Product Feed Besar: Kenapa Kualitas Metadata Lebih Penting daripada Jumlah Item

Ada satu kebanggaan yang sering muncul ketika tim commerce bicara catalog.

“Kita punya 180 ribu SKU.”

Angka itu terdengar powerful.

Sampai data team membuka sample acak dan menemukan:

judul produk kepotong,

brand field kosong,

variant bercampur,

harga promo sudah expired,

stock “available” untuk barang yang tidak bisa dibeli,

gambar utama salah warna,

seller ID tidak jelas,

deskripsi hasil copy-paste supplier,

dan lima URL berbeda mengarah ke produk yang sebenarnya sama.

Tiba-tiba 180 ribu SKU tidak terdengar seperti asset.

Lebih mirip 180 ribu peluang untuk salah.

Di era AI commerce, product feed besar bukan otomatis keunggulan. Sistem discovery membutuhkan data yang dapat dipahami dan dipercaya. OpenAI product feed documentation, misalnya, menempatkan title, description, image, price, availability, dan seller context sebagai data inti agar produk dapat diindeks dan ditampilkan secara akurat. Untuk feed yang kompatibel dengan format Google, dokumentasi OpenAI juga merujuk struktur product data yang sudah umum digunakan di ekosistem merchant.

Intinya sederhana: mesin tidak mendapat manfaat dari catalog besar kalau metadata di dalamnya ambigu.

Coverage tanpa clarity hanya memperbesar noise.

Mulai dari “produk apa ini?”

Pertanyaan paling basic sering paling sulit.

Bayangkan satu item fashion:

“Essential Oxford Blue”

Apakah itu kemeja?

Sepatu?

Tas?

Warna cat?

Nama koleksi?

Kalau title hanya memakai bahasa internal brand, sistem eksternal kehilangan context.

Manusia yang sudah melihat thumbnail mungkin memahami. AI yang sedang mencocokkan produk dengan query user membutuhkan lebih banyak semantic signal.

Title yang baik tidak harus menjadi keyword stuffing.

Ia harus cukup deskriptif untuk mengidentifikasi produk.

Brand.

Product type.

Model atau line.

Variant yang penting.

Size bila memang membedakan offer.

Warna bila relevan.

Bukan semuanya harus ditumpuk menjadi judul absurd sepanjang satu paragraf.

Yang dicari adalah identity clarity.

Dalam meeting merchandising, pendekatannya bisa sederhana.

“Kalau gambar hilang, judul ini masih bikin orang ngerti barangnya apa?”

Kalau jawabannya tidak, metadata terlalu bergantung pada visual.

Deskripsi bukan tempat membuang semua keyword

Feed besar sering dibuat dengan template otomatis.

“Jual [nama produk] original harga terbaik murah berkualitas premium cocok untuk Anda.”

Secara volume, field description terisi.

Secara informasi, hampir kosong.

AI commerce lebih membutuhkan atribut yang benar-benar membantu decision.

Material.

Compatibility.

Dimensions.

Capacity.

Use case.

Technical spec.

Package contents.

Care instruction.

Limitation.

Warranty.

Audience.

What makes the variant different.

Google Merchant Center, misalnya, menyediakan atribut product_detail untuk technical specifications atau detail tambahan yang terstruktur. Prinsipnya relevan lebih luas: semakin produk kompleks, semakin penting memisahkan fakta produk dari copy promosi.

Metadata yang bagus membuat mesin tidak perlu menebak.

Kalau power adapter tidak termasuk, tulis.

Kalau hanya kompatibel dengan model tertentu, tulis.

Kalau ukuran menggunakan standar berbeda, jelaskan.

Kalau warna di layar dapat sedikit berbeda, itu bisa menjadi note jika memang relevan.

Kualitas metadata bukan soal menambahkan kata sebanyak mungkin.

Ia soal mengurangi ambiguity.

Product identity dan offer identity jangan dicampur

Ini sumber kekacauan besar pada feed.

Produk yang sama dapat memiliki banyak offer.

Contoh satu smartphone model tertentu.

Product identity relatif stabil: brand, model, storage, color.

Offer identity bisa berubah: seller, price, stock, promotion, delivery, warranty, condition.

Kalau semua itu dicampur tanpa struktur, duplicate dan mismatch mudah terjadi.

Satu catalog bisa mengandung lima baris yang terlihat seperti lima produk berbeda, padahal sebenarnya satu product variant dijual oleh lima seller.

