Ecommerce Knowledge Graph Nedir? Shopify markaları için Product Knowledge Graph açıklaması
Bir ecommerce knowledge graph, ürünlerinizi, varyantlarınızı, koleksiyonlarınızı, içeriklerinizi, politikalarınızı ve siparişlerinizi birbirine bağlar. Böylece AI bunlar arasında ilişki kurup doğru bağlamla yanıt üretebilir. Bu yazıda product knowledge graph’in nasıl çalıştığını ve Shopify markanız için neleri değiştirdiğini anlatıyoruz.
ByE-ticaret Knowledge Graph nedir?
E-ticaret knowledge graph, online mağazanızın yapılandırılmış bir haritasıdır. Ürünleri, varyantları, koleksiyonları, içerikleri, politikaları, siparişleri ve müşterileri birbiriyle bağlantılı varlıklar olarak saklar. Ayrıca aralarındaki ilişkileri de kaydeder. Örneğin "varyantıdır", "koleksiyona aittir" veya "politika kapsamında yer alır" gibi. AI bu yapı sayesinde birbirinden kopuk sayfalarda aramak yerine bu ilişkiler üzerinden akıl yürütür. Bu da yanıtları, önerileri ve otomatik aksiyonları daha isabetli hale getirir.
Bir müşteri mağaza sohbetinizde şunu soruyor: "Alpine shell jacket su geçirmez mi, XL bedeni hâlâ var mı, bir de indirimden alırsam iade edebilir miyim?"
Üç kısa soru. Ama doğru cevap verebilmek için AI'nın bir ürün özelliğine ihtiyaç duyması gerekir, yani su geçirmezlik derecesine. Sonra bir varyanta ve onun stok durumuna, yani XL bedene. Ardından ürünün hangi koleksiyonda olduğuna, yani Sale. Son olarak da indirimli ürünler için geçerli iade kuralına. Bu bilgiler mağazanızda dört ayrı sayfada durur. Sadece sayfalarda arama yapan bir AI bunların bir kısmını bulur. Aralarındaki bağlantıyı anlayan bir AI ise hepsini bir araya getirir ve gerçekten doğru olan tek bir yanıt verir.
Bu bağlantılı yapıya knowledge graph denir. Bu rehberde e-ticaret knowledge graph nedir, product knowledge graph nasıl çalışır, knowledge base, RAG ve vector database ile farkı nedir, Shopify markaları için pratikte neyi değiştirir, bunları anlatıyoruz.
Knowledge graph nedir?
Knowledge graph, bilgiyi nesneler ve aralarındaki ilişkilerden oluşan bir ağ olarak saklama yöntemidir. Her nesne bir node'dur, yani varlıktır. Her ilişki de bir edge'dir. Bilginin en küçük birimi üç parçadan oluşan bir gerçektir. Buna çoğu zaman triple denir:
- Alpine Shell Jacket → su geçirmezlik derecesi → 20.000 mm
- Alpine Shell Jacket XL → varyantıdır → Alpine Shell Jacket
- Sale koleksiyonu → kapsanır → final-sale iade kuralı
Her bir veri tek başına basittir. Asıl değer bağlantılarda ortaya çıkar. Veriler aynı node'ları paylaştığında makine bir bilgiden diğerine giden yolu takip edebilir ve tek bir sayfanın cevaplamadığı soruları yanıtlayabilir.
Bu yaklaşım 2012'de Google'ın sadece anahtar kelimeleri eşleştirmek yerine gerçek dünyadaki varlıkları anlamak için Knowledge Graph'ını tanıtmasıyla yaygınlaştı. Bugün aynı mantık Amazon'daki ürün aramanın, perakendedeki öneri sistemlerinin ve giderek daha fazla müşterilerinizle konuşan AI agent'ların arkasında çalışıyor.
Product knowledge graph nedir?
Product knowledge graph, bu modeli kataloğa uygular. Ürünler node olur. Ürünleri tanımlayan unsurlar da öyle: markalar, ürün tipleri, materyaller, bedenler, renkler, kullanım alanları ve uyumlu aksesuarlar. Edge'ler bunların nasıl ilişkili olduğunu kaydeder. Böylece graph, bir ceketin outerwear kategorisine girdiğini, belirli bir membran kullandığını, beş bedende geldiğini ve belli bir kapüşonla eşleştiğini bilir.
