Słowniczek AI w e-commerce: LLM, feed, PMax, RAG, GA4, RODO i governance. Definicje dla marketerów i product ownerów z powiązaniami do darmowego kursu.
Model językowy trenowany na ogromnych zbiorach tekstu; generuje i rozumuje język naturalny.
W e-commerce LLM wspiera copy (opisy, nagłówki RSA, FAQ), streszczenia raportów i mapowanie kategorii. Nie zastępuje ERP ani reguł cenowych - wymaga human-in-the-loop i weryfikacji faktów produktowych.
Modele Google, Meta i innych platform optymalizujące licytacje i alokację budżetu na sygnałach konwersji.
Smart Bidding w Google Ads i optymalizacja kampanii Performance Max to ML platformy - „czarna skrzynka” trenowana na danych ekosystemu reklamowego. Ty dostarczasz feed, konwersje i segmenty; platforma dobiera kanały i stawki.
Jawna logika if/then (np. marża < 10% → wyklucz z PMax) - przewidywalna, tania, łatwa do audytu.
Reguły są pierwszym wyborem tam, gdzie warunki są znane i stabilne: walidacja feedu, wykluczenia SKU, progi marży. LLM nie powinien zastępować reguł w cenach, GTIN ani availability.
Wymyślony przez AI fakt - parametr produktu, promocja lub obietnica, której nie ma w źródle prawdy.
Typowy przykład: opis butów z „membraną Gore-Tex”, której nie ma w PIM. W kampaniach - nieistniejąca gwarancja cenowa. Prewencja: brief z faktami z ERP, checklista QA, log odrzuceń.
Zmiana zachowania modelu AI w czasie - ten sam prompt daje inny wynik po aktualizacji dostawcy.
Po zmianie wersji API jakość opisów lub kategorii może spaść bez zmiany po Twojej stronie. Wersjonuj prompty, retestuj próbkę kontrolną po każdej aktualizacji modelu.
Instrukcja dla modelu AI: rola, kontekst, ograniczenia, format wyjścia i przykłady (few-shot).
Dobry prompt e-commerce zawiera tone of voice, limity znaków (RSA, meta title), zakazane frazy i dane wejściowe wyłącznie z PIM. Przechowuj wersje w repo, nie tylko w UI narzędzia.
LLM odpowiada na podstawie zatwierdzonej bazy wiedzy (FAQ, regulamin), a nie z „pamięci” modelu.
Kluczowe dla chatbotów sklepowych: bot cytuje aktualny regulamin dostaw i zwrotów. Bez RAG bot wymyśla promocje - typowy błąd procesu w module CX.
Procedura, w której człowiek akceptuje lub odrzuca wynik AI przed publikacją lub decyzją biznesową.
Minimum w e-commerce: log SKU + data + autor + status QA, właściciel akceptacji treści, bramka przed eksportem do feedu. Bez tego masowa automatyzacja nocą kończy się incydentami.
Ustrukturyzowany plik (XML, CSV, JSON) z ofertą dla Google Merchant Center, Meta Catalog i marketplace’ów.
Most między ERP/PIM a kanałami sprzedaży. Minimum: id, title, price, availability, link, image_link. Jakość feedu determinuje wyniki Shopping, PMax i dynamic remarketing.
System źródła prawdy dla atrybutów produktowych - opisy, parametry, media, kategorie.
AI enrichment działa na warstwie kopii roboczej z PIM jako inputem. Bez PIM model pogłębia chaos: duplikaty, sprzeczne parametry, błędne GTIN.
System operacyjny firmy: ceny, stany magazynowe, koszty - jednokierunkowy eksport do feedu.
Cena i availability nigdy nie pochodzą z LLM. Dwa źródła (arkusz + ERP) to najczęstsza przyczyna starych cen w kreacjach dynamicznych i odrzuceń w Merchant Center.
Wzbogacanie atrybutów (opis, kategoria, custom_label) - ręcznie, regułami lub z pomocą AI.
Bezpieczny pilotaż: 50 SKU w kopii, ręczna próbka kontrolna, log akceptacji. Ryzykowne: google_product_category i tytuły bez QA; zakazane: GTIN, cena, wymiary regulowane prawnie.
Globalny numer handlowy produktu (np. EAN-13); w feedzie wyłącznie ze źródła prawdy.
AI nie może „dopisywać” GTIN. Błędny kod = odrzucenie w Merchant Center i problemy z dopasowaniem produktu. Zobacz też pełny słownik identyfikatorów.
Pola w feedzie do segmentacji kampanii: marża, sezon, bestseller, clearance.
Przykład: custom_label_0 = high_margin → osobna strategia ROAS w PMax. Puste labele przy kampanii „high margin” oznaczają brak segmentacji i rozlanie budżetu na niską marżę.
Hub Google do zarządzania feedem produktowym, diagnostyki błędów i kampanii Shopping / PMax.
Raport diagnostyki pokazuje odrzucenia (brak GTIN, zła cena, broken link). AI nie zastępuje audytu MC - wraca tam każdy błąd jakości danych z enrichmentu.
