Product Schema
Product Schema je značkování strukturovaných dat, které pomáhá vyhledávačům a AI systémům porozumět detailům produktů. Naučte se, jak jej implementovat pro lepš...
24 min čtení
Implementace produktového schema: Kde začít
Strategický argument pro produktové schema – proč pohání viditelnost v AI nakupování a jak Google AI Overviews, Perplexity a ChatGPT Search skutečně čtou vaše produktová data – je popsán v našem doprovodném článku. Tento průvodce přeskočí „proč" a jde rovnou k „jak": přesné vlastnosti, syntaxe JSON-LD, vnořené typy, nastavení platforem a validační kroky potřebné k tomu, aby produktové schema značkování bylo hned napoprvé správně. Správná implementace je důležitá, protože AI systémy nemohou odvodit význam z produktové stránky tak, jako to dokáže lidský zákazník – skenují strukturovaná data v konkrétních formátech a konkrétních vlastnostech, a mezery v tomto značkování jsou mezerami v tom, co o vašem produktu mohou AI systémy říci.
Typ Product: Základní vlastnosti Schema.org
Standardní slovník pro značkování produktového schema pochází ze Schema.org, otevřeného kolaborativního projektu podporovaného Googlem, Microsoftem, Yahoo a Yandex, který definuje, jak označovat různé typy obsahu. Typ Product je páteří strukturovaných dat e-commerce. Minimálně kompletní implementace zahrnuje: name (přesný název produktu, odpovídající tomu na stránce), description, sku (vaše interní skladové číslo), gtin nebo mpn (globální identifikátor výrobce, užitečný pro křížové odkazování vašeho záznamu s katalogovými daty výrobce), brand, image (jedna nebo více URL, ideálně z více úhlů) a category. Žádná z těchto vlastností není volitelná, pokud chcete, aby AI systémy měly úplný obrázek – nekompletní Product blok je jedním z nejčastějších důvodů, proč jsou produkty přeskakovány v AI-generovaných doporučeních.
| Vlastnost | Typ | Účel |
|---|---|---|
name | Text | Přesný název produktu pro párování |
sku / gtin / mpn | Text | Unikátní identifikátory, zabraňuje duplicitním záznamům |
brand | Brand objekt | Výrobce nebo název značky |
image | URL | Vizuální data, která AI systémy mohou analyzovat |
category | Text | Klasifikace pro filtrování a porovnávání |
offers | Offer objekt | Cena, dostupnost, URL pro nákup |
aggregateRating | AggregateRating objekt | Celkové skóre hodnocení |
review | Review objekt(y) | Individuální zpětná vazba zákazníků |
Vnořené schema: Nabídky, hodnocení a recenze
Vlastnosti nejvyšší úrovně Product vás dostanou jen do poloviny – vnořené objekty jsou místem, kde žije většina užitečných detailů. Objekt Offer nese price, priceCurrency, availability (s použitím řízeného slovníku Schema.org jako https://schema.org/InStock), url a volitelně priceValidUntil pro časově omezené ceny. Bez platného Offer nemají AI systémy spolehlivou odpověď na otázku „je to skladem a kolik to stojí", což je často rozhodující faktor, zda je produkt vůbec doporučen. Objekt AggregateRating nese ratingValue, reviewCount a volitelně bestRating/worstRating pro definici škály – vynechání škály způsobí, že některé parsery použijí výchozí hodnotu, která nemusí odpovídat vašemu skutečnému systému hodnocení. Objekt Review vnořuje jednotlivé recenze s author, reviewBody, datePublished a podobjektem reviewRating. Nemusíte do svého Product schema vkládat každou recenzi (to by stránku zbytečně zvětšovalo); standardní praxí je vložení reprezentativního vzorku spolu s agregovanými daty.
Syntaxe JSON-LD a umístění na stránce
JSON-LD (JavaScript Object Notation for Linked Data) je preferovaným formátem implementace, protože žije v jediném, samostatném bloku <script> namísto rozptýlení napříč HTML atributy – oddělení strukturovaných dat od vašeho značkování usnadňuje údržbu obojího. Zde je kompletní příklad kombinující výše uvedené vlastnosti:
{
"@context": "https://schema.org",
"@type": "Product",
"name": "Premium Waterproof Hiking Boots",
"description": "Durable waterproof hiking boots with ankle support and grip sole",
"image": "https://example.com/hiking-boots.jpg",
"brand": {
"@type": "Brand",
"name": "TrailMaster"
},
"offers": {
"@type": "Offer",
"price": "149.99",
"priceCurrency": "USD",
"availability": "https://schema.org/InStock",
"url": "https://example.com/hiking-boots"
},
"aggregateRating": {
"@type": "AggregateRating",
"ratingValue": "4.7",
"reviewCount": "328"
},
"sku": "HB-WP-001",
"mpn": "TRAILMASTER-HB-2024"
}
Tento blok by měl být umístěn uvnitř značek <script type="application/ld+json">, buď v <head> stránky nebo v těle stránky – obojí je platné, ale umístění do <head> znamená, že se s ním AI crawleři setkají dříve, než musí parsovat zbytek obsahu stránky.