E-ticaret knowledge graph, yani Flyweight'te commerce knowledge graph dediğimiz yapı, bunu bir adım ileri taşır. Kataloğu mağazanızın bildiği diğer her şeyle bağlar:
| Varlık | Bir Shopify mağazasındaki örnekler | Tipik ilişkiler |
|---|---|---|
| Ürünler ve varyantlar | Alpine Shell Jacket, XL beden, lacivert renk | varyantıdır, stokta bulunur, fiyatı şudur |
| Koleksiyonlar ve taksonomi | Dış giyim, İndirim, Yeni gelenler | aittir, bir türüdür |
| Ürün özellikleri | Su geçirmezlik derecesi, malzeme, kalıp | özelliğe sahiptir, uyumludur |
| İçerik | Beden rehberi, SSS, blog yazıları | açıklar, yanıtlar |
| Politikalar | İade, kargo, garanti | için geçerlidir, hariç tutar |
| Siparişler ve müşteriler | Sipariş #8412, sipariş durumu | içerir, tarafından verilmiştir, uygundur |
| Bağlı sistemler | Helpdesk, Klaviyo, fulfillment aracı | senkronizedir, tetikler |
Aradaki fark önemlidir. Product graph, makinenin ne sattığınızı anlamasına yardımcı olur. E-ticaret knowledge graph ise işinizin nasıl çalıştığını anlamasını sağlar: hangi kuralların hangi ürünlere uygulandığını, bir müşterinin daha önce ne sipariş verdiğini ve AI'nın sırada hangi aksiyonu alabileceğini.
Nasıl çalışır: tek bir müşteri sorusu, adım adım
Ceket sorusuna geri dönelim. Bir AI agent, graph üzerinden akıl yürütebildiğinde şöyle cevap verir:
- Varlığı tanımlar. "Alpine shell jacket" tek bir ürün node'una eşleştirilir. Müşteri yazım hatası yapsa veya eş anlamlı bir ifade kullansa bile.
- Özelliği okur. Ürünün su geçirmezlik derecesine giden bir edge'i vardır. Bu yüzden agent, "shell" kelimesinden tahmin yürütmek yerine gerçek değeri söyler.
- Varyantı kontrol eder. XL varyantına giden edge'i takip eder ve güncel stoğu okur.
- Doğru kuralı bulur. Ürün Sale koleksiyonundadır ve bu koleksiyon iade politikasındaki belirli bir maddeye bağlıdır.
- Tek seferde yanıtlar. Bu örnek mağazada yanıt şöyle olur: "Evet, su geçirmezlik derecesi 20.000 mm, XL stokta var ve indirimli ürünler 14 gün içinde mağaza kredisi olarak iade edilebilir."
Graph olmadan AI, soruya benzeyen birkaç metin parçasını çeker ve doğru olanların aralarında olmasını umar. Eğer iade sayfasında en üstte genel 30 günlük kural, en altta da indirim istisnası yazıyorsa, seçtiği snippet cevabın doğru olup olmayacağını belirler. Chatbot'ların yanlış cevaplarının büyük kısmı tam burada çıkar. Sorun bilginin eksik olması değil, bilgi parçaları arasındaki bağlantıların eksik olmasıdır.
Knowledge graph vs knowledge base vs RAG vs vector database
Bu kavramlar sık sık birbirine karışır. Bunun bir sebebi de çoğu zaman birlikte kullanılmalarıdır. Aralarındaki fark kısaca şöyle:
| Yaklaşım | Nedir? | AI bunu nasıl kullanır? | Yetersiz kaldığı yer |
|---|---|---|---|
| Bilgi tabanı | SSS'ler, yardım makaleleri ve politika sayfalarından oluşan bir doküman koleksiyonu | En ilgili makaleyi arar | Bilgiler metnin içinde kalır, makaleler arasındaki ilişkiler açıkça tanımlı değildir |
| Vektör veritabanı | Metni, anlamın sayısal temsilleri olan embedding'ler olarak saklar | Sorguyla anlamsal olarak benzer bölümleri bulur | Benzer olması doğru olduğu anlamına gelmez, ürün → koleksiyon → politika gibi bir zinciri takip edemez |
| RAG (retrieval-augmented generation) | Bir yöntem: ilgili içeriği getirir, ardından büyük bir dil modelinin yanıtı yazmasını sağlar | Yanıtları modelin eğitim verisi yerine kendi içeriğinize dayandırır | Performansı bulduğu içeriğin kalitesiyle sınırlıdır, çok adımlı sorularda sık sık bir parça eksik kalır |
| Knowledge Graph | Varlıklar ve aralarındaki açık ilişkiler | Bir sorunun ihtiyaç duyduğu bilgileri toplamak için ilişkileri takip eder | Yapılandırma ve düzenli bakım gerektirir |
Knowledge graph, RAG'den daha mı iyi? Farklı problemleri çözerler. En güçlü sistemler ikisini birlikte kullanır. RAG, AI'nın hafızadan değil sizin verinizden yanıt vermesini sağlar. Knowledge graph ise getirilen verinin doğru bağlantılarla bir araya gelmesini sağlar. Bu kombinasyona çoğu zaman GraphRAG denir: graph hangi bilgilerin birlikte değerlendirilmesi gerektiğini belirler, dil modeli de bunu doğal bir yanıta dönüştürür.
