Productspecificaties op je website – helpen ze AI-aanbevelingen echt? Testen van een aantal theorieën

David, je hypothese klopt op basis van onze data.

Wat we hebben gemeten bij 20+ e-commerceklanten:

Producten met uitgebreide specificaties worden 3,8x vaker genoemd bij specifieke zoekopdrachten dan producten met minimale specs.

Waarom dit gebeurt:

AI-systemen koppelen zoekintentie aan content. Als iemand vraagt “beste laptop voor videobewerking met minstens 32GB RAM”, moet de AI:

1. De vereisten in de vraag begrijpen
2. Producten vinden die aan die eisen voldoen
3. Opties vergelijken

Als je productpagina de RAM-capaciteit niet expliciet vermeldt, kan de AI deze niet koppelen aan die vraag.

De specificaties die het meest meetellen (elektronica):

Belangrijkste inzicht: AI kan alleen aanbevelen wat het begrijpt. Vage specificaties = onzichtbaar voor specifieke zoekopdrachten.

Contentperspectief op specificaties:

Het formaat is net zo belangrijk als de data:

We hebben drie specificatieformaten getest:

1. Ongestructureerde alinea’s waarin specs worden genoemd
2. Eenvoudige HTML-tabellen met specs
3. Gestructureerde tabellen + schema-markup

Resultaten voor AI-vermeldingen:

Waarom tabellen winnen: AI-systemen kunnen tabulaire data makkelijk lezen. Als specs verstopt zitten in alinea’s, moet de AI meer moeite doen om ze te vinden en mist ze ze vaak helemaal.

Onze best practices voor specificatietabellen:

• Consistente attribuutnamen voor alle producten
• Duidelijke waarde-opmaak (niet “32 GB” versus “32GB” versus “32 Gigabytes”)
• Vermeld eenheid waar van toepassing
• Eén attribuut per rij
• Gebruik koprijen

Ik beheer een productvergelijkingssite. Daarom zijn specs zo belangrijk voor AI:

AI maakt vergelijkingen op basis van specificatie-data.

Als iemand vraagt “MacBook Pro vs Dell XPS 15 voor coderen”, moet AI vergelijken:

• Processorspecificaties
• RAM-configuraties
• Schermkwaliteit
• Toetsenbordkwaliteit
• Poorten
• Prijs

Als je productpagina sommige van deze ontbreekt, slaat AI je over of doet aannames.

Wat AI goed doet:

• Specs uit duidelijke tabellen halen
• Relaties tussen specs begrijpen (meer RAM = beter voor multitasking)
• Producten vergelijken met vergelijkbare specificatieformaten

Waar AI moeite mee heeft:

• Specs in afbeeldingen (kan niet lezen)
• Inconsistente opmaak tussen producten
• Ontbrekende specs (kan niet vergelijken wat er niet is)
• Vage bewoording (“groot geheugen” vs “32GB”)

Voor e-commerce: Hoe queryable je specs zijn, hoe meer zoekopdrachten je kunt matchen.

Diepgaande uitleg over schema voor productspecificaties:

De technische implementatie die werkt:

<script type="application/ld+json">
{
  "@type": "Product",
  "name": "ProductName",
  "additionalProperty": [
    {
      "@type": "PropertyValue",
      "name": "Display Size",
      "value": "15.6",
      "unitCode": "INH"
    },
    {
      "@type": "PropertyValue",
      "name": "RAM",
      "value": "32",
      "unitCode": "E37"
    }
  ]
}
</script>

Belangrijk:

1. Gebruik additionalProperty voor alle technische specs
2. Gebruik PropertyValue met name, value en unitCode
3. Gebruik standaard UN/CEFACT-eenheidscodes voor eenheden
4. Vermeld elke specificatie die belangrijk is voor aankoopbeslissingen

Veelgemaakte fouten:

• Alleen basis Product schema gebruiken (naam, prijs, afbeelding)
• Specs alleen in HTML, niet in gestructureerde data
• Inconsistente eigenschapsnamen tussen producten
• Ontbrekende eenheden of niet-standaard eenheden

Als HTML en schema overeenkomen, zijn AI-systemen zeker van de data.

Vanuit AI-perspectief, daarom zijn specificaties belangrijk:

Hoe LLM’s productvragen verwerken:

1. Vereisten in de vraag analyseren – “laptop met minstens 32GB RAM”
2. Zoeken naar overeenkomende content – Zoeken naar RAM-specificaties
3. Relevante data extraheren – RAM-waarde op productpagina’s vinden
4. Opties vergelijken – Welke producten voldoen aan de eisen
5. Antwoord genereren – Aanbevolen producten tonen

Waar specificaties helpen:

Stap 3 is waar het formaat van de specificatie telt. Als RAM:

• In een tabel staat met “RAM: 32GB” = Gemakkelijke extractie
• In tekst “wordt geleverd met 32 gigabyte geheugen” = Moeilijker te extraheren
• In een afbeelding van een specificatieblad = Onmogelijk te extraheren
• Niet genoemd = Product wordt niet overwogen

De drempelvraag die je stelde:

Er is geen magisch getal, maar dek:

• Elk attribuut waar klanten naar vragen
• Elk attribuut dat je concurrenten vermelden
• Elk attribuut dat jouw product onderscheidt

Voor elektronica zijn dat typisch 15-25 attributen. Belangrijke missen betekent zoekopdrachten missen.

