Với sự gia tăng của AI và Search Generative Experience (SGE), việc tối ưu hóa cơ sở dữ liệu sản phẩm trên Google Shopping Graph không chỉ giúp doanh nghiệp duy trì sự hiện diện mà còn tạo ra lợi thế cạnh tranh lớn. Bài viết dưới đây hãy cùng MangoAds tìm hiểu cách tối ưu hóa biểu đồ mua sắm để nắm bắt tương lai của SEO thương mại điện tử.

1. Giới thiệu về Google Shopping graph

Google Shopping Graph là một công cụ mạnh mẽ giúp kết nối người mua và người bán trên toàn thế giới thông qua hệ thống tìm kiếm và quảng cáo trực tuyến. Bằng cách sử dụng dữ liệu từ hàng tỷ sản phẩm và cửa hàng, Google Shopping Graph cung cấp thông tin chi tiết, chính xác để người tiêu dùng dễ dàng tìm thấy sản phẩm mong muốn. 

1.1 Cấu trúc và nguyên lý hoạt động

Google Shopping Graph (Biểu đồ mua sắm), là một cơ sở dữ liệu ngữ nghĩa khổng lồ chứa hàng tỷ danh sách sản phẩm. Được hỗ trợ bởi công nghệ máy học (Machine learning), Shopping Graph giúp người dùng tìm thấy các sản phẩm qua các tiêu chí như tình trạng còn hàng, đánh giá sản phẩm, chất liệu, màu sắc và kích cỡ.

Google Shopping Graph được xây dựng dựa trên nguyên lý hoạt động của Biểu đồ tri thức (Knowledge Graph), nhưng tập trung vào các thực thể sản phẩm. Mỗi sản phẩm trong Google Shopping Graph được coi là một thực thể, có các thuộc tính và mối quan hệ với các thực thể khác. Những thuộc tính này bao gồm tên sản phẩm, giá, tình trạng còn hàng, đánh giá từ người dùng, và nhiều yếu tố khác. Mối quan hệ giữa các thực thể có thể là các mối quan hệ giữa các sản phẩm tương tự, các phụ kiện liên quan, hoặc các phiên bản khác nhau của cùng một sản phẩm.

>>> Xem thêm: "Tất tần tật" các bước kinh doanh Ecommerce từ con số 0

1.2 Ứng dụng của Google Shopping Graph trong thương mại điện tử

Google Shopping Graph không chỉ giúp người dùng dễ dàng tìm kiếm và so sánh sản phẩm, mà còn cung cấp các tính năng mua sắm như “Mua theo phong cách” và “Hướng dẫn mua hàng”. Những tính năng này tổng hợp thông tin từ nhiều nguồn khác nhau trên web để đưa ra các gợi ý mua sắm chính xác và phù hợp với nhu cầu của từng người dùng.

Một ví dụ điển hình là tính năng "Mua theo phong cách", cho phép người dùng tìm kiếm các sản phẩm theo phong cách cụ thể, như thời trang công sở, thời trang dạo phố, hay thời trang thể thao. Tính năng này không chỉ liệt kê các sản phẩm mà còn gợi ý các bộ trang phục hoàn chỉnh, giúp người dùng có cái nhìn tổng quan về phong cách mà họ đang tìm kiếm.

Tính năng "Hướng dẫn mua hàng" cung cấp các gợi ý mua sắm dựa trên các tiêu chí như giá cả, đánh giá từ người dùng, và các thông tin chi tiết khác. Điều này giúp người dùng dễ dàng so sánh và đưa ra quyết định mua sắm một cách thông minh hơn.

Hình 1: Minh họa Shopping Graph (Nguồn: searchenginejournal.com)

2. Generative AI và tìm kiếm thông tin

AI đã mang lại những thay đổi đáng kể trong cách người dùng tìm kiếm và tiếp cận thông tin trên internet. Với khả năng xử lý ngôn ngữ tự nhiên và hiểu biết ngữ cảnh, AI có thể cung cấp câu trả lời chính xác và phù hợp hơn với nhu cầu của người tìm kiếm.

2.1 Sự thay đổi trong hành vi tìm kiếm

Từ khi AI tạo sinh (Generative AI) xuất hiện đã làm thay đổi mạnh mẽ hành vi tìm kiếm của người dùng. Các ứng dụng AI không chỉ làm cho quá trình tìm kiếm nhanh hơn và chính xác hơn mà còn cá nhân hóa các kết quả tìm kiếm dựa trên sở thích và hành vi của người dùng. Người dùng ngày càng ít nhấp vào các kết quả tìm kiếm cổ điển và cần ít điểm tiếp xúc hơn để tìm hiểu về sản phẩm.