Aynı durum knowledge base ve knowledge graph karşılaştırması için de geçerli. SSS'leriniz ve yardım içerikleriniz geçersiz hale gelmez. Tam tersine, input olur. Graph her makaleyi bahsettiği ürünlere, koleksiyonlara ve politikalara bağlar. Böylece doğru ürün için doğru içerik öne çıkar.
E-ticarette knowledge graph örnekleri
Büyük perakendeciler yıllardır product knowledge graph'lara yatırım yapıyor. Bunu en çok arama ve öneri sistemlerini güçlendirmek için yapıyorlar.
- Amazon product graph'ını büyük ölçüde otomatik kuruyor. Amazon Science'a göre AutoKnow sistemi, ürün özelliklerini büyük ölçekte çıkarıp temizleyerek graph'taki gerçek sayısını üç katına çıkardı.
- DoorDash yapılandırılmamış SKU verilerinden ürün özellikleri çıkarmak için LLM'leri kullanıyor ve bunları product knowledge graph'ına ekliyor. Bu yapı da kişiselleştirilmiş arama ve önerileri besliyor.
- Google Knowledge Graph'ının yanında ürünler, satıcılar, fiyatlar ve yorumlardan oluşan bir Shopping Graph çalıştırıyor. Ürün sayfalarınızdaki yapılandırılmış veriler, kataloğunuzun buraya girmesinin yollarından biri.
- Orta ölçekli bir Shopify markası aynı mantığı daha küçük ölçekte kullanabilir. 800 SKU'lu bir mağaza, bir beden rehberi, üç gönderim bölgesi ve iki istisnalı bir iade politikası ile işe yarar bir graph için gereken her şeye zaten sahiptir. Genelde eksik olan şey bunu elle kuracak zamandır.
E-ticaret knowledge graph, AI'nın ne yapmasını sağlar?
Shopify markaları için pratik kullanım alanları veri biliminden çok günlük yanıtları ve aksiyonları doğru yönetmekle ilgilidir. Müşteri deneyimini şekillendiren şey de budur.
Daha akıllı ürün önerileri
Öneriler yalnızca "bunu alan şunu da aldı" mantığına değil, gerçek ürün özelliklerine ve müşteri ihtiyacına dayanabilir. "Yağmurda uzun mesafe koşuyorum" diyen bir müşteri, su geçirmezlik, ağırlık ve kalıp gibi niteliklere göre eşleştirilebilir. Özelliğe dayalı kişiselleştirme, cold-start problemini de yumuşatır. Yepyeni bir ürünün henüz satış geçmişi olmayabilir ama özellikleri vardır.
Ürünler ve varyantlar arasında net karşılaştırmalar
Özellikler serbest metin yerine karşılaştırılabilir alanlarda tutulduğunda AI, iki modelin veya iki varyantın farkını komşu ürün açıklamalarındaki verileri karıştırmadan açık şekilde anlatabilir.
Uyumluluk ve çapraz satış
"Bu filtre benim makineye uyar mı?" bir ilişki sorusudur. Compatible-with edge'leri sayesinde AI daha güvenilir yanıt verir ve rastgele bir çok satanı öne çıkarmak yerine doğru aksesuarı önerebilir.
Net ve mağazanıza özel politikalar
İndirimli ürünler, kişiselleştirilmiş ürünler veya uluslararası siparişler için olan politika istisnaları, ilgili oldukları ürünlere bağlanır. AI internetteki en yaygın kuralı değil, sizin kurallarınızı uygular.
Bağlama duyarlı destek ve güvenli aksiyonlar
Siparişleri ve müşteri bağlamını bağlamak, AI'nın "siparişim nerede?" sorusunu gerçek verilerle cevaplamasını sağlar. Teslimat adresini değiştirmeden veya siparişi iptal etmeden önce fulfilment durumunu ve iş kurallarınızı kontrol eder. AI process automation çözümünü güvenle devreye almanızı sağlayan şey de bu kontroldür.
Daha iyi ürün keşfi ve arama
"Rain jacket" ile "waterproof shell" aynı ürün tipine ait dediğini anlayan site içi arama, daha az boş sonuç döndürür. Bununla ilgili detayları Shopify için AI Arama rehberimizde anlattık. Aynı disiplin, yani temiz özellikler ve tutarlı bir taksonomi, ürün sayfalarınızın Google ve AI arama motorları tarafından daha kolay anlaşılmasını da sağlar.
Product knowledge graph nasıl kurulur, zorlaşan kısım neresi?