Atau sebaliknya, lima variant digabung menjadi satu baris sehingga user tidak tahu warna atau kapasitas yang tersedia.

Dalam AI commerce, perbedaan ini makin penting karena user bertanya dengan constraint.

“Cari warna hitam 256 GB yang ready dan dikirim dari Jakarta.”

Sistem perlu mengerti product sekaligus offer.

Bukan hanya nama model.

Karena itu feed besar sebaiknya punya stable identifiers dan relationship yang jelas.

Item ID.

Group ID bila ada variant family.

SKU.

GTIN bila valid.

Seller ID.

Brand.

Variant attributes.

Semua harus punya governance.

Jangan mengisi identifier palsu hanya untuk lolos schema.

Invalid certainty lebih buruk daripada missing field yang jujur.

Freshness adalah bagian metadata quality

Tim content sering menganggap metadata sebagai teks.

Tim commerce tahu metadata juga mencakup state.

Price.

Availability.

Sale period.

Shipping.

Return.

Seller status.

Data tersebut berubah.

OpenAI secara eksplisit mendorong feed yang up-to-date untuk price dan availability. Google Merchant ecosystem juga sangat ketat terhadap price dan availability consistency karena mismatch merusak user experience.

Jadi quality score internal feed harus punya dimensi freshness.

Field benar tetapi diperbarui sebulan lalu belum tentu berkualitas.

Bayangkan produk fast-moving.

Stock tercatat 12 pada pukul 09.00.

Pada 10.30 sudah habis.

Feed update berikutnya baru tengah malam.

Secara schema, data sempurna.

Secara user experience, salah hampir sepanjang hari.

Itulah alasan feed governance harus membedakan correctness dan freshness.

Correctness: apakah nilai benar ketika ditulis?

Freshness: apakah nilai masih benar sekarang?

Lalu ada completeness: apakah field penting tersedia?

Dan consistency: apakah nilainya sama di berbagai surface?

Empat dimensi itu lebih berguna daripada sekadar “feed health 92%” tanpa definisi.

Jangan onboard semua SKU sekaligus hanya karena bisa

Untuk brand dengan catalog sangat besar, strategi paling waras sering bukan “full dump day one”.

Mulai dari cohort yang paling bernilai.

Top sellers.

High-margin products.

Flagship.

Products dengan stock stabil.

Products dengan metadata lengkap.

Categories dengan return policy jelas.

Lalu uji.

Apakah produk dipahami dengan benar?

Apakah variant tidak tertukar?

Apakah price match?

Apakah availability akurat?

Apakah seller context jelas?

Apakah images sesuai?

Apakah product page final konsisten dengan feed?

Kalau 5.000 item sudah sehat, baru expand.

Lebih baik AI memahami 5.000 produk dengan baik daripada menerima 150.000 item berantakan dan memaksa tim memperbaiki incident satu per satu.

Scale seharusnya menjadi hasil quality process, bukan pengganti quality process.

Buat metadata ownership per domain

Product feed besar tidak bisa dimiliki satu orang.

Merchandising tahu product naming.

Brand team tahu positioning.

Data team tahu pipeline.

Operations tahu stock.

Finance atau pricing team tahu price.

Marketplace team tahu seller.

Legal tahu claims dan policy.

Customer service tahu pertanyaan yang paling sering bikin buyer bingung.

Kalau semua metadata dikelola sebagai satu spreadsheet tanpa ownership, problem akan berulang.

Pisahkan domain.

Product identity owner.

Offer owner.

Pricing owner.

Inventory owner.

Policy owner.

Feed pipeline owner.

Quality monitoring owner.

Ketika error muncul, route-nya jelas.

“AI menyebut kapasitas 1 liter padahal 800 ml.”

Itu product attribute issue.

“AI bilang ready padahal habis.”

Inventory issue.

“AI menampilkan seller lama.”

Seller governance issue.

“Checkout price beda.”

Pricing/freshness issue.

Satu status “feed error” terlalu umum untuk dioperasikan.

Metadata quality bisa diuji seperti software

Ini mindset yang berguna.

Jangan hanya melihat feed secara visual.

Buat automated validation.

Field required kosong?

Identifier duplicate?

Price negatif?

Currency salah?

Availability value tidak valid?

Sale price lebih besar dari normal price?

Image URL mati?

Landing URL redirect loop?

Variant group tidak konsisten?

Brand alias salah?

Seller inactive masih muncul?

Timestamp terlalu lama?

