Kesalahan Product Feed yang Bisa Membuat AI Salah Menjelaskan Produk

Product feed sering diperlakukan seperti pipa belakang layar.

Selama file berhasil di-upload dan tidak ada error merah besar, tim merasa pekerjaan selesai.

Padahal feed adalah salah satu tempat paling berbahaya untuk “hampir benar”.

Hampir benar pada harga berarti salah harga.
Hampir benar pada availability berarti produk yang habis terlihat tersedia.
Hampir benar pada variant berarti pengguna melihat warna atau ukuran yang berbeda.
Hampir benar pada title berarti dua generasi produk bisa tertukar.
Hampir benar pada URL berarti user mendarat di halaman yang salah.

Dalam AI commerce, kesalahan itu tidak selalu muncul sebagai error teknis. Kadang feed valid, tetapi maknanya salah. Sistem kemudian mencoba menjelaskan produk menggunakan data yang diberi merchant, data pihak ketiga, halaman web, atau sumber lain. Hasil akhirnya bisa menjadi deskripsi yang terlihat meyakinkan tetapi tidak tepat.

OpenAI secara eksplisit menyediakan product feed agar ChatGPT bisa memahami katalog dan menampilkan detail seperti price dan availability secara lebih aktual. Dalam spesifikasi stabilnya, core fields mencakup id, title, description, link, image_link, availability, price, dan brand. Untuk product-feed Ads, ada requirement eligibility tambahan dan mekanisme update katalog.

Jadi kualitas feed bukan housekeeping.

Ia adalah bagian dari representasi produk.

Kesalahan pertama: ID yang berubah tanpa alasan

ID seharusnya membantu sistem mengenali produk atau variant secara stabil.

Masalah muncul ketika merchant mengganti ID setiap kali export, memakai ID yang tidak konsisten antar channel, atau menggunakan satu ID untuk beberapa variant.

Bayangkan satu sepatu mempunyai ukuran 40, 41, 42, dan tiga warna. Kalau semua variant dipaksa menjadi satu record tanpa struktur yang jelas, price, availability, image, dan link bisa kehilangan konteks.

Sebaliknya, kalau ID variant berubah setiap hari, sistem bisa kesulitan melihat continuity.

Prinsipnya sederhana: identity harus stabil dan granular sesuai objek yang dijual.

Jangan mengubah ID hanya karena title berubah sedikit.
Jangan reuse ID produk lama untuk produk baru yang berbeda.
Jangan campur parent product dan sellable variant tanpa aturan.

Ini terdengar teknis, tetapi akibatnya sangat manusiawi.

User bertanya, “Yang ukuran 42 warna hitam ready?”

AI menjawab berdasarkan record yang sebenarnya milik ukuran 41.

Di situ trust langsung turun.

Kesalahan kedua: title penuh keyword tetapi kehilangan identitas

Feed title bukan tempat menumpuk semua kata yang pernah dicari user.

Judul seperti “Sepatu Pria Wanita Premium Original Terbaik Murah Running Casual Sport Sneakers Import” mungkin terlihat agresif dari perspektif marketplace lama, tetapi secara entity clarity justru buruk.

Title perlu membantu membedakan produk.

Brand.
Model.
Variant penting bila relevan.
Ukuran atau warna jika record memang variant-specific.
Generasi.
Kapasitas.
Tipe.

Jangan memasukkan klaim yang tidak bisa dibuktikan.
Jangan mencampur beberapa produk dalam satu title.
Jangan membuat title feed jauh berbeda dari product page tanpa alasan.

AI comparison bekerja lebih baik ketika objek yang dibandingkan jelas.

Kesalahan ketiga: description generik atau hasil copy-paste

“Produk berkualitas tinggi dengan desain modern dan harga terbaik.”

Kalimat ini bisa dipakai untuk blender, tas, sofa, atau lampu meja.

Description yang terlalu umum tidak memberi decision information.

Masalah lain adalah copy-paste deskripsi dari parent category ke semua variant. Akibatnya variant tertentu bisa dijelaskan dengan atribut yang tidak dimilikinya.

Untuk produk teknis, description perlu cukup spesifik tanpa berubah menjadi novel.