Bunu sıfırdan kuracak olsaydınız süreç genelde şöyle ilerlerdi:
- Varlıkları ve taksonomiyi tanımlayın. Kataloğunuz ve müşterilerinizin soruları için hangi ürün kategorileri, ürün tipleri, ürün özellikleri ve ilişkilerin önemli olduğuna karar verin.
- Yapılandırılmamış veriden özellik çıkarın. Ürün bilgisinin büyük kısmı düzenli alanlarda değil, başlıklarda, ürün açıklamalarında ve görsellerde durur. Metni özellik-değer çiftlerine dönüştürmek için doğal dil işleme, yani NLP, ve büyük dil modelleri kullanılır.
- Tekrarları çözün. "Navy", "dark blue" ve "marine" tek bir renk olabilir. İki farklı tedarikçi adı aslında tek bir marka olabilir.
- İçeriği, politikaları ve siparişleri bağlayın. SSS'leri, rehberleri ve politika maddelerini ilgili oldukları ürünlere ve koleksiyonlara bağlayın. Canlı sipariş verisini de ekleyin.
- Güncel tutun. Yeni ürünler, fiyat değişiklikleri ve politika güncellemeleri graph'a sürekli akmalıdır. Aksi halde yanıtlar hızla eski kalır.
Zorluklar genelde tahmin edilebilirdir: farklı veri kaynaklarına dağılmış dağınık ürün verisi, koleksiyonlar arasında tutarsız özellikler, her şeyi senkron tutma yükü ve katalog büyüdükçe Setup'ın ölçeklenmesini sağlamak. Büyük perakendeciler bunu özel ekipler, machine learning pipeline'ları ve graph database'lerle çözüyor. Tam da bu yüzden knowledge graph'lar, temel veri zaten mevcut olsa bile, küçük ve orta ölçekli online mağazalarda uzun süre nadir kaldı.
LLM çağında knowledge graph hâlâ önemli mi?
Hem de her zamankinden daha fazla. LLM'ler dil konusunda çok güçlüdür ama kendilerine verilmemiş gerçeklerde güvenilir değildir. Bilgi eksik veya muğlak olduğunda kulağa makul gelen bir boşluk doldurma eğilimi gösterirler. İnsanların AI hallucination dediği şey tam olarak budur. Knowledge graph, modelin yanıtlarını dayandırabileceği yapılandırılmış ve doğrulanabilir bir kaynak sunar.
Google hâlâ Knowledge Graph'ına dayanıyor. AI arama motorları da hangi marka ve ürünlerden bahsedeceğine karar verirken açık, yapılandırılmış ve iyi bağlanmış bilgileri tercih ediyor. AI'nın yönü knowledge graph'lardan uzaklaşmak değil, onları dil modelleriyle birleştirmek.
Flyweight, Shopify mağazanızı nasıl commerce knowledge graph'a dönüştürür?
Shopify markalarının çoğunun bunları kendisinin kurmasına gerek yok. Çünkü kaynak veri zaten mağazada bulunuyor. Flyweight; ürünleri, varyantları, koleksiyonları, sayfaları, blogları, SSS'leri, mağaza yapısını, sipariş bilgisini, stoku, metafield'ları, marketplace'leri, politikaları ve dilleri bir Commerce Knowledge Graph içinde birbirine bağlar. Zendesk, içerik metafield'ları veya dosya yüklemeleri gibi ek kaynaklar da bağlanabilir.
Bu, commerce-native bir GraphRAG yaklaşımıdır: graph hangi bilgilerin birlikte ele alınacağını belirler, dil modeli de bunu doğal bir yanıta dönüştürür. Sadece metne dayalı bir GraphRAG kurulumundan farkı, graph'ın nereden geldiğidir. Düz metni kazıyıp çıkarımın doğru olmasını ummak yerine Flyweight, graph'ı büyük ölçüde Shopify'da zaten yapılandırılmış olan veriden kurar. Çünkü Shopify'da ürünler, varyantlar, siparişler ve koleksiyonlar gerçek ilişkilere sahip birinci sınıf varlıklardır.
- Bakım gerektirmez. Graph mevcut mağaza içeriğinizden oluşturulur ve her gece otomatik yenilenir. Böylece yeni ürünler, içerikler ve politika değişiklikleri manuel iş olmadan eklenir.
- Yanıtlar ve aksiyonlar için tek kaynak. Aynı graph hem AI Sales & Support konuşmalarını hem de AI Process Automation'ı besler. Agent, aksiyon almadan önce neye izin verildiğini kontrol eder.
- Kontrol sizde kalır. Metafield'lar ve ek içerikler üzerinden bilgi ekleyebilir ya da AI'nın kullanmasını istemediğiniz içerikleri hariç tutabilirsiniz.
