Conversational Attributes w Google Merchant Center – 6 nowych atrybutów, które zmieniają e-commerce

Sześć nowych conversational attributes w Google Merchant Center – question_and_answer, document_link, related_product, item_group_title, variant_option i popularity_rank – to dane, które musisz dodać do feedu produktowego, jeśli chcesz, aby Twoje produkty pojawiały się w odpowiedziach AI Mode. Bez nich Shopping Graph (50 mld+ produktów) nie zrozumie relacji między wariantami, nie odpowie na pytania klientów i nie zbuduje konwersacyjnego doświadczenia zakupowego wokół Twojej oferty.

Nasz audyt trzech dużych polskich sklepów – Media Expert, Morele.net i Euro.com.pl – pokazuje, że żaden z nich nie wdrożył jeszcze tych atrybutów. Poniżej znajdziesz analizę każdego atrybutu z perspektywy technicznej implementacji i wpływu na widoczność w AI, realne dane z audytów, powiązania z patentami Google oraz gotowy plan wdrożenia.

Co to są conversational attributes i dlaczego Google je wprowadził?

Conversational attributes to nowa kategoria danych w feedach produktowych Google Merchant Center, zaprojektowana specjalnie pod kątem interakcji konwersacyjnych – czyli sytuacji, w których użytkownik nie wpisuje zapytania, ale prowadzi dialog z AI. Tradycyjne atrybuty feedu (tytuł, cena, GTIN, kolor) służyły algorytmom matchowania i filtrowania. Nowe atrybuty konwersacyjne służą czemuś innemu – pozwalają Shopping Graph zrozumieć kontekst produktu, relacje między wariantami i odpowiedzieć na pytania, które użytkownik zadaje w sposób naturalny.

Zmiana ta ma swoje źródło w ewolucji zachowań zakupowych. Dane Google wskazują, że coraz więcej użytkowników szuka produktów przez zapytania konwersacyjne – zamiast wpisywać 'iPhone 16 Pro Max 256GB cena’, pytają 'który iPhone 16 Pro Max najlepiej sprawdzi się do fotografii i mieści się w budżecie 6000 zł’. Ten typ zapytania wymaga od systemu nie tylko dopasowania produktu po parametrach, ale zrozumienia kontekstu użycia, porównania wariantów i sformułowania odpowiedzi w języku naturalnym.

Google rozwija conversational commerce jako kluczowy kierunek w odpowiedzi na rosnącą konkurencję ze strony platform takich jak Amazon Rufus i ChatGPT z integracją zakupową. Shopping Graph, który indeksuje ponad 50 miliardów produktów, staje się fundamentem systemu, w którym użytkownik może prowadzić wieloetapową konwersację zakupową – od eksploracji kategorii, przez porównanie wariantów, aż po finalizację zakupu – bez opuszczania interfejsu AI Mode.

Jakie 6 nowych atrybutów konwersacyjnych pojawiło się w Merchant Center?

Google wprowadził sześć nowych atrybutów, z których każdy pełni specyficzną rolę w budowaniu konwersacyjnego doświadczenia zakupowego. Poniżej omawiamy każdy z nich z perspektywy zarówno technicznej implementacji w feedzie, jak i wpływu na widoczność w AI Mode.

question_and_answer

Atrybut question_and_answer pozwala dostawcom feedów na dołączenie do produktu par pytanie-odpowiedź, które Shopping Graph może wykorzystać do bezpośredniego odpowiadania na zapytania użytkowników. Nie chodzi tu o sekcję FAQ na stronie produktowej – chodzi o strukturalne dane w feedzie, które AI może przetworzyć bez konieczności crawlowania strony.

Z perspektywy patentów Google, ten atrybut łączy się bezpośrednio z mechanizmem passage_extractability (US9959315B1, US10783156B1), który ocenia, czy fragment treści może zostać wyodrębniony i wyświetlony jako samodzielna odpowiedź. Dostarczając pary Q&A w feedzie, merchant skraca ścieżkę ekstrakcji do zera – Google nie musi wyciągać odpowiedzi z tekstu strony, dostaje ją gotową.

document_link

Atrybut document_link umożliwia powiązanie produktu z dokumentacją zewnętrzną – instrukcjami obsługi, kartami technicznymi, certyfikatami zgodności. W kontekście conversational commerce, gdy użytkownik pyta 'czy ten ekspres do kawy ma tryb automatycznego czyszczenia’, AI Mode może sięgnąć do podlinkowanej instrukcji i znaleźć odpowiedź, nawet jeśli opis produktu jej nie zawiera.

