva er en ecommerce Knowledge Graph? Product Knowledge Graphs forklart for Shopify-merkevarer
En ecommerce Knowledge Graph kobler sammen produkter, varianter, kolleksjoner, innhold, retningslinjer og bestillinger, slik at AI kan forstå sammenhengene på tvers. Her ser dere hvordan en product Knowledge Graph fungerer, og hva den endrer for et Shopify-brand.
ByHva er en Knowledge Graph for netthandel?
En ecommerce knowledge graph er et strukturert kart over nettbutikken deres. Den lagrer produkter, varianter, kolleksjoner, innhold, policyer, ordre og kunder som sammenkoblede entiteter, og registrerer relasjonene mellom dem, som "variant av", "tilhører kolleksjon" eller "dekkes av policy". AI bruker dette til å resonnere på tvers av relasjonene, i stedet for å søke i enkeltstående sider. Det gir mer presise svar, anbefalinger og automatiserte handlinger.
En kunde spør i chatten deres: "Er Alpine shell jacket vanntett, har dere den fortsatt i XL, og kan jeg returnere den hvis jeg kjøper den på salg?"
Tre korte spørsmål. For å svare riktig trenger en AI en produktegenskap, altså vanntetthetsgraden, en variant og lagerstatusen for den, altså XL, kolleksjonen produktet ligger i, altså Sale, og regelen i returpolicyen som gjelder for salgsvarer. De faktaene ligger på fire ulike sider i butikken deres. En AI som bare søker i sider finner noe av dette. En AI som forstår hvordan alt henger sammen, finner hele bildet og kan gi ett svar som faktisk stemmer.
Denne sammenkoblede strukturen kalles en knowledge graph. I denne guiden går vi gjennom hva en ecommerce knowledge graph er, hvordan en product knowledge graph fungerer, hvordan den skiller seg fra en knowledge base, RAG og en vector database, og hva dette betyr i praksis for et Shopify-brand.
Hva er en knowledge graph?
En knowledge graph er en måte å lagre informasjon på som et nettverk av ting og relasjonene mellom dem. Hver ting er en node, også kalt en entitet, og hver relasjon er en edge. Den minste kunnskapsenheten er et faktum med tre deler, ofte kalt en triple:
- Alpine Shell Jacket → har vanntetthetsgrad → 20 000 mm
- Alpine Shell Jacket XL → er en variant av → Alpine Shell Jacket
- Sale collection → dekkes av → returregel for final sale
Hvert faktum for seg er enkelt. Verdien ligger i koblingene: når flere fakta deler noder, kan en maskin følge stien fra det ene til det andre og svare på spørsmål som ingen enkelt side besvarer alene.
Begrepet ble kjent for mange i 2012, da Google lanserte sin Knowledge Graph for å forstå virkelige entiteter i stedet for bare å matche søkeord. Det samme prinsippet brukes nå i produktsøk hos Amazon, anbefalingssystemer i retail og stadig oftere i AI agents som snakker med kundene deres.
Hva er en product knowledge graph?
En product knowledge graph bruker denne modellen på katalogen deres. Produkter blir noder, og det samme gjør tingene som beskriver dem: brands, produkttyper, materialer, størrelser, farger, bruksområder og kompatibelt tilbehør. Edges lagrer hvordan de henger sammen, slik at grafen vet at en jakke er en type yttertøy, bruker en bestemt membran, finnes i fem størrelser og passer med en bestemt hette.
En ecommerce knowledge graph, hos Flyweight kaller vi det en commerce knowledge graph, går ett steg videre. Den kobler katalogen til alt annet butikken deres vet:
| Entitet | Eksempler i en Shopify-butikk | Vanlige relasjoner |
|---|---|---|
| Produkter og varianter | Alpine Shell Jacket, størrelse XL, farge Navy | variant av, på lager, priset til |
| Kolleksjoner og taksonomi | Yttertøy, Salg, Nyheter | tilhører, er en type |
| Produktattributter | Vanntetthetsgrad, materiale, passform | har attributt, kompatibel med |
| Innhold | Størrelsesguide, vanlige spørsmål, blogginnlegg | forklarer, svarer på |
| Retningslinjer | Retur, frakt, garanti | gjelder for, unntar |
| Bestillinger og kunder | Bestilling #8412, oppfyllingsstatus | inneholder, lagt inn av, kvalifiserer for |
| Tilkoblede systemer | Helpdesk, Klaviyo, oppfyllingsverktøy | synkronisert med, utløser |
Forskjellen betyr noe. En product graph hjelper maskinen å forstå hva dere selger. En ecommerce knowledge graph hjelper den å forstå hvordan virksomheten deres fungerer: hvilke regler som gjelder for hvilke produkter, hva en kunde allerede har bestilt, og hva AI har lov til å gjøre videre.
Slik fungerer det: ett kundespørsmål, steg for steg
Gå tilbake til spørsmålet om jakken. Slik svarer en AI agent når den kan resonnere over en graph:
- Identifiser entiteten. "Alpine shell jacket" matches mot én produktnode, selv om kunden skriver feil eller bruker et synonym.