Theo nghiên cứu của Microsoft, tốc độ tìm kiếm sẽ nhanh hơn 2,8 lần trong tương lai nhờ vào AI tạo sinh. Điều này có nghĩa là người dùng sẽ có thể tìm kiếm và nhận thông tin một cách nhanh chóng và hiệu quả hơn. Các kết quả tìm kiếm sẽ trở nên cá nhân hóa hơn, dựa trên lịch sử tìm kiếm và hành vi của người dùng.

Một ví dụ cụ thể là khi người dùng tìm kiếm một “giày chạy bộ”. Trước đây, người dùng có thể phải duyệt qua nhiều trang kết quả mới có thể tìm được đôi giày phù hợp. Tuy nhiên, với sự hỗ trợ của AI tạo sinh, người dùng chỉ cần nhập các tiêu chí cụ thể như "giày chạy bộ cho người trung niên, thừa cân, chạy đường dài" và hệ thống sẽ ngay lập tức đưa ra các gợi ý chính xác dựa trên các tiêu chí này.

Hình 2: Generative AI - thay đổi hành vi tìm kiếm của người dùng (Nguồn: searchengineland.com)

>>> Xem thêm: Cách chạy Quảng cáo Google Shopping và remarketing với Google Ads hiệu quả

2.2 Tác động của Search Generative Experience (SGE)

Theo nghiên cứu của SE Ranking, SGE đã ảnh hưởng đáng kể đến các truy vấn tìm kiếm liên quan đến thương mại điện tử, với 26% truy vấn hiển thị hộp đoạn mã AI. Kết quả tìm kiếm truyền thống thường bị thay thế bởi SGE, điều này thúc đẩy các doanh nghiệp phải tối ưu hóa nội dung để xuất hiện trong các kết quả do AI tạo ra.

SGE đã tạo ra một sự thay đổi lớn trong cách người tiêu dùng tìm kiếm và mua sắm trực tuyến. Thay vì phải lướt qua hàng loạt trang kết quả tìm kiếm, người dùng có thể nhận được các thông tin chi tiết và cá nhân hóa từ SGE. Cơ chế SGE giúp cải thiện trải nghiệm người dùng, tạo ra cơ hội lớn cho các doanh nghiệp để tiếp cận khách hàng một cách hiệu quả hơn.

Hình 3: SGE đã ảnh hưởng đáng kể đến các truy vấn tìm kiếm liên quan đến thương mại điện tử (Nguồn: searchengineland.com)

3. Cách tối ưu hóa Google Shopping Graph

Kể từ năm 2012, Knowledge Graph đã là cơ sở dữ liệu ngữ nghĩa của Google, trong đó kiến thức của thế giới về các thực thể (nodes) và mối quan hệ của chúng với nhau (edges) được ghi lại và hiểu rõ. 

Như một đối tác của Knowledge Graph, Google đã xây dựng Shopping Graph dựa trên cùng nguyên tắc, tập trung vào các thực thể sản phẩm. 

Google’s Shopping Graph là một cơ sở dữ liệu khổng lồ được hỗ trợ bởi machine learning với hàng tỷ danh sách sản phẩm, giúp người dùng tìm kiếm các sản phẩm cụ thể.

• Với hơn 35 tỷ sản phẩm, Shopping Graph cung cấp một lượng lớn các sản phẩm và chi tiết của chúng, chẳng hạn như tình trạng sẵn có, đánh giá, chất liệu, màu sắc và kích thước.
• Người dùng có thể tìm kiếm sản phẩm khi sử dụng các tiêu chí cụ thể và Shopping Graph sẽ tìm kiếm hàng tỷ danh sách và dữ liệu liên quan trên web để tìm các tùy chọn phù hợp.
• Shopping Graph cho phép các chức năng mua sắm khác nhau như “Shop the Look” để tìm ý tưởng phong cách và “Buying Guide” để có các khuyến nghị mua hàng nhờ cơ chế tổng hợp thông tin từ nhiều nguồn khác nhau trên web.
• Cho phép người dùng tìm kiếm các sản phẩm truyền cảm hứng trên Google và thu hẹp các tùy chọn của họ dựa trên thông tin mua sắm hiện tại.