Ten atrybut wspiera mechanizm web_page_information_extraction (US8438080B1, US9443250B1), który sprawdza spójność danych produktowych między feedem a stroną. Linkowanie do dodatkowych dokumentów rozszerza pulę informacji, z której Google może weryfikować i uzupełniać dane produktowe.

related_product

Atrybut related_product definiuje powiązania między produktami na poziomie feedu – akcesoria, komplementarne produkty, zestawy. W sesji konwersacyjnej, gdy użytkownik wybiera laptopa i pyta 'co jeszcze będę potrzebować’, Shopping Graph może odpowiedzieć na podstawie tych relacji, zamiast bazować na algorytmach rekomendacji.. Jak te atrybuty wpływają na personalizację rekomendacji AI dla różnych użytkowników, analizujemy w osobnym artykule

Z punktu widzenia entity_attribute_relations (US11263400B2, US9875296B2), related_product zwiększa gęstość grafu encji wokół produktu. Im więcej jawnie zadeklarowanych relacji, tym wyższy confidence score przypisany przez system do danego produktu jako węzła w Shopping Graph.

item_group_title

Atrybut item_group_title nadaje wspólną nazwę grupie wariantów produktu. Zamiast traktować 'iPhone 16 Pro Max 256GB Czarny Tytan’, 'iPhone 16 Pro Max 512GB Biały Tytan’ i 'iPhone 16 Pro Max 1TB Naturalny Tytan’ jako trzy osobne produkty, Google może je zgrupować pod wspólnym tytułem 'iPhone 16 Pro Max’ i rozumieć warianty jako atrybuty tego samego produktu.

Ten atrybut jest kluczowy dla specyfikacji ProductGroup w Schema.org, gdzie variesBy wskazuje, po jakich właściwościach różnią się warianty. W połączeniu ze strukturalnym feedem, item_group_title pozwala Shopping Graph budować hierarchię produkt-wariant, co jest fundamentem konwersacyjnego porównywania wariantów.

variant_option

Atrybut variant_option opisuje, czym konkretny wariant różni się od pozostałych w grupie. To odpowiednik wartości variesBy w Schema.org – jeśli produkt varies by kolor i pojemność, variant_option dla konkretnego SKU może mieć wartość '256GB, Czarny Tytan’. Bez tego atrybutu, Google musi ekstrapolować różnice między wariantami z tytułów i opisów, co prowadzi do problemów z near-duplicate content – dokładnie takich, jakie wykryliśmy w audycie Morele.net.

popularity_rank

Atrybut popularity_rank pozwala merchantowi zadeklarować popularność produktu w ramach kategorii lub całego katalogu. AI Mode może wykorzystać tę informację do odpowiedzi na pytania typu 'jaki jest najpopularniejszy robot sprzątający do 2000 zł’. Zamiast bazować wyłącznie na zewnętrznych sygnałach popularności (kliknięcia, recenzje), system otrzymuje bezpośrednią deklarację od sprzedawcy.

Z perspektywy fact_density (US9558186B2, US9672251B1), popularity_rank dodaje kolejny fakt do profilu encji produktowej, zwiększając gęstość informacyjną. Patent ten wskazuje, że Google preferuje encje o wyższej gęstości atrybutów, ponieważ pozwalają na formułowanie bardziej precyzyjnych odpowiedzi.

Jak Shopping Graph wykorzystuje conversational attributes do odpowiedzi AI?

Shopping Graph to graf wiedzy produktowej Google, który łączy ponad 50 miliardów produktów z informacjami o cenach, dostępności, recenzjach, sprzedawcach i relacjach między produktami. Conversational attributes rozszerzają ten graf o warstwę konwersacyjną – dane zaprojektowane specjalnie do generowania odpowiedzi w dialogu z użytkownikiem.