- Les attributtet. Produktet har en edge for vanntetthetsgrad, så agenten oppgir den faktiske verdien i stedet for å gjette ut fra ordet "shell".
- Sjekk varianten. Den følger forbindelsen til XL-varianten og leser gjeldende lagerstatus.
- Finn riktig regel. Produktet ligger i Sale collection, og den kolleksjonen er koblet til en spesifikk del av returpolicyen.
- Svar samlet. I denne eksempelbutikken: "Ja, den er klassifisert til 20 000 mm, XL er på lager, og salgsvarer kan returneres innen 14 dager mot butikkreditt."
Uten grafen henter AI-en inn noen tekstutdrag som ligner på spørsmålet, og håper at de riktige er blant dem. Hvis retursiden beskriver den generelle 30-dagersregelen øverst og unntaket for salgsvarer nederst, avgjør tekstutdraget den tilfeldigvis plukker om svaret blir riktig. Det er her de fleste feil svar fra chatbots kommer fra: ikke fordi informasjon mangler, men fordi koblingene mellom informasjonen mangler.
Knowledge graph vs knowledge base vs RAG vs vector database
Disse begrepene blandes ofte sammen, delvis fordi de gjerne brukes i samme oppsett. Slik skiller de seg fra hverandre.
| Tilnærming | Hva det er | Slik bruker AI det | Hvor det kommer til kort |
|---|---|---|---|
| Kunnskapsbase | En samling dokumenter: vanlige spørsmål, hjelpeartikler, policy-sider | Søker etter den mest relevante artikkelen | Fakta er låst inne i tekst, og relasjonene mellom artiklene er ikke tydelige |
| Vektordatabase | Lagrer tekst som embeddings, numeriske representasjoner av mening | Finner tekstutdrag som er semantisk like forespørselen | Lik betyr ikke det samme som riktig, og den kan ikke følge en kjede som produkt → kolleksjon → policy |
| RAG (retrieval-augmented generation) | En metode: hent relevant innhold, og la deretter en stor språkmodell skrive svaret | Forankrer svarene i innholdet deres i stedet for modellens treningsdata | Er bare så god som det den henter inn, og spørsmål i flere steg mangler ofte en viktig brikke |
| Knowledge Graph | Entiteter pluss tydelige relasjoner mellom dem | Følger relasjoner for å hente akkurat de faktaene et spørsmål trenger | Krever strukturering og løpende vedlikehold |
Er en knowledge graph bedre enn RAG? De løser ulike problemer, og de sterkeste systemene kombinerer dem. RAG sørger for at AI svarer med utgangspunkt i dataene deres i stedet for hukommelsen sin. En knowledge graph sørger for at dataene som hentes inn, er koblet riktig sammen. Kombinasjonen kalles ofte GraphRAG: grafen avgjør hvilke fakta som hører sammen, og språkmodellen gjør dem om til et naturlig svar.
Det samme gjelder knowledge base vs knowledge graph. FAQ-er og hjelpeartikler blir ikke overflødige, de blir input. Grafen kobler hver artikkel til produktene, kolleksjonene og policyene den handler om, slik at riktig artikkel dukker opp for riktig produkt.
Eksempler på knowledge graph i ecommerce
Store retailers har investert i product knowledge graphs i mange år, først og fremst for å drive søk og anbefalinger.
- Amazon bygger produktgrafen sin i stor grad automatisk. Amazon Science har rapportert at AutoKnow-systemet deres tredoblet antall fakta i grafen ved å hente ut og rydde opp i produktattributter i stor skala.
- DoorDash bruker LLM-er til å hente ut produktattributter fra ustrukturert SKU-data og legger dem inn i sin product knowledge graph, som brukes til personalisert søk og anbefalinger.
- Google kjører en Shopping Graph med produkter, selgere, priser og anmeldelser ved siden av sin Knowledge Graph. Strukturert data på produktsidene deres er en av måtene katalogen deres havner der på.
- Et mellomstort Shopify-brand kan bruke samme logikk i mindre skala. En butikk med 800 SKU-er, en størrelsesguide, tre fraktsoner og en returpolicy med to unntak har allerede alt som trengs for en nyttig graph. Det som vanligvis mangler, er tiden til å bygge den manuelt.
Hva en ecommerce knowledge graph lar AI gjøre
For et Shopify-brand handler bruksområdene i praksis mindre om data science og mer om å få hverdagslige svar og handlinger riktig. Det er det som former kundeopplevelsen.
Smartere produktanbefalinger
Anbefalinger kan baseres på faktiske produktattributter og kundebehov, ikke bare på "kunder kjøpte også". En kunde som sier "jeg løper lange distanser i regn" kan matches på vanntetthet, vekt og passform. Attributtbasert personalisering demper også cold-start-problemet: et helt nytt produkt har ingen salgshistorikk ennå, men det har attributter.
Tydelige sammenligninger mellom produkter og varianter
Når attributter lagres som sammenlignbare felter i stedet for løpende tekst, kan AI forklare nøyaktig hvordan to modeller eller to varianter skiller seg fra hverandre, uten å blande spesifikasjoner fra lignende produktbeskrivelser.
