Czym jest ecommerce Knowledge Graph? Product Knowledge Graphs wyjaśnione dla marek na Shopify
Ecommerce Knowledge Graph łączy Wasze produkty, warianty, kolekcje, treści, polityki i zamówienia, żeby AI mogło rozumieć zależności między nimi. Zobaczcie, jak działa product Knowledge Graph i co zmienia dla marki na Shopify.
ByCzym jest Knowledge Graph w ecommerce?
Ecommerce knowledge graph to uporządkowana mapa Waszego sklepu online. Zapisuje produkty, warianty, kolekcje, treści, polityki, zamówienia i klientów jako połączone ze sobą encje, a do tego odwzorowuje relacje między nimi, na przykład „wariant produktu”, „należy do kolekcji” albo „objęty polityką”. Dzięki temu AI może rozumować na podstawie tych powiązań, zamiast przeszukiwać oderwane od siebie strony. Efekt: trafniejsze odpowiedzi, rekomendacje i zautomatyzowane działania.
Klient pyta na czacie w sklepie: „Czy kurtka Alpine shell jest wodoodporna, czy macie ją jeszcze w rozmiarze XL i czy mogę ją zwrócić, jeśli kupię ją na wyprzedaży?”
Trzy krótkie pytania. Żeby odpowiedzieć poprawnie, AI potrzebuje atrybutu produktu, czyli poziomu wodoodporności, wariantu i jego stanu magazynowego, czyli XL, kolekcji, do której należy produkt, czyli Sale, oraz zasady z polityki zwrotów, która dotyczy produktów przecenionych. Te informacje są rozrzucone po czterech różnych stronach sklepu. AI, które tylko przeszukuje strony, znajdzie część z nich. AI, które rozumie, jak te informacje się łączą, znajdzie je wszystkie i poda jedną odpowiedź, która faktycznie będzie poprawna.
Ta połączona struktura to właśnie knowledge graph. W tym przewodniku wyjaśniamy, czym jest ecommerce knowledge graph, jak działa product knowledge graph, czym różni się od knowledge base, RAG i vector database oraz co to zmienia dla marki na Shopify.
Czym jest knowledge graph?
Knowledge graph to sposób zapisywania informacji jako sieci obiektów i relacji między nimi. Każdy obiekt to node, czyli węzeł, nazywany też encją. Każda relacja to edge, czyli krawędź. Najmniejsza jednostka wiedzy to fakt złożony z trzech części, często nazywany triple:
- Alpine Shell Jacket → ma poziom wodoodporności → 20 000 mm
- Alpine Shell Jacket XL → jest wariantem → Alpine Shell Jacket
- Kolekcja Sale → podlega → zasadzie zwrotu final-sale
Każdy taki fakt z osobna jest prosty. Wartość pojawia się przy połączeniach. Gdy fakty współdzielą te same node, maszyna może przejść od jednego do drugiego i odpowiedzieć na pytania, na które nie odpowiada żadna pojedyncza strona.
Temat przebił się do mainstreamu w 2012 roku, kiedy Google pokazało swój Knowledge Graph, żeby rozumieć encje ze świata rzeczywistego, a nie tylko dopasowywać słowa kluczowe. Dziś ta sama zasada stoi za wyszukiwaniem produktów na Amazonie, systemami rekomendacji w retailu i coraz częściej za AI agentami rozmawiającymi z Waszymi klientami.
Czym jest product knowledge graph?
Product knowledge graph stosuje ten model do katalogu produktów. Produkt staje się node. To samo dotyczy wszystkiego, co go opisuje: marek, typów produktów, materiałów, rozmiarów, kolorów, zastosowań czy kompatybilnych akcesoriów. Edge zapisują relacje między nimi, więc graph wie, że dana kurtka jest typem odzieży wierzchniej, korzysta z konkretnej membrany, występuje w pięciu rozmiarach i pasuje do określonego kaptura.