Apa produk ini?
Untuk use case apa?
Atribut utama apa?
Apa yang membedakan?
Apa limitation penting?
Apa material atau capability yang relevan?

Jika informasi teknis kompleks, product page tetap menjadi sumber penting. Feed tidak harus memuat semua hal. Tetapi data inti tidak boleh misleading.

Kesalahan keempat: availability tidak sinkron dengan real inventory

Ini salah satu yang paling sensitif.

OpenAI sendiri mengingatkan bahwa harga dan availability dapat mengalami delay, dan shopping research masih bisa melakukan kesalahan pada detail tersebut. Merchant yang punya akses feed langsung diberi jalur untuk menyediakan data lebih up-to-date.

Karena itu, jangan memperburuk delay dengan proses internal yang lambat.

Kalau ERP update pukul 10, feed baru regenerate malam, lalu SFTP upload dini hari berikutnya, produk flash-sale bisa berubah berkali-kali sebelum sistem eksternal menerima snapshot baru.

Dokumentasi OpenAI merekomendasikan full feed secara berkala dan update sepanjang hari via API untuk integration yang sesuai. Pada Ads product feeds, delta update juga tersedia untuk beberapa field seperti availability atau title pada existing variants.

Freshness strategy harus mengikuti volatility.

Produk dengan stok lambat berubah tidak membutuhkan cadence yang sama dengan tiket, grocery, limited sneakers, atau elektronik promo.

Kesalahan kelima: price tanpa context

Harga paling mudah terlihat, paling mudah dibandingkan, dan paling cepat membuat user marah kalau salah.

Beberapa sumber error:
sale price sudah habis tetapi masih aktif,
currency salah,
harga parent ditampilkan untuk variant premium,
harga member dicampur dengan harga publik,
harga “mulai dari” dianggap harga final,
promo bundle diperlakukan sebagai harga satu item,
tax atau fee penting tidak dijelaskan.

OpenAI product feed specification meminta format price yang valid dan mengatur hubungan sale price dengan price.

Tetapi compliance format saja belum cukup.

Rp999.000 bisa valid secara sintaks, tetapi tetap salah jika produk yang dituju sebenarnya Rp1.299.000.

Tim perlu membuat reconciliation antara source of truth commerce dan outgoing feed.

Kesalahan keenam: link menuju halaman yang tidak sesuai

Destination URL harus benar.

Kelihatannya obvious. Nyatanya banyak katalog mempunyai:
redirect ke homepage,
URL staging,
404,
variant parameter hilang,
geo redirect,
app-only link,
URL yang memerlukan login,
atau landing page kategori.

Untuk Ads product feed, selected item dapat memasok destination URL ke product ad template. Jadi kualitas link sangat langsung memengaruhi post-click experience.

Test link secara otomatis.

Status code saja tidak cukup.

Pastikan halaman akhir memang produk yang sama.
Pastikan variant state benar.
Pastikan currency/region sesuai.
Pastikan mobile tidak rusak.

Kesalahan ketujuh: image tidak merepresentasikan variant

AI commerce semakin visual.

Jika variant merah memakai foto biru, user bisa salah memahami. Kalau image berisi bundle tetapi record hanya menjual satu unit, expectation mismatch.

Gunakan image yang sesuai objek.

Jangan memakai placeholder.
Jangan memakai gambar terlalu generik.
Jangan menampilkan aksesori yang tidak termasuk tanpa konteks.
Jangan menggunakan image variant lain kalau variant-specific image tersedia.

Visual data juga identity data.

Kesalahan kedelapan: brand field dan manufacturer identity kacau

Distributor sering mengalami masalah ini.

Apa yang harus diisi sebagai brand: nama toko, nama distributor, atau brand produk?

Kalau merchant menjual produk brand lain, jangan mengganti brand produk menjadi nama merchant.

Merchant identity dan product brand adalah konsep berbeda.

Kesalahan ini dapat membuat AI mengatribusikan produk ke entitas yang salah.

Hal serupa terjadi pada private label, sub-brand, co-brand, dan model OEM. Buat aturan entity naming internal dan konsisten lintas feed, website, marketplace, serta structured data.