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
Implementace schema podle platformy: Shopify, WooCommerce a Magento
Většina e-commerce platforem generuje nějaké základní schema automaticky, ale „nějaké" v této větě dělá hodně práce. Shopify šablony standardně vypisují name, price a availability, ale často vynechávají aggregateRating a review – pokud vaše šablona nativně nepodporuje schema recenzí, budete potřebovat aplikaci pro recenze, která si píše vlastní JSON-LD, nebo vlastní doplněk Liquid šablony. WooCommerce implementace se enormně liší v závislosti na tom, který SEO plugin je aktivní; Yoast i RankMath generují Product schema, ale pokrytí vnořených Offer a Review vlastností se mezi nimi liší, takže prověřte skutečný výstup namísto předpokladu, že plugin řeší vše. Magento vestavěné Product schema je poměrně silné hned po vybalení, ale běžně vynechává gtin/mpn, což je důležité, pokud AI systémy křížově odkazují váš záznam s daty výrobce. V každém případě je řešení stejné: zobrazte zdrojový kód stránky, najděte svůj JSON-LD blok a zkontrolujte jej oproti tabulce vlastností výše, namísto slepé důvěry, že „platforma řeší schema" je úplná odpověď – zvláště pokud optimalizujete pro AI vyhledávání napříč více platformami najednou.
Validace vašeho produktového schema
Implementace není hotová, dokud není validována. Google Rich Results Test kontroluje, zda je vaše schema nejen technicky platné, ale také způsobilé pro rozšířené vyhledávací funkce – spusťte jej na každé šabloně, nejen na jedné vzorové stránce. Vlastní validátor Schema.org zachytí syntaktické chyby, které Rich Results Test nemusí označit. Google Search Console v průběhu času zobrazuje chyby a varování související se schema napříč celým webem, což je nejlepší způsob, jak zachytit regrese po aktualizaci šablony nebo změně pluginu. Před celoplošným nasazením změn schema otestujte na reprezentativní podmnožině stránek – různé typy produktů (balíčky, varianty, nedostupné položky) mají tendenci rozbíjet šablony různými způsoby a zachytit to na deseti stránkách je mnohem levnější než na deseti tisících.
Automatizace aktualizací schema pro dynamická data
Statické schema, které zastará, je pravděpodobně horší než žádné schema, protože aktivně napájí AI systémy nesprávnými informacemi. Aktualizace dat v reálném čase jsou nevyjednatelné pro cenu a dostupnost – implementujte automatizované procesy, které regenerují schema při každé změně databáze produktů, namísto spoléhání se na ruční úpravy nebo periodické dávkové úlohy. Neispolehlivějším vzorem je získávání dat schema ze stejného zdroje pravdy jako viditelný obsah stránky, takže se tato dvě data nikdy nemohou rozejít. AI systémy zohledňují konzistenci a čerstvost dat při rozhodování, kterým zdrojům důvěřovat pro doporučení, a blok schema, který už tři týdny neodpovídá realitě, nadělá více škody než užitku.
Běžné implementační chyby, kterým se vyhnout
| Chyba | Problém | Řešení |
|---|---|---|
| Neúplné vlastnosti | Chybějící gtin/mpn/aggregateRating nechává AI systémy hádat | Prověřte oproti úplné tabulce vlastností, nejen výchozímu nastavení platformy |
| Nesoulad dat | Hodnoty schema se liší od toho, co je zobrazeno na stránce | Generujte schema a obsah stránky ze stejného zdroje dat |
| Zastaralé vlastnosti | Použití typů nebo polí schema, která vyhledávače již nerozpoznávají | Čtvrtletně kontrolujte changelogy schema.org |
| Přeplňování klíčovými slovy | Nadsazené popisy nebo falešné recenze uvnitř schema | Udržujte schema poctivé; AI systémy stále častěji detekují manipulaci |
| Žádná synchronizace v reálném čase | Ceny a skladové zásoby v JSON-LD zastarávají | Automatizujte regeneraci schema při změně dat |
Mimo tabulku si jedna strukturální chyba zaslouží vlastní upozornění: implementace schema pouze na desktopových šablonách. Pokud váš mobilní motiv vykresluje ořezanou stránku, ověřte, že jeho JSON-LD blok je také kompletní – mobilní-first indexování znamená, že tenké mobilní schema může podkopat jinak solidní desktopovou implementaci.
Pokročilé vzory: Balíčky, varianty a co dál
Jakmile jsou základy pevné, vnořené schema vztahy vám umožní popsat složitější katalogy: produktové balíčky a sady, kompatibilní příslušenství, náhradní díly a varianty velikostí/barev pomocí ProductGroup a isVariantOf. Vícejazyčné schema je důležité pro mezinárodní katalogy – implementujte schema pro každou jazykovou mutaci namísto spoléhání se na jeden kanonický jazykový blok, protože AI systémy stále častěji poskytují doporučení specifická pro daný jazyk. Udržování těchto strukturovaných dat kompletních a synchronizovaných napříč každou šablonou a jazykovou mutací také podporuje vícekanálovou viditelnost, protože stejný základní JSON-LD napájí současně AI Overviews, Perplexity, ChatGPT a hlasové asistenty, namísto vyžadování samostatných implementací pro každý kanál. Do budoucna, jak se typy schema pro konverzační obchod vyvíjejí – pokrývající vícekrokové objevování produktů a transakce iniciované agenty – očekává se, že tuto sadu vlastností rozšíří, nikoli nahradí, takže dobře strukturovaná implementace Product schema dnes je základem, na kterém budou tato rozšíření stavět. Podrobný rozpis, jak AI nákupní enginy tato data skutečně používají, jakmile jsou živá, naleznete v doprovodném strategickém průvodci.