Ecommerce knowledge graph, w Flyweight nazywany commerce knowledge graph, idzie o krok dalej. Łączy katalog z całą resztą wiedzy, którą ma Wasz sklep:
| Encja | Przykłady w sklepie Shopify | Typowe relacje |
|---|---|---|
| Produkty i warianty | Kurtka Alpine Shell, rozmiar XL, kolor Navy | wariant produktu, dostępny w magazynie, w cenie |
| Kolekcje i taksonomia | Odzież wierzchnia, Wyprzedaż, Nowości | należy do, jest typem |
| Atrybuty produktu | Poziom wodoodporności, materiał, krój | ma atrybut, kompatybilny z |
| Treści | Tabela rozmiarów, FAQ, artykuły blogowe | wyjaśnia, odpowiada na |
| Zasady | Zwroty, wysyłka, gwarancja | dotyczy, wyklucza |
| Zamówienia i klienci | Zamówienie #8412, status realizacji | zawiera, złożone przez, kwalifikuje się do |
| Połączone systemy | Helpdesk, Klaviyo, narzędzie do realizacji zamówień | zsynchronizowany z, uruchamia |
To ważna różnica. Product graph pomaga maszynie zrozumieć, co sprzedajecie. Ecommerce knowledge graph pomaga jej zrozumieć, jak działa Wasz biznes: które zasady dotyczą których produktów, co klient już zamówił i co AI może zrobić dalej.
Jak to działa: jedno pytanie klienta, krok po kroku
Wróćmy do pytania o kurtkę. Tak odpowiada AI agent, kiedy może rozumować na graphie:
- Rozpoznaje encję. „Alpine shell jacket” zostaje dopasowane do jednego node produktu, nawet jeśli klient zrobi literówkę albo użyje synonimu.
- Odczytuje atrybut. Produkt ma edge z poziomem wodoodporności, więc agent podaje konkretną wartość zamiast zgadywać na podstawie słowa „shell”.
- Sprawdza wariant. Przechodzi edge do wariantu XL i odczytuje aktualny stan magazynowy.
- Znajduje właściwą zasadę. Produkt należy do kolekcji Sale, a ta kolekcja jest połączona z konkretnym zapisem w polityce zwrotów.
- Odpowiada od razu całościowo. W tym przykładowym sklepie: „Tak, ma wodoodporność 20 000 mm, rozmiar XL jest dostępny, a produkty z wyprzedaży można zwrócić w ciągu 14 dni w zamian za store credit”.
Bez graphu AI pobiera kilka fragmentów tekstu, które wyglądają podobnie do pytania, i liczy na to, że wśród nich trafią się właściwe. Jeśli strona ze zwrotami opisuje na górze ogólną zasadę 30 dni, a na dole wyjątek dla wyprzedaży, to przypadkowo wybrany fragment zdecyduje o tym, czy odpowiedź będzie poprawna. Właśnie stąd bierze się większość błędnych odpowiedzi chatbotów: nie z braku informacji, tylko z braku połączeń między informacjami.
Knowledge graph vs knowledge base vs RAG vs vector database
Te pojęcia często się mieszają, częściowo dlatego, że zwykle są używane razem. Oto czym się różnią.
| Podejście | Czym to jest | Jak AI z tego korzysta | Gdzie są ograniczenia |
|---|---|---|---|
| Baza wiedzy | Zbiór dokumentów: FAQ, artykuły pomocy, strony z politykami | Wyszukuje najbardziej trafny artykuł | Fakty są zamknięte w tekście, a relacje między artykułami nie są opisane wprost |
| Baza wektorowa | Przechowuje tekst jako embeddingi, czyli liczbowe reprezentacje znaczenia | Znajduje fragmenty semantycznie podobne do zapytania | Podobne nie znaczy poprawne, a system nie prześledzi ciągu typu produkt → kolekcja → polityka |
| RAG (generowanie wspierane wyszukiwaniem) | Metoda: najpierw pobiera trafne treści, potem duży model językowy układa odpowiedź | Opiera odpowiedzi na Waszych treściach zamiast na danych treningowych modelu | Działa tak dobrze, jak dobre są pobrane treści, a w pytaniach wieloetapowych często brakuje jednego elementu |
| Knowledge Graph | Encje i jawnie opisane relacje między nimi | Śledzi relacje, żeby zebrać dokładnie te fakty, których wymaga pytanie | Wymaga uporządkowania i stałego utrzymania |
Czy knowledge graph jest lepszy niż RAG? Rozwiązują różne problemy, a najmocniejsze systemy łączą oba podejścia. RAG sprawia, że AI odpowiada na podstawie Waszych danych, a nie własnej pamięci. Knowledge graph pilnuje, żeby pobrane dane były ze sobą poprawnie powiązane. To połączenie często nazywa się GraphRAG: graph decyduje, które fakty należą do siebie, a model językowy zamienia je w naturalną odpowiedź.