Gdy użytkownik w AI Mode zadaje pytanie zakupowe, system przechodzi przez kilka etapów. Najpierw identyfikuje intencję – czy to pytanie o konkretny produkt, porównanie kategorii, czy eksploracja potrzeby. Następnie przeszukuje Shopping Graph pod kątem encji produktowych pasujących do zapytania. W trzecim kroku generuje odpowiedź, korzystając z atrybutów produktowych – i tu nowe conversational attributes odgrywają kluczową rolę.

Dla pytania 'czym się różni iPhone 16 Pro Max 256GB od wersji 1TB’, system wykorzystuje item_group_title do identyfikacji grupy wariantów, variant_option do wyodrębnienia różnic (pojemność, cena), a question_and_answer do ewentualnego wzbogacenia odpowiedzi o dodatkowe informacje od sprzedawcy. Atrybut related_product pozwala zasugerować kompatybilne etui lub ładowarkę MagSafe.

Kluczowe jest zrozumienie, że Shopping Graph działa na poziomie grafu encji, nie na poziomie stron internetowych. Produkt w Shopping Graph to węzeł z atrybutami, nie URL ze scrapowaną treścią. Dlatego conversational attributes dostarczane bezpośrednio w feedzie mają przewagę nad danymi wyciąganymi ze stron – są strukturalne, zweryfikowane i gotowe do użycia przez model językowy. Patent verified_entity_attributes (US12547607B2, US12061594B2) potwierdza tę logikę – Google przypisuje wyższy confidence score atrybutom, które zostały jawnie zadeklarowane przez zweryfikowane źródło, w porównaniu z atrybutami wyekstrahowanymi automatycznie z treści stron.

Case study – co mówi audyt 3 polskich sklepów o gotowości na conversational commerce?

Aby ocenić gotowość polskiego rynku e-commerce na conversational attributes, przeprowadziliśmy audyt trzech dużych sklepów internetowych – Media Expert, Morele.net i Euro.com.pl – koncentrując się na dwóch wymiarach: pokryciu schematów strukturalnych (Schema.org Product JSON-LD) oraz zróżnicowaniu wariantów produktowych. Wyniki są alarmujące.

Media Expert – brak fundamentów

Audyt mediaexpert.pl ujawnił kompletny brak implementacji Schema.org Product w formacie JSON-LD. Schema Coverage Score wyniósł 0, a Attribute Richness Score również 0. Na stronach produktowych nie znaleziono żadnego znacznika Product – brak nazwy produktu w strukturze danych, brak marki (Brand), brak opisu (description), brak SKU, brak obrazka (image) w formacie zrozumiałym dla Shopping Graph.

W kontekście conversational attributes to oznacza, że Media Expert nie posiada nawet fundamentów potrzebnych do tego, by Google mógł powiązać dane z feedu Merchant Center z danymi na stronie produktowej. Patent web_page_information_extraction (US8438080B1) opisuje mechanizm weryfikacji spójności między feedem a stroną – gdy strona nie zawiera żadnych strukturalnych danych produktowych, system nie może zweryfikować poprawności danych z feedu, co obniża confidence score całego produktu w Shopping Graph.

Euro.com.pl – identyczny problem

Audyt Euro.com.pl wykazał identyczny wzorzec – Schema Coverage Score 0, Attribute Richness Score 0, brak jakiegokolwiek znacznika Product JSON-LD. Dla obu sklepów – Media Expert i Euro.com.pl – zidentyfikowaliśmy te same krytyczne problemy: NO_PRODUCT_SCHEMA, NO_BRAND, NO_DESCRIPTION, NO_SKU, NO_IMAGE, LOW_ATTRIBUTE_RICHNESS.

Warto podkreślić skalę tego problemu. Media Expert i Euro.com.pl należą do największych sklepów elektronicznych w Polsce, obsługujących miliony użytkowników miesięcznie. Brak podstawowych schematów oznacza, że nawet jeśli te sklepy wdrożą conversational attributes w feedach Merchant Center, Google nie będzie mógł efektywnie powiązać tych danych z treścią stron, co ograniczy widoczność w AI Mode i conversational commerce.