Praktisch implementatie-advies voor je 450 resterende producten:

Prioriteringskader:

Upgrade niet alle 450 tegelijk. Prioriteer op:

1. Zoekvolume – Producten met veel vraag eerst
2. Marge – Hogere marge = meer ROI op inspanning
3. Concurrentiekloof – Waar concurrenten zwakke specs hebben
4. Vergelijkingskans – Producten die vaak met elkaar worden vergeleken

Efficiënte specificatie-implementatie:

1. Maak een specificatiesjabloon per categorie
2. Bulk-extractie van specs uit fabrikantgegevens
3. Normaliseer opmaak voor alle producten
4. Implementeer schema via sjabloon (niet handmatig per product)
5. Valideer met een testtool voor gestructureerde data

Voor 450 producten:

• Sjabloon maken: 4-8 uur
• Specificaties extraheren/invoeren: gemiddeld 2-4 minuten per product
• Totaal: 20-40 uur voor de implementatie

Dat is 1-2 weken gericht werk voor een groot AI-zichtbaarheidsvoordeel.

Categorie-specifieke data over specificatiebelang:

Elektronica: Meest genoemd: RAM, opslag, processor, scherm, batterijduur Minst genoemd: Kleur, land van herkomst, inhoud van de doos

Kleding: Meest genoemd: Maatbereik, materiaal, wasinstructies, afmetingen Minst genoemd: Land van fabricage, stijlcode

Woonartikelen: Meest genoemd: Afmetingen, draagvermogen, materiaal, montage vereist Minst genoemd: Kleuropties, verpakkingstype

Sportartikelen: Meest genoemd: Gewicht, afmetingen, vaardigheidsniveau, aanbevolen gebruik Minst genoemd: Kleuropties, merkverhaal

Het patroon: Functionele specificaties die aankoopbeslissingen beïnvloeden worden genoemd. Esthetische of logistieke specificaties zelden.

Richt je specificatieoptimalisatie op attributen die:

1. Productprestaties beïnvloeden
2. Gebruikers gebruiken als filter in hun gedachten
3. Producten in de categorie onderscheiden

Zo meet je het effect van specificaties op AI-zichtbaarheid:

Meetmethode:

Voor het upgraden van specs, noteer:

• Bij welke zoekopdrachten je producten worden genoemd
• Welke attributen AI noemt bij aanbevelingen
• Specificatie-dekking van concurrenten

Na de upgrade:

• Test dezelfde zoekopdrachten
• Nieuwe specifieke zoekopdrachten gericht op je specs
• Vergelijk veranderingen in vermelding

Wij gebruiken Am I Cited om dit systematisch te volgen. Voor elk product monitoren we:

• Algemene categoriezoekopdrachten (“beste laptops”)
• Specifieke attribuutzoekopdrachten (“laptop met 32GB RAM”)
• Vergelijkingszoekopdrachten (“product A vs product B”)

Wat we typisch zien:

• Algemene zoekopdrachten: +20-40% verbetering
• Specifieke attribuutzoekopdrachten: +150-300% verbetering (als de spec eerst ontbrak)
• Vergelijkingszoekopdrachten: +50-100% verbetering

De grootste winst zit in specifieke zoekopdrachten die je eerder niet kon matchen.

Deze thread bevestigde en verbreedde mijn hypothese. Belangrijkste inzichten:

Waarom specs belangrijk zijn voor AI:

• AI kan alleen aanbevelen wat het begrijpt
• Specifieke zoekopdrachten vereisen specifieke, leesbare specs
• Formaat (tabellen + schema) is net zo belangrijk als de data zelf

Implementatieplan voor de resterende 450 producten:

Fase 1 (Week 1-2):

• Maak specificatiesjablonen per categorie
• Prioriteer top 100 producten op marge en zoekvolume

Fase 2 (Week 3-4):

• Bulk-extractie van specs uit fabrikantgegevens
• Normaliseer opmaak voor alle producten
• Implementeer uitgebreid Product schema

Fase 3 (Week 5-6):

• Valideer gestructureerde data
• Test belangrijkste zoekopdrachten voor zichtbaarheid
• Pas specificatiesjabloon aan op basis van resultaten

Fase 4 (Doorlopend):

• Werk resterende producten af
• Monitor veranderingen in AI-zichtbaarheid
• Update specs bij productwijzigingen

De 3,8x verbetering in citaties en data over specifieke zoekopdrachten zijn overtuigend genoeg om dit te prioriteren. Dank aan iedereen voor de technische diepgang en praktische kaders.