Hình 4: Google’s Knowledge Graph và Google’s Shopping Graph (Nguồn: searchengineland.com)

3.1 Tối ưu hóa Shopping Graph thông qua nguồn dữ liệu

Tập trung vào các nguồn dữ liệu chính như video trên YouTube, trang web của nhà sản xuất và các trang chi tiết sản phẩm (PDP). Thông tin từ các nguồn này giúp Google hiểu rõ hơn về sản phẩm và hiển thị chúng một cách chính xác hơn trên kết quả tìm kiếm.

• YouTube Videos: Một nguồn dữ liệu quan trọng vì nó chứa nhiều video đánh giá sản phẩm, hướng dẫn sử dụng và các video liên quan khác. Các video này cung cấp thông tin chi tiết về sản phẩm, giúp Google hiểu rõ hơn về các tính năng và lợi ích của sản phẩm. Để tối ưu hóa cần tạo ra các video chất lượng cao, chứa các từ khóa liên quan và thông tin chi tiết về sản phẩm.
• Trang web của nhà sản xuất: Trang web này thường chứa các thông tin chi tiết về sản phẩm, như mô tả, thông số kỹ thuật, đánh giá từ người dùng, và các hình ảnh chất lượng cao. Trang web của nhà sản xuất nên được thiết kế sao cho dễ dàng truy cập và tìm kiếm, đồng thời chứa các thông tin chi tiết và chính xác về sản phẩm.
• Trung tâm thương mại của Google: Một công cụ quan trọng trong việc quản lý dữ liệu sản phẩm và quảng cáo trực tuyến. Đây là nơi các nhà bán lẻ và nhà sản xuất có thể tải lên thông tin về sản phẩm của mình để hiển thị trên Google Search và Google Shopping.
• Trang chi tiết sản phẩm (PDP): Thông thường trên các cửa hàng trực tuyến trang chi tiết sản phẩm sẽ cung cấp các thông tin quan trọng về sản phẩm như giá cả, tình trạng còn hàng, và các đánh giá từ người dùng. Trang chi tiết sản phẩm nên chứa các từ khóa liên quan và thông tin chi tiết về sản phẩm, đồng thời cung cấp các hình ảnh chất lượng cao và các đánh giá từ người dùng.
• Trung tâm nhà sản xuất của Google: Cung cấp thông tin từ các nhà sản xuất về sản phẩm. Để tối ưu hóa, cần đảm bảo thông tin sản phẩm được cung cấp đầy đủ và chính xác, phản ánh rõ ràng tình trạng và đặc điểm của sản phẩm.
• Thử nghiệm sản phẩm: Thông tin về hiệu suất và chất lượng của sản phẩm. Công khai kết quả thử nghiệm và phản hồi từ người dùng có thể cải thiện độ tin cậy và minh bạch của sản phẩm. Khuyến khích người dùng tham gia vào thử nghiệm và chia sẻ ý kiến của họ để có cái nhìn đa chiều về sản phẩm.
• Trang đánh giá sản phẩm: Trang đánh giá sản phẩm, cung cấp phản hồi về chất lượng và hiệu suất sản phẩm của người dùng. Theo dõi và phản hồi các đánh giá này giúp cải thiện dịch vụ khách hàng và giải quyết các vấn đề mà người dùng gặp phải. 

>>> Xem thêm: Nghiên cứu từ khóa thương mại điện tử 

Tối ưu hóa các nguồn dữ liệu này không chỉ giúp cải thiện SEO mà còn nâng cao trải nghiệm người dùng, từ đó tăng khả năng tiếp cận và doanh số bán hàng.

Hình 5: Nguồn thông tin trong Google Shopping Graph đến từ (Nguồn: searchengineland.com)

>>> Xem thêm: Chiến dịch mua sắm thông minh 

3.2 Xác định và tối ưu hóa các thuộc tính sản phẩm

Việc tối ưu hóa Google Shopping Graph còn bao gồm việc xác định và tối ưu hóa các thuộc tính sản phẩm. Các thuộc tính này có thể là độ bền, kiểu dáng, chất liệu, màu sắc và kích cỡ. Khi tối ưu hóa, cần đảm bảo rằng các thuộc tính này được đề cập rõ ràng và liên quan trong các nguồn dữ liệu, giúp tăng khả năng sản phẩm được hiển thị trong phản hồi từ AI tạo ra.