Morele.net – lider z lukami

Morele.net wypadło zdecydowanie najlepiej spośród audytowanych sklepów, osiągając Schema Coverage Score na poziomie 85 i Attribute Richness Score 41. Sklep implementuje struktury Product, Brand, Offer, BreadcrumbList, OfferShippingDetails, MerchantReturnPolicy oraz PropertyValue – solidna baza dla integracji z Shopping Graph.

Jednak audyt ujawnił istotne braki w atrybutach kluczowych dla conversational commerce. Morele.net nie przekazuje w schemacie informacji o kolorze (color), materiale (material), rozmiarze (size), wadze (weight) ani recenzjach (review/aggregateRating). Te atrybuty są fundamentalne dla odpowiedzi na pytania konwersacyjne – użytkownik pytający 'jaki kolor ma ten laptop’ lub 'ile waży ten monitor’ nie otrzyma odpowiedzi opartej na zweryfikowanych, strukturalnych danych.

Audyt wariantów – problem near-duplicate content

Szczególnie interesujące wyniki dał audyt wariantów produktowych na przykładzie iPhone 16 Pro Max w Morele.net (warianty 256GB, 512GB, 1TB). Analiza wykazała współczynnik podobieństwa Jaccard na poziomie 0,96 – co oznacza, że treści opisowe wariantów są niemal identyczne. Shared Attribute Parity Score wyniósł 100% (wszystkie atrybuty współdzielone), a Variant Delta Coverage Score – 0% (brak atrybutów różnicujących warianty).

W praktyce oznacza to, że Google widzi trzy niemal identyczne strony produktowe, różniące się jedynie pojemnością pamięci w tytule. Z perspektywy patentu eav_fact_extraction (US9110852B1, US9875296B2), system ekstrakcji encji-atrybutów-wartości nie jest w stanie wyodrębnić sensownych różnic między wariantami, ponieważ treść nie dostarcza zróżnicowanych faktów.

To właśnie problem, który conversational attributes – szczególnie variant_option i item_group_title – mają rozwiązać. Zamiast polegać na ekstrakcji różnic z niemal identycznych opisów, merchant jawnie deklaruje w feedzie, czym różnią się warianty. Ale bez odpowiednich schematów na stronie (ProductGroup z variesBy), Google nie może zweryfikować tych deklaracji.

Jakie patenty Google wskazują kierunek rozwoju atrybutów konwersacyjnych?

Analiza patentów Google pozwala zrozumieć, jaką logikę system stosuje do przetwarzania atrybutów produktowych i dlaczego conversational attributes stanowią naturalną ewolucję tego podejścia. Sześć kluczowych patentów wskazuje spójny kierunek – od ekstrakcji surowych danych, przez weryfikację spójności, po budowanie zaufania do atrybutów.

Patent web_page_information_extraction (US8438080B1, US9443250B1) opisuje mechanizm wyciągania danych produktowych ze stron internetowych i porównywania ich z danymi z feedów. System szuka rozbieżności – jeśli feed mówi, że produkt kosztuje 4999 zł, a strona pokazuje 5499 zł, confidence score spada. Conversational attributes dostarczane bezpośrednio w feedzie omijają etap ekstrakcji, ale wciąż podlegają weryfikacji spójności z danymi na stronie.

Patent eav_fact_extraction (US9110852B1, US9875296B2) definiuje sposób, w jaki system rozkłada opis produktu na trójki encja-atrybut-wartość. Na przykład z opisu 'Laptop ASUS VivoBook z procesorem Intel Core i7 i 16GB RAM’ system wyodrębnia trójki: (ASUS VivoBook, procesor, Intel Core i7) i (ASUS VivoBook, RAM, 16GB). Conversational attributes działają jak predefiniowane trójki EAV – question_and_answer to trójka (produkt, pytanie, odpowiedź), variant_option to trójka (wariant, cecha różnicująca, wartość).

