O que é um Knowledge Graph para ecommerce? Product Knowledge Graphs para marcas Shopify
Um ecommerce knowledge graph liga os vossos produtos, variantes, coleções, conteúdos, políticas e encomendas para que a AI consiga relacionar tudo isso. Eis como funciona um product knowledge graph e o que muda para uma marca Shopify.
ByO que é um Knowledge Graph para ecommerce?
Um ecommerce knowledge graph é um mapa estruturado de uma loja online. Ele guarda produtos, variantes, coleções, conteúdos, políticas, encomendas e clientes como entidades ligadas entre si, e regista as relações entre elas, como "é variante de", "pertence à coleção" ou "está abrangido pela política". A IA usa esse mapa para raciocinar sobre essas relações, em vez de procurar em páginas soltas. Isso torna respostas, recomendações e ações automáticas mais precisas.
Um cliente pergunta no chat da vossa loja: "O casaco Alpine shell é impermeável, ainda têm em XL, e posso devolvê-lo se o comprar em saldo?"
São três perguntas curtas. Para responder bem, uma IA precisa de um atributo do produto (o nível de impermeabilidade), de uma variante e do respetivo stock (XL), da coleção onde o produto está inserido (Sale) e da regra da vossa política de devoluções que se aplica a artigos em saldo. Esses dados estão espalhados por quatro páginas diferentes da loja. Uma IA que só pesquisa páginas encontra parte da informação. Uma IA que percebe como tudo está ligado encontra tudo e responde de forma certa numa única mensagem.
A essa estrutura ligada chama-se knowledge graph. Neste guia, explicamos o que é um ecommerce knowledge graph, como funciona um product knowledge graph, como se compara com uma knowledge base, RAG e uma base de dados vetorial, e o que muda para uma marca em Shopify.
O que é um knowledge graph?
Um knowledge graph é uma forma de guardar informação como uma rede de coisas e das relações entre elas. Cada coisa é um nó, também chamado entidade, e cada relação é uma ligação. A unidade mais pequena de conhecimento é um facto com três partes, muitas vezes chamado triple:
- Alpine Shell Jacket → tem nível de impermeabilidade → 20.000 mm
- Alpine Shell Jacket XL → é uma variante de → Alpine Shell Jacket
- Coleção Sale → está abrangida por → regra de devolução final-sale
Cada facto, por si só, é simples. O valor está nas ligações: quando vários factos partilham nós, a máquina consegue seguir o caminho entre eles e responder a perguntas que nenhuma página isolada consegue responder.
A ideia ganhou escala em 2012, quando a Google lançou o seu Knowledge Graph para compreender entidades do mundo real em vez de apenas corresponder palavras-chave. Hoje, o mesmo princípio está por trás da pesquisa de produtos na Amazon, dos sistemas de recomendação no retalho e, cada vez mais, dos AI agents que falam com os vossos clientes.
O que é um product knowledge graph?
Um product knowledge graph aplica este modelo a um catálogo. Os produtos passam a ser nós, tal como tudo o que os descreve: marcas, tipos de produto, materiais, tamanhos, cores, casos de uso e acessórios compatíveis. As ligações registam como tudo se relaciona, para que o graph saiba que um casaco é uma peça de outerwear, usa uma determinada membrana, existe em cinco tamanhos e combina com um capuz específico.
Um ecommerce knowledge graph, na Flyweight chamamos-lhe commerce knowledge graph, vai mais longe. Liga o catálogo a tudo o resto que a vossa loja sabe:
| Entidade | Exemplos numa loja Shopify | Relações típicas |
|---|---|---|
| Produtos e variantes | Casaco Alpine Shell, tamanho XL, cor Navy | variante de, em stock, com preço de |
| Coleções e taxonomia | Roupa exterior, Saldos, Novidades | pertence a, é um tipo de |
| Atributos do produto | Nível de impermeabilidade, material, corte | tem o atributo, compatível com |
| Conteúdo | Guia de tamanhos, FAQs, artigos do blog | explica, responde a |
| Políticas | Devoluções, envios, garantia | aplica-se a, exclui |
| Encomendas e clientes | Encomenda #8412, estado da expedição | contém, feita por, elegível para |
| Sistemas ligados | Helpdesk, Klaviyo, ferramenta de expedição | sincronizado com, aciona |
A diferença importa. Um product graph ajuda a máquina a perceber o que vendem. Um ecommerce knowledge graph ajuda-a a perceber como o vosso negócio funciona: que regras se aplicam a que produtos, o que um cliente já encomendou e o que a IA pode fazer a seguir.
Como funciona: uma pergunta de cliente, passo a passo
Voltemos à pergunta do casaco. É assim que um AI agent responde quando consegue raciocinar sobre um graph:
- Identifica a entidade. "Alpine shell jacket" é associado a um único nó de produto, mesmo que o cliente escreva mal ou use um sinónimo.