Kompatibilitet og cross-sell
"Passer dette filteret til maskinen min?" er et spørsmål om relasjoner. Med compatible-with-edges kan AI svare trygt og foreslå riktig tilbehør, i stedet for en tilfeldig bestselger.
Presise, butikkspesifikke policyer
Unntak i policyer for salgsvarer, personaliserte produkter eller internasjonale ordre kobles til produktene de gjelder for. AI bruker reglene deres, ikke den vanligste regelen på internett.
Kontekstbevisst support og trygge handlinger
Når ordre og kundekontekst kobles inn, kan AI svare på "hvor er ordren min?" med reelle data. Før den endrer leveringsadresse eller kansellerer en ordre, sjekker den først fulfilment-status og forretningsreglene deres. Det er denne kontrollen som gjør AI process automation trygt å skru på.
Bedre produktoppdagelse og søk
Onsite search som forstår at "regnjakke" og "vanntett shelljakke" tilhører samme produkttype, gir færre tomme treff. Mer om dette i guiden vår til AI search for Shopify. Den samme disiplinen, ryddige attributter og en konsistent taksonomi, gjør også produktsidene deres lettere å forstå for Google og AI-søkemotorer.
Hvordan bygge en product knowledge graph, og hvor det blir krevende
Hvis dere skulle bygget en fra bunnen av, ser prosessen vanligvis slik ut:
- Definer entiteter og taksonomi. Bestem hvilke produktkategorier, produkttyper, produktattributter og relasjoner som betyr noe for katalogen deres og spørsmålene kundene stiller.
- Hent ut attributter fra ustrukturert data. Mesteparten av produktinformasjonen ligger i titler, produktbeskrivelser og bilder, ikke i rene felter. Natural language processing, NLP, og store språkmodeller brukes for å gjøre tekst om til attributt-verdi-par.
- Løs opp i duplikater. "Navy", "dark blue" og "marine" kan være samme farge. To leverandørnavn kan være samme brand.
- Koble innhold, policyer og ordre. Knytt FAQ-er, guider og deler av policyer til produktene og kolleksjonene de viser til, og koble på live ordredata.
- Hold den oppdatert. Nye produkter, prisendringer og oppdateringer i policyer må flyte inn i grafen kontinuerlig, ellers blir svarene utdaterte.
Utfordringene er ganske forutsigbare: rotete produktdata spredt over flere datakilder, inkonsistente attributter på tvers av kolleksjoner, arbeidet med å holde alt synkronisert og behovet for et oppsett som skalerer når katalogen vokser. Store retailers løser dette med egne team, machine learning-pipelines og graph databases. Det er nettopp derfor knowledge graphs lenge har vært sjeldne blant små og mellomstore nettbutikker, selv om de underliggende dataene allerede finnes.
Er knowledge graphs fortsatt relevante i LLM-æraen?
Mer enn noen gang. LLM-er er veldig gode på språk og mindre pålitelige når det gjelder fakta de ikke har fått tilgang til. Når informasjon mangler eller er tvetydig, fyller de ofte gapet med et svar som høres plausibelt ut. Det er det folk kaller en AI-hallusinasjon. En knowledge graph gir modellen en strukturert og verifiserbar kilde å forankre svarene sine i.
Google bruker fortsatt sin Knowledge Graph, og AI-søkemotorer foretrekker tydelig strukturert og godt sammenkoblet informasjon når de avgjør hvilke brands og produkter de skal nevne. Utviklingen i AI går ikke bort fra knowledge graphs. Den går mot å kombinere dem med språkmodeller.
Hvordan Flyweight gjør Shopify-butikken deres om til en commerce knowledge graph
De fleste Shopify-brands trenger ikke bygge noe av dette selv, fordi kildematerialet allerede finnes i butikken. Flyweight kobler sammen produkter, varianter, kolleksjoner, sider, blogger, FAQ-er, butikkstruktur, ordreinformasjon, lagerstatus, metafields, marketplaces, policyer og språk i en Commerce Knowledge Graph. Ekstra kilder som Zendesk, content metafields eller filopplastinger kan også legges til.
Dette er en commerce-native form for GraphRAG: grafen avgjør hvilke fakta som hører sammen, og en språkmodell gjør dem om til et naturlig svar. Forskjellen fra et rent tekstbasert GraphRAG-oppsett ligger i hvor grafen kommer fra. I stedet for å skrape løpende tekst og håpe at uthentingen blir riktig, bygger Flyweight grafen i stor grad fra data som allerede er strukturert i Shopify, der produkter, varianter, ordre og kolleksjoner er førsteklasses entiteter med faktiske relasjoner.
- Ingen vedlikehold. Grafen bygges fra eksisterende butikkinnhold og oppdateres automatisk hver natt, slik at nye produkter, nytt innhold og endringer i policyer fanges opp uten manuelt arbeid.
- Én kilde for svar og handlinger. Den samme grafen driver AI Sales & Support-samtaler og AI Process Automation, der agenten sjekker hva som er tillatt før den handler.
- Dere beholder kontrollen. Dere kan legge til kunnskap via metafields og ekstra innhold, eller ekskludere innhold dere ikke vil at AI skal bruke.