Patent verified_entity_attributes (US12547607B2, US12061594B2) jest szczególnie istotny. Opisuje system certyfikacji atrybutów encji – mechanizm, w którym atrybuty od zweryfikowanych źródeł (np. producenta lub autoryzowanego sprzedawcy) otrzymują wyższy confidence score niż atrybuty wyekstrahowane z niezweryfikowanych treści. W kontekście conversational attributes, dane z feedu Merchant Center od zweryfikowanego merchanta mogą mieć przewagę nad danymi scrapowanymi ze stron recenzenckich.

Patent entity_attribute_relations (US11263400B2, US9875296B2) modeluje relacje między encjami poprzez atrybuty. Atrybut related_product jest bezpośrednią implementacją tego patentu – jawnie definiuje relację między dwoma encjami produktowymi. Patent fact_density (US9558186B2, US9672251B1) mierzy gęstość faktów w profilu encji – im więcej atrybutów (w tym conversational attributes), tym wyższa gęstość faktowa i tym większa szansa na pojawienie się produktu w odpowiedziach AI Mode.

Ostatni z analizowanych patentów, passage_extractability (US9959315B1, US10783156B1), ocenia, czy dany fragment treści może być wyodrębniony i użyty jako samodzielna odpowiedź. Atrybut question_and_answer jest doskonałym przykładem treści o maksymalnej extractability – jest już sformatowany jako para pytanie-odpowiedź, gotowy do bezpośredniego użycia w AI Mode bez żadnej transformacji.

Jak wdrożyć conversational attributes krok po kroku?

Wdrożenie conversational attributes wymaga podejścia warstwowego – nie można sensownie dodać nowych atrybutów konwersacyjnych do feedu, który nie ma solidnych fundamentów. Na podstawie audytu trzech polskich sklepów proponujemy następujący plan wdrożenia.

Krok 1: Audyt i uzupełnienie Schema.org Product

Zanim dodasz conversational attributes do feedu, upewnij się, że strony produktowe mają kompletną implementację Schema.org Product w formacie JSON-LD. Minimum to: name, description, brand, sku/gtin, image, offers (z price, priceCurrency, availability). Dla sklepów takich jak Media Expert czy Euro.com.pl, które mają Schema Coverage Score na poziomie 0, to fundamentalny krok bez którego conversational attributes nie przyniosą pełnych korzyści.

Krok 2: Wdrożenie ProductGroup dla wariantów

Dla produktów z wariantami (kolory, rozmiary, pojemności) wdroż strukturę ProductGroup z właściwością variesBy wskazującą atrybuty różnicujące. Każdy wariant powinien mieć unikalne wartości tych atrybutów w Schema.org. To rozwiązuje problem near-duplicate content wykryty w audycie Morele.net, gdzie warianty iPhone 16 Pro Max miały współczynnik Jaccard 0,96.

Krok 3: Dodanie question_and_answer do feedu

Dla każdego produktu lub grupy produktów przygotuj 3-5 par pytanie-odpowiedź obejmujących najczęstsze pytania zakupowe. Skup się na pytaniach konwersacyjnych, a nie informacyjnych – 'Czy ten laptop sprawdzi się do gier AAA?’ zamiast 'Jaka jest karta graficzna w tym laptopie?’. Odpowiedzi powinny być konkretne, z faktami, nie marketingowe.

Krok 4: Zdefiniowanie item_group_title i variant_option

Dla każdej grupy wariantów ustal item_group_title (np. 'Samsung Galaxy S25 Ultra’) i variant_option opisujący, czym każdy SKU różni się od grupy. Variant_option powinien być zwięzły i opisowy – '512GB, Titanium Blue’ zamiast pełnego powtórzenia nazwy produktu. Upewnij się, że te wartości są spójne z danymi w Schema.org ProductGroup na stronie.

Krok 5: Mapowanie related_product i document_link

Zdefiniuj relacje między produktami – akcesoria, komplementarne produkty, zamienniki. Dla document_link podlinkuj instrukcje obsługi, karty techniczne i certyfikaty. Te atrybuty budują gęstość grafu encji wokół produktu i zwiększają szanse na pojawienie się w odpowiedziach konwersacyjnych, gdzie użytkownik drąży temat głębiej niż podstawowe parametry.