To samo dotyczy knowledge base vs knowledge graph. Wasze FAQ i artykuły pomocy nie tracą znaczenia. Stają się wejściem do systemu. Graph łączy każdy artykuł z produktami, kolekcjami i politykami, których dotyczy, dzięki czemu właściwa treść pojawia się przy właściwym produkcie.
Przykłady knowledge graph w ecommerce
Duzi retailerzy inwestują w product knowledge graph od lat, głównie po to, by napędzać wyszukiwanie i rekomendacje.
- Amazon buduje swój product graph w dużej mierze automatycznie. Amazon Science podaje, że system AutoKnow potroił liczbę faktów w graphie dzięki ekstrakcji i oczyszczaniu atrybutów produktów na dużą skalę.
- DoorDash używa LLM-ów do wyciągania atrybutów produktów z nieustrukturyzowanych danych SKU i dodaje je do swojego product knowledge graph, który zasila spersonalizowane wyszukiwanie i rekomendacje.
- Google rozwija Shopping Graph obejmujący produkty, sprzedawców, ceny i opinie równolegle do swojego Knowledge Graph. Jednym ze sposobów, dzięki którym Wasz katalog do niego trafia, są dane strukturalne na stronach produktów.
- Średniej wielkości marka na Shopify może użyć tej samej logiki w mniejszej skali. Sklep z 800 SKU, tabelą rozmiarów, trzema strefami wysyłki i polityką zwrotów z dwoma wyjątkami ma już wszystko, czego potrzeba do zbudowania użytecznego graphu. Zwykle brakuje tylko czasu, żeby zrobić to ręcznie.
Co ecommerce knowledge graph pozwala robić AI
Dla marki na Shopify praktyczne zastosowania są mniej związane z data science, a bardziej z tym, żeby codzienne odpowiedzi i działania były poprawne. To właśnie one kształtują doświadczenie klienta.
Mądrzejsze rekomendacje produktów
Rekomendacje mogą opierać się na realnych atrybutach produktów i potrzebach klientów, a nie tylko na logice „klienci kupili też”. Klienta, który mówi „biegam długie dystanse w deszczu”, można dopasować na podstawie wodoodporności, wagi i fasonu. Personalizacja oparta na atrybutach łagodzi też problem cold start. Nowy produkt nie ma jeszcze historii sprzedaży, ale ma już atrybuty.
Jasne porównania produktów i wariantów
Kiedy atrybuty są zapisane jako porównywalne pola, a nie opisane tylko w tekście, AI może dokładnie wyjaśnić, czym różnią się dwa modele albo dwa warianty, bez mieszania specyfikacji z sąsiednich opisów produktów.
Kompatybilność i cross-sell
„Czy ten filtr pasuje do mojego urządzenia?” to pytanie o relację. Dzięki edge typu compatible-with AI może pewnie odpowiedzieć i polecić właściwe akcesorium, zamiast losowego bestsellera.
Trafne polityki sklepu
Wyjątki w politykach dla produktów przecenionych, personalizowanych albo zamówień międzynarodowych są połączone z produktami, których dotyczą. AI stosuje Wasze zasady, a nie najczęściej spotykaną regułę w internecie.
Wsparcie świadome kontekstu i bezpieczne działania
Połączenie zamówień i kontekstu klienta pozwala AI odpowiedzieć na pytanie „gdzie jest moje zamówienie?” na podstawie realnych danych. Zanim zmieni adres dostawy albo anuluje zamówienie, najpierw sprawdzi status fulfilmentu i Wasze zasady biznesowe. To właśnie ta kontrola sprawia, że AI process automation można bezpiecznie uruchomić.
Lepsze odkrywanie produktów i wyszukiwanie
Wyszukiwarka na stronie, która rozumie, że „kurtka przeciwdeszczowa” i „wodoodporna shell jacket” należą do tego samego typu produktu, zwraca mniej pustych wyników. Więcej o tym piszemy w naszym przewodniku po AI Wyszukiwanie dla Shopify. Ta sama dyscyplina, czyli czyste atrybuty i spójna taksonomia, ułatwia też Google i wyszukiwarkom AI zrozumienie Waszych stron produktowych.