Kesalahan kesembilan: old product tetap hidup sebagai current product

Product lifecycle perlu deprecation.

Ketika produk dihentikan, jangan hanya menghapus dari homepage lalu membiarkan halaman dan feed lama terus terlihat current.

Tentukan status:
discontinued,
out of stock sementara,
diganti model baru,
archived,
preorder,
atau tidak lagi dijual di region tertentu.

Kalau produk lama masih punya value untuk support atau documentation, halaman boleh tetap hidup. Tetapi statusnya harus jelas.

AI tidak punya intuisi manusia bahwa “oh, ini artikel tiga tahun lalu, jadi mungkin sudah tidak dijual”.

Berikan sinyal.

Kesalahan kesepuluh: data antar source bertentangan

Ini bukan feed error murni, tetapi efeknya besar.

Feed mengatakan RAM 16 GB.
PDP mengatakan 8 GB.
Marketplace official store mengatakan 16 GB.
PDF manual mengatakan tersedia dua konfigurasi.
Review membahas 8 GB.

Mana yang benar?

Bisa jadi semuanya benar untuk variant berbeda.

Masalahnya relasinya tidak dijelaskan.

Cross-source consistency audit harus menjadi bagian dari feed governance.

Feed bukan tempat menyembunyikan konflik. Feed harus menunjuk objek dengan cukup jelas sehingga sumber lain bisa direkonsiliasi.

Buat feed QA seperti software QA

Tim yang serius perlu memperlakukan feed sebagai produk data.

Ada schema validation.
Ada semantic validation.
Ada freshness monitoring.
Ada anomaly detection.
Ada sampling.
Ada rollback.
Ada owner.
Ada change log.

Schema validation menjawab: format valid?

Semantic validation menjawab: data masuk akal?

Contoh semantic rule:
sale_price tidak boleh lebih tinggi dari price.
availability in_stock tetapi inventory internal nol perlu flag.
variant image harus sesuai variant code.
brand tidak boleh kosong.
currency harus sesuai market.
URL harus resolve ke product ID yang sama.
description tidak boleh identik untuk semua SKU jika atributnya berbeda.

Anomaly detection bisa menangkap perubahan ekstrem.

Harga turun 90 persen dalam satu jam.
Semua stok tiba-tiba nol.
Ribuan URL berubah domain.
Brand field berubah untuk satu kategori.
Title semua produk terpotong.

Jangan menunggu AI atau customer menemukan lebih dulu.

Siapa yang harus bertanggung jawab?

Feed sering menjadi yatim karena berada di antara tim.

Engineering membuat exporter.
E-commerce mengelola katalog.
Marketing menjalankan campaign.
Product team menjaga spesifikasi.
Warehouse punya inventory.
Finance mengelola pricing.
Agency mungkin mengelola ads.

Kalau tidak ada single accountable owner, semua orang mengira pihak lain sudah mengecek.

Buat ownership matrix.

Product identity: siapa owner?
Price: siapa source of truth?
Availability: siapa source?
Feed delivery: siapa monitor?
Ads eligibility: siapa approve?
Policy compliance: siapa review?
Incident response: siapa menerima alert?

Ini bukan bureaucracy. Ini insurance terhadap data chaos.

Audit dari sisi pertanyaan pengguna

Terakhir, jangan hanya melihat feed dalam spreadsheet.

Uji dari sisi query manusia.

“Apakah produk ini ready?”
“Berapa harganya?”
“Warna hitam ada ukuran 42?”
“Apa bedanya generasi baru dan lama?”
“Ini official brand atau reseller?”
“Return-nya bagaimana?”
“Mana yang paling cocok untuk kebutuhan X?”

Kalau feed dan halaman publik tidak bisa menjawab tanpa ambiguity, pipeline belum selesai.

AI dapat membantu menyederhanakan shopping. Tetapi AI tidak bisa mengubah data kacau menjadi kebenaran secara ajaib.

Semakin confidently sebuah sistem menjelaskan produk, semakin penting merchant memastikan fakta yang masuk memang benar.

Product feed yang baik bukan yang sekadar berhasil di-upload.

Product feed yang baik adalah feed yang membuat produk sulit disalahpahami.