Ví dụ, khi tối ưu hóa cho một “Giày chạy bộ”, các thuộc tính như độ bền, kiểu dáng, chất liệu và kích cỡ nên được mô tả rõ ràng trong các video YouTube, trang web của nhà sản xuất và các trang chi tiết sản phẩm. Các thuộc tính này giúp Google hiểu rõ hơn về sản phẩm và hiển thị chúng một cách chính xác hơn trong kết quả tìm kiếm.

Ngoài ra, các thuộc tính sản phẩm cũng nên được liên kết với các ngữ cảnh và từ khóa cụ thể. Ví dụ, nếu một sản phẩm có độ bền cao và được thiết kế cho chạy đường dài, các từ khóa như "độ bền cao", "chạy đường dài" và "giày chạy bộ" nên được sử dụng trong các mô tả sản phẩm và các nguồn dữ liệu liên quan. Điều này giúp tăng khả năng sản phẩm được hiển thị khi người dùng tìm kiếm các từ khóa liên quan.

3.3 Tối ưu hóa Google Shopping Graph

Doanh nghiệp cần đảm bảo rằng thông tin sản phẩm của họ được cập nhật và đầy đủ trên các nguồn dữ liệu, bao gồm việc cung cấp mô tả chi tiết, đánh giá sản phẩm, và sử dụng các từ khóa liên quan. 

Ngoài ra, tối ưu hóa nội dung và trang web cũng giúp cải thiện khả năng hiển thị sản phẩm trên Google Shopping Graph, giúp người tiêu dùng có được cái nhìn tổng quan và chính xác về sản phẩm. Sử dụng các từ khóa liên quan để giúp Google hiểu rõ hơn về sản phẩm và cải thiện khả năng xuất hiện trong kết quả tìm kiếm. 

Cuối cùng, các chiến lược SEO nên tập trung vào việc tối ưu hóa Google Shopping Graph, giúp cải thiện khả năng hiển thị sản phẩm trên Google, tăng khả năng tiếp cận khách hàng và cải thiện tỷ lệ chuyển đổi.

>>> Xem thêm: Hướng dẫn tối ưu bài quảng cáo chuẩn SEO

4. Shopping Graph trong hệ thống RAG

Google Shopping Graph đóng vai trò quan trọng trong hệ thống Retrieval-Augmented Generation (RAG), giúp cải thiện độ chính xác và độ tin cậy của các mô hình AI trong việc tìm kiếm và sinh ra thông tin. 

4.1 RAG là gì?

RAG (retrieval-augmented generation) hay tạo tăng cường truy xuất là một kỹ thuật trong AI, kết hợp giữa mô hình truy xuất thông tin (Information Retrieval) và mô hình ngôn ngữ tạo sinh (generative language). 

Đối với SEO thương mại điện tử, RAG giúp cải thiện chất lượng và tính phù hợp của các câu trả lời do AI tạo ra, khi lấy thông tin bổ sung từ nguồn dữ liệu bên ngoài như Shopping graph. Giúp tạo ra các phản hồi chính xác và phù hợp hơn với ngữ cảnh tìm kiếm của người dùng. 

4.2 Ứng dụng của RAG trong SEO

RAG kết hợp hai thành phần chính: mô hình truy xuất thông tin (information retrieval) và mô hình ngôn ngữ tạo sinh (generative language). Mục tiêu của RAG là cải thiện chất lượng và tính liên quan của các câu trả lời được tạo ra bởi các mô hình ngôn ngữ bằng cách truy xuất thêm thông tin từ một nguồn dữ liệu bên ngoài và sử dụng nó để tạo ra các câu trả lời.

Cách hoạt động của RAG:

• Retrieval (Truy xuất): Đầu tiên, một truy vấn tìm kiếm được thực hiện trên cơ sở dữ liệu bên ngoài để tìm thông tin liên quan. Đây có thể là một tập hợp các văn bản, cơ sở dữ liệu, cơ sở dữ liệu đồ thị hoặc bất kỳ dạng dữ liệu không có cấu trúc và có cấu trúc nào khác.
• Augmentation (Bổ sung): Thông tin được truy xuất sau đó được cung cấp như ngữ cảnh cho mô hình sinh, từ đó tạo ra phản hồi chi tiết và có thông tin.