Jak zbudować product knowledge graph i gdzie robi się trudno
Jeśli budowalibyście go od zera, proces zwykle wygląda tak:
- Zdefiniujcie encje i taksonomię. Ustalcie, które kategorie produktów, typy produktów, atrybuty i relacje mają znaczenie dla Waszego katalogu i pytań klientów.
- Wyciągnijcie atrybuty z nieustrukturyzowanych danych. Większość informacji o produktach siedzi w tytułach, opisach i obrazach, a nie w czystych polach. Natural language processing, czyli NLP, oraz duże modele językowe pomagają zamienić tekst w pary atrybut-wartość.
- Usuńcie duplikaty. „Granatowy”, „ciemnoniebieski” i „navy” mogą oznaczać jeden kolor. Dwie nazwy dostawców mogą oznaczać jedną markę.
- Połączcie treści, polityki i zamówienia. Powiążcie FAQ, poradniki i zapisy polityk z produktami i kolekcjami, których dotyczą, a także podłączcie bieżące dane o zamówieniach.
- Dbajcie o aktualność. Nowe produkty, zmiany cen i aktualizacje polityk muszą trafiać do graphu na bieżąco, inaczej odpowiedzi szybko się zestarzeją.
Wyzwania są dość przewidywalne: bałagan w danych produktowych rozrzuconych po kilku źródłach, niespójne atrybuty między kolekcjami, konieczność utrzymania wszystkiego w synchronizacji i zadbania o skalowalność wraz ze wzrostem katalogu. Duzi retailerzy rozwiązują to za pomocą dedykowanych zespołów, pipeline’ów machine learning i graph databases. Właśnie dlatego knowledge graphs długo pozostawały rzadkością w małych i średnich sklepach online, mimo że potrzebne dane już w nich były.
Czy knowledge graphs nadal mają znaczenie w erze LLM-ów?
Bardziej niż kiedykolwiek. LLM-y świetnie radzą sobie z językiem, ale bywają zawodne w faktach, których nie dostały. Gdy informacji brakuje albo są niejednoznaczne, model ma tendencję do wypełniania luk odpowiedzią, która brzmi wiarygodnie. To właśnie nazywa się halucynacją AI. Knowledge graph daje modelowi uporządkowane, weryfikowalne źródło, na którym może oprzeć odpowiedź.
Google nadal opiera się na swoim Knowledge Graph, a wyszukiwarki AI chętniej wskazują marki i produkty, gdy informacje są wyraźnie uporządkowane i dobrze połączone. Kierunek rozwoju AI nie odchodzi od knowledge graphs. Idzie raczej w stronę łączenia ich z modelami językowymi.
Jak Flyweight zamienia Wasz sklep Shopify w commerce knowledge graph
Większość marek na Shopify nie musi budować tego samodzielnie, bo materiał źródłowy już jest w sklepie. Flyweight łączy produkty, warianty, kolekcje, strony, blogi, FAQ, strukturę sklepu, informacje o zamówieniach, stany magazynowe, metafields, marketplace’y, polityki i języki w Commerce Knowledge Graph. Można też dodać dodatkowe źródła, takie jak Zendesk, content metafields czy przesłane pliki.
To commerce-native wersja GraphRAG. Graph decyduje, które fakty należą do siebie, a model językowy zamienia je w naturalną odpowiedź. Różnica względem tekstowego setupu GraphRAG polega na tym, skąd bierze się graph. Zamiast skrobać tekst i liczyć, że ekstrakcja będzie poprawna, Flyweight buduje graph głównie z danych, które już są ustrukturyzowane w Shopify, gdzie produkty, warianty, zamówienia i kolekcje są encjami pierwszej klasy z rzeczywistymi relacjami.
- Bez ręcznego utrzymania. Graph buduje się z istniejących treści w sklepie i odświeża automatycznie każdej nocy, więc nowe produkty, treści i zmiany w politykach są uwzględniane bez ręcznej pracy.
- Jedno źródło odpowiedzi i działań. Ten sam graph zasila rozmowy AI Sales & Support oraz AI Process Automation, gdzie agent sprawdza, co jest dozwolone, zanim wykona działanie.
- To Wy macie kontrolę. Możecie dodawać wiedzę przez metafields i dodatkowe treści albo wykluczać treści, których nie chcecie udostępniać AI.