- Lê o atributo. O produto tem uma ligação para o nível de impermeabilidade, por isso o agente responde com o valor real em vez de adivinhar a partir da palavra "shell".
- Verifica a variante. Segue a ligação até à variante XL e lê o stock atual.
- Encontra a regra certa. O produto está na coleção Sale, e essa coleção está ligada a uma cláusula específica da política de devoluções.
- Responde de uma só vez. Neste exemplo de loja: "Sim, tem classificação de 20.000 mm, o XL está em stock e os artigos em saldo podem ser devolvidos no prazo de 14 dias para crédito em loja."
Sem o graph, a IA recupera alguns excertos de texto parecidos com a pergunta e espera que os certos estejam lá. Se a página de devoluções explicar a regra geral de 30 dias no topo e a exceção para saldo no fim, o excerto que a IA apanhar vai decidir se a resposta sai certa ou errada. É aqui que nascem a maioria das respostas erradas em chatbots: não por falta de informação, mas por falta de ligação entre pedaços de informação.
Knowledge graph vs knowledge base vs RAG vs vector database
Estes termos costumam aparecer misturados, em parte porque muitas vezes são usados em conjunto. Eis a diferença.
| Abordagem | O que é | Como a AI usa | Onde fica aquém |
|---|---|---|---|
| Base de conhecimento | Uma coleção de documentos: FAQs, artigos de ajuda, páginas de políticas | Procura o artigo mais relevante | Os factos ficam presos no texto; as relações entre artigos não são explícitas |
| Base de dados vetorial | Guarda texto como embeddings, representações numéricas de significado | Encontra trechos semanticamente parecidos com a pesquisa | Parecido não é o mesmo que certo; não consegue seguir uma cadeia como produto → coleção → política |
| RAG (geração aumentada por recuperação) | Um método: recupera conteúdo relevante e depois deixa um modelo de linguagem escrever a resposta | Baseia as respostas no vosso conteúdo, em vez dos dados de treino do modelo | Só é tão bom quanto o que recupera; perguntas com vários passos muitas vezes perdem uma peça |
| Knowledge graph | Entidades mais relações explícitas entre elas | Segue as relações para reunir exatamente os factos que a pergunta precisa | Precisa de estruturação e manutenção contínua |
Um knowledge graph é melhor do que RAG? Resolvem problemas diferentes, e os sistemas mais fortes juntam os dois. O RAG garante que a IA responde com base nos vossos dados, e não de memória. Um knowledge graph garante que os dados recuperados estão ligados da forma certa. A combinação costuma chamar-se GraphRAG: o graph decide que factos pertencem juntos, e o modelo de linguagem transforma isso numa resposta natural.
O mesmo vale para knowledge base vs knowledge graph. As vossas FAQs e artigos de ajuda não ficam obsoletos, passam a ser inputs. O graph liga cada artigo aos produtos, coleções e políticas de que fala, para que o conteúdo certo apareça para o produto certo.
Exemplos de knowledge graph em ecommerce
Os grandes retalhistas investem em product knowledge graphs há anos, sobretudo para melhorar pesquisa e recomendações.
- Amazon constrói o seu product graph em grande parte de forma automática. A Amazon Science diz que o sistema AutoKnow triplicou o número de factos no graph ao extrair e limpar atributos de produto em escala.
- DoorDash usa LLMs para extrair atributos de produto de dados SKU não estruturados e adicioná-los ao seu product knowledge graph, que alimenta pesquisa personalizada e recomendações.
- Google opera um Shopping Graph com produtos, vendedores, preços e reviews, em paralelo com o seu Knowledge Graph. Os dados estruturados nas vossas páginas de produto são uma das formas de o vosso catálogo entrar nesse sistema.
- Uma marca Shopify de média dimensão pode aplicar a mesma lógica em escala menor. Uma loja com 800 SKUs, um guia de tamanhos, três zonas de envio e uma política de devoluções com duas exceções já tem tudo o que um graph útil precisa. O que normalmente falta é tempo para o construir à mão.
O que um ecommerce knowledge graph permite à IA fazer
Para uma marca Shopify, os casos de uso práticos têm menos a ver com data science e mais com acertar nas respostas e ações do dia a dia, que é o que molda a experiência do cliente.
Recomendações de produto mais inteligentes
As recomendações podem ser feitas com base em atributos reais dos produtos e nas necessidades do cliente, não apenas em "clientes também compraram". Um cliente que diz "faço corridas longas à chuva" pode receber sugestões com base em impermeabilidade, peso e ajuste. A personalização baseada em atributos também reduz o problema de cold start: um produto acabado de lançar ainda não tem histórico de vendas, mas já tem atributos.
Comparações claras entre produtos e variantes
Quando os atributos são guardados como campos comparáveis, e não apenas em texto corrido, a IA consegue explicar exatamente a diferença entre dois modelos ou duas variantes, sem misturar especificações de descrições vizinhas.