Oficjalna taksonomia Google przypisana produktowi - wpływa na dopasowanie i raporty.
LLM może proponować kategorię na podstawie opisu, ale wymaga próbki kontrolnej. Zła kategoria = złe grupowanie w kampaniach i niższy ROAS na segmencie.
Kampania Google łącząca feed, sygnały konwersji i zasoby kreatywne; optymalizacja przez ML platformy.
Ty dostarczasz jakość feedu, konwersje primary i segmenty custom_label. Dobry ROAS przy marży 3% to sygnał do wykluczenia low_margin, nie do podwojenia budżetu.
Automatyczne strategie licytacji Google Ads (Target CPA, Target ROAS) oparte na ML platformy.
Wymaga wystarczającej liczby konwersji i poprawnego tagu purchase. Jakość sygnału spada po wdrożeniu strict Consent Mode - interpretuj raporty ostrożnie.
Reklamy tekstowe Google z wieloma nagłówkami i opisami - platforma testuje kombinacje.
AI przyspiesza generowanie wariantów (≤30 / ≤90 znaków), ale wymaga briefu marki i testu A/B. Obietnice typu „najniższa cena” bez dowodu = odrzucenie lub ryzyko prawne.
ROAS - zwrot z wydatków reklamowych; CPA - koszt pozyskania konwersji.
Metryki platformy mogą różnić się od incrementality i ERP. Decyzje budżetowe łącz raport Ads, GA4 i test lift - nie skaluj wyłącznie na ROAS z Meta.
Reklamy zbudowane automatycznie z feedu produktowego i szablonów graficznych.
Stare ceny na banerze = pierwszy audyt synchronizacji price z ERP, nie nowy prompt. Jakość image_link i title wpływa na CTR i zgodność z politykami Google.
Segmentacja klientów: kiedy ostatnio kupili, jak często, za ile.
AI pomaga opisać segmenty językiem biznesowym i proponować testy. Segment VIP w CRM bez identyfikacji na stronie = problem zgody lub techniki, nie brak LLM.
Dopasowanie treści, bannerów lub rekomendacji do segmentu użytkownika.
Remarketing i personalizacja reklamowa wymagają zgody tam, gdzie prawo tego wymaga. Porównuj tygodnie przed/po CMP z adnotacją o jakości danych.
Asystent na stronie sklepu - najbezpieczniej LLM + RAG na zatwierdzonym FAQ i escalation do człowieka.
Root cause obietnic spoza regulaminu: brak aktualnego FAQ w bazie RAG. Mierz eskalacje / 100 rozmów i incydenty obietnic niezgodnych z ofertą.
Widget „kupowane razem” - reguły asocjacyjne lub ML platformy CDP, nie LLM jako silnik SKU.
LLM może pisać copy przy widgetcie. Garnki przy smartfonie = zła reguła kategorii, nie zły prompt. Mierz CTR widgetu i AOV sesji z kliknięciem.
Lejek view_item → add_to_cart → begin_checkout → purchase z parametrami items (item_id, price).
Purchase revenue −40% przy stabilnym ERP = audyt tagu, nie cięcie budżetu. item_id musi być spójny z id w feedzie.
Identyfikator produktu w zdarzeniach GA4 - musi odpowiadać id w feedzie i PIM.
Rozjazd item_id psuje raporty produktowe i optymalizację kampanii. Test w DebugView: jedno zamówienie testowe z pełnym parametrem items.
Pomiar dodatkowego efektu kampanii ponad baseline (test geo, holdout, lift study).
Meta +30% ROAS przy incrementality +2% = ostrożne skalowanie. Raport platformy i atrybucja GA4 to perspektywy analityczne, nie jedyna prawda biznesowa.
Przypisanie konwersji do kanałów i touchpointów w customer journey.
Model w GA4 zmienia widok, nie tworzy przyrostu. Łącz z testami incrementality przy decyzjach o budżecie milionowym.
Mechanizm Google dostosowujący tagi do zgody na cookies; modelowane konwersje przy odmowie.
Spadek konwersji w GA4 po wdrożeniu CMP nie zawsze = spadek sprzedaży. Porównuj purchase z ERP tygodnia do tygodnia.
Dokument: dozwolone use case’y, zakazane dane w promptach, właściciel akceptacji, przegląd kwartalny.
Bez polityki po 90 dniach pilotażu - każdy używa własnego ChatGPT. Powiąż z hubem Data Governance w firmie.
Umowa powierzenia z dostawcą AI; zakaz wklejania pełnych baz klientów do publicznych API.
Dozwolone: agregaty bez PII, publiczne opisy produktów. Zatrzymaj eksport 10 000 emaili do ChatGPT - to incydent, nie „szybka kampania”.
Przepływ: trigger PIM → LLM (szkic) → walidacja ERP → akceptacja człowieka → feed.
Dwie bramki minimum przed publikacją nocą. Wersjonuj prompty w repo. Mierz rekordy zatrzymane na bramce vs błędy po publikacji.