Hình 6: Cách hoạt động của RAG (Nguồn: searchengineland.com)

Trong thương mại điện tử, RAG có thể giúp người dùng tìm kiếm sản phẩm một cách hiệu quả hơn nhờ kết hợp thông tin từ Google Shopping graph với các mô hình ngôn ngữ AI để đưa ra các gợi ý sản phẩm chính xác và phù hợp.

Ví dụ, khi người dùng tìm kiếm "smartphone tốt nhất cho nhiếp ảnh", hệ thống RAG sẽ truy xuất thông tin từ Google Shopping Graph về các smartphone có camera tốt nhất, sau đó kết hợp với các đánh giá và nhận xét từ người dùng để tạo ra một danh sách các gợi ý smartphone phù hợp với nhu cầu của người dùng.

>>> Xem thêm: Các bước để bắt đầu xây dựng một cửa hàng trực tuyến

4.3 Shopping Graph trong hệ thống RAG

Google Shopping Graph có thể là nguồn thông tin có giá trị cho các hệ thống dựa trên RAG, đặc biệt là trong các ứng dụng thương mại điện tử. Các thông tin chi tiết từ Shopping Graph giúp RAG tạo ra các phản hồi chính xác và phù hợp hơn với ngữ cảnh, cung cấp các đề xuất sản phẩm cụ thể và dữ liệu về tình trạng sẵn có hoặc giá cả.

Sử dụng Shopping Graph, hệ thống RAG có thể truy xuất các thông tin chi tiết và chính xác về sản phẩm, giúp tạo ra các câu trả lời phù hợp với ngữ cảnh và đáp ứng nhu cầu của người tiêu dùng. Điều này đặc biệt quan trọng trong lĩnh vực thương mại điện tử, nơi mà thông tin chính xác và kịp thời có thể làm tăng tỷ lệ chuyển đổi và cải thiện trải nghiệm khách hàng.

Dưới đây là một số vai trò có thể có của Shopping Graph trong hệ thống RAG:

• Cải thiện nghiên cứu sản phẩm: Đối với truy vấn cụ thể về sản phẩm, hệ thống RAG có thể lấy thông tin liên quan từ Shopping Graph để tạo ra các phản hồi chính xác và phù hợp hơn với ngữ cảnh. Ví dụ, nó có thể tích hợp các đề xuất sản phẩm cụ thể, dữ liệu tình trạng sẵn có hoặc thông tin giá cả.
• Đề xuất cá nhân hóa: Shopping Graph có thể được sử dụng để tạo ra các đề xuất mua sắm cá nhân hóa dựa trên sở thích và hành vi cụ thể của người dùng được lưu trữ trong dữ liệu của Shopping Graph.
• Hỗ trợ truy vấn tương tác: Trong kịch bản chatbot tương tác, Shopping Graph có thể giúp trả lời các câu hỏi tiếp theo như cung cấp thêm chi tiết về sản phẩm hoặc gợi ý thay thế dựa trên các đề xuất ban đầu.
• Tích hợp đánh giá và nhận xét: Shopping Graph cũng có thể được sử dụng để bao gồm đánh giá và nhận xét trong các phản hồi được tạo ra, tăng chất lượng và tính hữu ích của các đề xuất.

>>> Xem thêm: Những điều cần làm để website thương mại điện tử hoạt động hiệu quả

Hình 7: Vai trò của Shopping Graph trong hệ thống RAG (Nguồn: MangoAds)

Shopping Graph có thể đóng vai trò quan trọng trong việc tối ưu hóa các hệ thống dựa trên RAG như AI Overviews của Google thông qua thông tin phong phú và có cấu trúc về sản phẩm và mối quan hệ của chúng.

Kết luận

Bằng cách tập trung vào các nguồn dữ liệu chính và tối ưu hóa các thuộc tính sản phẩm, các doanh nghiệp có thể đảm bảo rằng sản phẩm của họ được hiển thị một cách chính xác và thu hút sự chú ý của người dùng. Đối với MangoAds, tối ưu hóa Google Shopping Graph của Google là một bước quan trọng trong việc cải thiện SEO thương mại điện tử và tăng tỷ lệ chuyển đổi. Đây là tương lai của SEO thương mại điện tử mà các doanh nghiệp cần chuẩn bị và thích ứng.

>>> Xem thêm: 10 chiến lược tối ưu SEO Local giúp doanh nghiệp bứt phá hiệu quả