Compatibilidade e cross-sell
"Este filtro serve na minha máquina?" é uma pergunta sobre relações. Com ligações de compatibilidade, a IA consegue responder com confiança e sugerir o acessório certo, em vez de empurrar um bestseller aleatório.
Políticas precisas e específicas da vossa loja
As exceções de política para artigos em saldo, produtos personalizados ou encomendas internacionais ficam ligadas aos produtos a que se aplicam. A IA aplica as vossas regras, não a regra mais comum da internet.
Suporte com contexto e ações mais seguras
Ao ligar encomendas e contexto do cliente, a IA consegue responder a "onde está a minha encomenda?" com dados reais. Antes de alterar uma morada de envio ou cancelar uma encomenda, verifica primeiro o estado de fulfillment e as regras do vosso negócio. É essa verificação que torna a AI process automation segura para ativar.
Melhor descoberta de produto e pesquisa
Uma pesquisa no site que percebe que "casaco de chuva" e "waterproof shell" pertencem ao mesmo tipo de produto devolve menos resultados vazios, mais sobre isso no nosso guia de AI Pesquisa para Shopify. A mesma disciplina, atributos limpos e uma taxonomia consistente, também torna as vossas páginas de produto mais fáceis de entender para a Google e para motores de AI search.
Como construir um product knowledge graph, e onde a coisa complica
Se fossem construir um de raiz, o processo costuma ser este:
- Definir entidades e taxonomia. Decidir que categorias de produto, tipos de produto, atributos e relações fazem sentido para o vosso catálogo e para as perguntas dos vossos clientes.
- Extrair atributos de dados não estruturados. A maior parte da informação de produto está em títulos, descrições e imagens, e não em campos limpos. Natural language processing, ou NLP, e large language models são usados para transformar texto em pares atributo-valor.
- Resolver duplicados. "Azul-marinho", "azul escuro" e "navy" podem ser a mesma cor. Dois nomes de fornecedor podem ser a mesma marca.
- Ligar conteúdo, políticas e encomendas. Associar FAQs, guias e cláusulas de políticas aos produtos e coleções a que se referem, e ligar também dados de encomendas em tempo real.
- Manter tudo atualizado. Novos produtos, alterações de preço e atualizações de política têm de entrar continuamente no graph, ou as respostas ficam desatualizadas.
Os desafios são previsíveis: dados de produto desorganizados e espalhados por várias fontes, atributos inconsistentes entre coleções, o esforço de manter tudo sincronizado e a necessidade de escalar a estrutura à medida que o catálogo cresce. Os grandes retalhistas resolvem isto com equipas dedicadas, pipelines de machine learning e graph databases. É exatamente por isso que knowledge graphs continuaram raros em lojas online pequenas e médias, mesmo quando os dados base já existiam.
Os knowledge graphs continuam relevantes na era dos LLMs?
Mais do que nunca. Os LLMs são muito bons com linguagem, mas pouco fiáveis quando não recebem os factos de que precisam. Quando falta informação ou ela é ambígua, tendem a preencher as lacunas com uma resposta plausível. É a isso que as pessoas chamam hallucination. Um knowledge graph dá ao modelo uma fonte estruturada e verificável para apoiar as respostas.
A Google continua a apoiar-se no seu Knowledge Graph, e os motores de AI search favorecem informação clara, bem estruturada e bem ligada quando decidem que marcas e produtos mencionar. A direção da IA não é afastar-se dos knowledge graphs. É combiná-los com modelos de linguagem.
Como a Flyweight transforma a vossa loja Shopify num commerce knowledge graph
A maioria das marcas Shopify não precisa de construir isto do zero, porque a matéria-prima já está na loja. A Flyweight liga produtos, variantes, coleções, páginas, blogs, FAQs, estrutura da loja, informação de encomendas, stock, metafields, marketplaces, políticas e idiomas num Commerce Knowledge Graph. Também podem ser adicionadas fontes extra, como Zendesk, content metafields ou uploads de ficheiros.
Isto é uma forma de GraphRAG nativa para ecommerce: o graph decide que factos pertencem juntos, e um modelo de linguagem transforma isso numa resposta natural. A diferença face a uma configuração de GraphRAG só com texto está na origem do graph. Em vez de raspar texto e esperar que a extração corra bem, a Flyweight constrói o graph em grande parte a partir de dados que já estão estruturados no Shopify, onde produtos, variantes, encomendas e coleções são entidades de primeira classe com relações reais.
- Sem manutenção manual. O graph é construído a partir do conteúdo atual da vossa loja e é atualizado automaticamente todas as noites, para incluir novos produtos, conteúdo e alterações de políticas sem trabalho manual.
- Uma única fonte para respostas e ações. O mesmo graph alimenta conversas de AI Sales & Support e AI Process Automation, onde o agente verifica o que é permitido antes de agir.
- Vocês mantêm o controlo. Podem adicionar conhecimento através de metafields e conteúdo extra, ou excluir conteúdo que não querem que a IA use.