Krok 6: Ustawienie popularity_rank i monitoring

Dodaj popularity_rank na podstawie danych sprzedażowych – najlepiej aktualizowany dynamicznie. Ustaw monitoring spójności między danymi w feedzie a danymi na stronach produktowych. Rozbieżności obniżają confidence score w Shopping Graph zgodnie z logiką patentu web_page_information_extraction.

Co conversational attributes zmieniają w strategii keyword research?

Conversational attributes wymuszają fundamentalną zmianę w podejściu do keyword research w e-commerce. Tradycyjne badanie słów kluczowych koncentruje się na frazach wpisywanych w wyszukiwarkę – 'laptop do 3000 zł’, 'robot sprzątający z mopem’, 'telewizor 55 cali OLED’. Te zapytania mają jasną strukturę atrybut-wartość i łatwo mapują się na filtry kategorii.

Zapytania konwersacyjne mają inną strukturę. Użytkownik mówi: 'Szukam laptopa do pracy zdalnej, głównie wideokonferencje i dokumenty, nie gram, ale chcę żeby był lekki i miał dobry ekran. Budżet elastyczny, do 5000 zł.’ To zapytanie zawiera kontekst użycia (praca zdalna, wideokonferencje), wymagania funkcjonalne (lekkość, dobry ekran), negatywne sygnały (nie gram) i elastyczny budżet. Tradycyjny keyword research nie uchwyci tego typu zapytań.

Nowa strategia keyword research powinna uwzględniać trzy warstwy. Pierwsza to tradycyjne frazy atrybutowe – wciąż ważne dla organicznych wyników. Druga to pytania konwersacyjne, które mapują się na question_and_answer w feedzie – zbieraj je z czatów obsługi klienta, recenzji, forów i narzędzi takich jak AlsoAsked. Trzecia to zapytania porównawcze, które mapują się na variant_option i related_product – 'iPhone 16 Pro vs Pro Max’, 'czy warto dopłacić do wersji 1TB’.

Warto też zwrócić uwagę na rolę popularity_rank w kontekście zapytań typu 'najlepszy’, 'najpopularniejszy’, 'najchętniej kupowany’. Te zapytania generują coraz więcej ruchu w AI Mode, a jawna deklaracja popularności w feedzie daje merchantowi kontrolę nad tym, które produkty system zaproponuje jako 'najpopularniejsze’. Bez tego atrybutu, Google bazuje na zewnętrznych sygnałach, które mogą nie odzwierciedlać rzeczywistej popularności w danym sklepie.

Kluczowa zmiana dotyczy też sposobu monitorowania efektywności. W tradycyjnym SEO mierzymy pozycje i kliknięcia. W conversational commerce kluczowe metryki to: czy produkt pojawia się w odpowiedziach AI Mode, czy atrybuty są poprawnie wyświetlane, czy Q&A z feedu są cytowane w odpowiedziach. Te dane można monitorować przez Google Merchant Center i Search Console.

Dokumentacja i źródła

Analiza w tym artykule opiera się na oficjalnej dokumentacji Google Merchant Center, specyfikacjach Schema.org oraz patentach Google dotyczących Shopping Graph. Kluczowe źródła: Google Merchant Center – specyfikacja feedów produktowych, Schema.org ProductGroup, Google Shopping Graph. Regulacje dotyczące transparentności rekomendacji AI w e-commerce opisuje Digital Markets Act (ec.europa.eu), który nakłada obowiązki informacyjne na platformy wykorzystujące algorytmy do rekomendacji produktowych.

Wdrożenie conversational attributes to element szerszej strategii pozycjonowania sklepu internetowego, w której feed produktowy, schema i architektura treści działają wspólnie na widoczność w wynikach wyszukiwania. Jeśli Twój sklep działa na jednej z popularnych platform – sprawdź nasze przewodniki po pozycjonowaniu sklepów Shoper lub pozycjonowaniu WooCommerce. Aby zweryfikować, jak AI widzi Twoje produkty już teraz, skorzystaj z audytu widoczności w AI. Conversational attributes ściśle wiążą się z poprawną implementacją wariantów produktu w schema i feedzie oraz z utrzymaniem świeżości danych produktowych (data freshness) – wszystkie trzy elementy muszą działać razem, żeby Shopping Graph traktował Twój katalog jako wiarygodne źródło.