Bisa dibuat rule-based.

Lalu tambahkan sample review manusia.

Karena ada error yang lolos machine validation.

Title valid secara format tetapi absurd.

Deskripsi grammatical tetapi misleading.

Image accessible tetapi salah produk.

Category technically valid tetapi semantically salah.

Machine QA dan human QA saling melengkapi.

Quality lebih penting karena AI melakukan synthesis

Di search tradisional, user sering melihat beberapa listing lalu membandingkan sendiri.

Dalam AI shopping, sistem dapat menyintesis informasi untuk user.

“Produk A lebih cocok karena lebih ringan dan tersedia dalam ukuran X.”

Kalimat seperti itu bergantung pada metadata yang benar.

Satu atribut salah bisa mengubah recommendation logic.

Berat salah.

Compatibility salah.

Stock salah.

Price salah.

Return policy salah.

AI kemudian menghasilkan jawaban yang terdengar confident berdasarkan input yang buruk.

Itulah sebabnya feed quality bukan sekadar ops issue.

Ia menjadi trust issue.

Garbage in, fluent garbage out.

Dan fluent garbage lebih berbahaya karena kelihatan meyakinkan.

Apa yang sebaiknya masuk scorecard internal?

Daripada hanya menghitung jumlah SKU, tampilkan:

valid product identity rate,

attribute completeness untuk field penting,

price match rate,

availability freshness,

variant consistency,

seller validity,

image correctness sample,

landing page match,

policy completeness,

duplicate rate,

error resolution time.

Lalu segmentasikan.

Top 1.000 products harus punya standard lebih tinggi daripada long-tail yang jarang dibeli.

High-risk categories juga perlu stronger review.

Jangan mengejar 100% completeness pada field yang tidak relevan hanya demi angka.

Quality harus intent-aware.

Untuk furniture, dimensions penting.

Untuk skincare, ingredients dan size mungkin penting.

Untuk spare part, compatibility sangat kritis.

Untuk fashion, size, color, material, dan fit lebih penting.

Metadata strategy harus mengikuti product semantics.

Prioritaskan error berdasarkan consequence

Tidak semua metadata error punya dampak yang sama.

Typo kecil pada secondary description mungkin annoying tetapi tidak mengubah transaksi.

Harga salah bisa langsung merusak trust.

Availability salah bisa mengirim user ke produk yang tidak dapat dibeli.

Variant salah bisa memicu return.

Compatibility salah pada spare part dapat membuat produk tidak berguna.

Seller identity salah bisa membuat user membeli dari pihak yang tidak mereka maksud.

Karena itu triage jangan hanya berdasarkan jumlah error. Gunakan severity.

Critical: mengubah keputusan, uang, safety, legal claim, compatibility, atau merchant identity.

High: mengubah availability, variant, shipping, warranty, atau return.

Medium: mengurangi clarity tetapi tidak mengubah core transaction.

Low: cosmetic atau enrichment issue.

Dengan severity model, tim tidak tenggelam dalam ribuan warning yang nilainya kecil sementara price mismatch di top seller belum beres.

Feed quality yang matang bukan feed tanpa error sama sekali. Ia feed yang tahu error mana yang harus diperbaiki dulu.

Catalog besar bukan moat kalau mesin tidak bisa mempercayainya

Jumlah item tetap berguna.

Coverage memungkinkan brand menjawab lebih banyak kebutuhan user.

Tetapi scale baru punya nilai setelah item bisa dibedakan, diperbarui, dan diverifikasi.

Dalam AI commerce, competitive advantage bukan “kami punya feed paling besar”.

Advantage yang lebih nyata adalah:

produk kami mudah diidentifikasi,

variant tidak ambigu,

offer jelas,

harga hidup,

stok hidup,

seller valid,

policy jelas,

dan ketika ada error, tim tahu siapa yang memperbaiki.

Itu tidak terdengar seksi.

Tidak ada demo hologram.

Tidak ada jargon agentic yang fancy.

Tetapi ketika AI harus memilih antara dua catalog, satu penuh data rapi dan satu lagi penuh noise, kualitas metadata adalah jenis pekerjaan boring yang diam-diam menentukan siapa yang lebih mudah dipahami.

Jadi sebelum menambah 50 ribu item lagi, buka 100 item random dari feed yang sudah ada.

Kalau tim sendiri butuh lima menit untuk memahami tiap baris, jangan berharap mesin selalu bisa menebaknya dengan benar.