كيفية مراجعة جودة سمات المنتجات المُثراة بالذكاء الاصطناعي قبل أن ترفضها Google أو Meta

تُجري معظم الكتالوجات اليوم تمريرة ذكاء اصطناعي على بيانات منتجاتها: تملأ لونًا مفقودًا، أو تخمّن الخامة من العنوان، أو تكتب وصفًا لمنتج (SKU) لم يكن له وصف أصلًا. وتعمل هذه العملية بجودة كافية تجعل الفرق تتوقف عن مراجعتها، وهنا تكمن المشكلة. فتوثيق Google Merchant Center نفسه يؤكد أن نظام التحديث التلقائي للعناصر، الذي يصحّح بصمت قيم price وsale_price وavailability وcondition غير المتطابقة عبر زحف صفحة الهبوط، لا يشمل color ولا material ولا size ولا GTIN (مركز مساعدة Google Merchant Center). وإذا أخطأتم في هذه السمات فلن يصحّحها لكم أي نظام؛ ستبقى القيمة الخاطئة في خلاصة المنتجات منشورة حتى يكشفها تدقيق يدوي أو رفض من القناة. هذا الدليل موجّه لكل من يدير إثراءً بالذكاء الاصطناعي أو بالقواعد على كتالوج يضم من بضع مئات إلى بضع مئات الآلاف من الـ SKU، ويقدّم لكم عملية مراجعة جودة عملية: خمسة أنماط للأخطاء يجب فحصها، ومعيار تقييم بالنقاط، وسير عمل للمعاينة بالعينات، لاكتشاف هذه الأخطاء قبل وصولها إلى Google أو Meta أو TikTok Shop.

لماذا تفشل السمات المُثراة بالذكاء الاصطناعي بصمت

ركّزت مراجعة جودة خلاصات المنتجات تاريخيًا على السمات التي تراقبها القنوات نيابةً عنكم. فـ Google تصحّح تلقائيًا السعر القديم أو حالة المخزون الخاطئة اعتمادًا على صفحة الهبوط دون أي تدخل منكم (توثيق التحديثات التلقائية للعناصر). وشبكة الأمان هذه تدفع الفرق إلى افتراض أن الحماية نفسها تشمل كل شيء، وهذا غير صحيح. فاللون والخامة والمقاس والنقشة وGTIN مستثناة من الأتمتة عمدًا، لأن Google لا تستطيع استنتاجها بموثوقية من زحف الصفحة كما تستنتج السعر المعروض.

وتزداد أهمية هذه الفجوة اليوم مقارنةً بما كانت عليه قبل عامين، لأن هذه بالضبط هي السمات التي يُطلب من ميزات الإثراء بالذكاء الاصطناعي ملؤها على نطاق واسع، أي السمات التي لم يعبّئها التاجر أصلًا في الخلاصة المصدرية. فنموذج الذكاء الاصطناعي الذي يخمّن «جلد طبيعي» من صورة المنتج، أو يوحّد ثلاثة أسماء ألوان غير متسقة في اسم واحد، يعمل في المنطقة الوحيدة من الخلاصة التي لا يوجد فيها أي نظام احتياطي تلقائي يصحّح الخطأ.

أنماط الأخطاء الخمسة التي يُدخلها الإثراء بالذكاء الاصطناعي

هذه الأنماط ليست افتراضية. فكل منها يقابل متطلبًا موثّقًا لدى Google أو Meta، وتمريرة الذكاء الاصطناعي العامة ليس لديها سبب مدمج لمعرفته.

• مخالفات التنسيق. ترفض سمة color في Google رموز hex والقيم الرقمية فقط وأي اسم لون يتجاوز 40 حرفًا. والنموذج الذي يُطلب منه «استخراج اللون» من صورة سيعيد بسهولة #3B2F2F (مواصفات سمة اللون).
• عدم التطابق مع صفحة الهبوط. تشترط Google أن يطابق اللون المُرسَل الصياغة الموجودة في صفحة الهبوط تمامًا: «إذا كنتم تستخدمون 'Toasted Walnut' في صفحة الهبوط، فأرسلوا هذه القيمة في بيانات المنتج، ولا ترسلوا 'Brown'» (مواصفات سمة اللون). وتمريرة الإثراء التي تعتمد على مصنّف صور عام لا ترى ما يقوله نص صفحة المنتج (PDP) فعليًا.
• تحديد مفرط الثقة ومُختلَق. كثيرًا ما يحوّل النموذج حقل خامة غامضًا أو مفقودًا إلى قيمة تبدو محددة لكنها خاطئة، مثل «جلد» لمنتج هو في الواقع من البولي يوريثان. وتشترط مواصفات الخامة لدى Google أن تعكس القيمة «القماش أو الخامة الرئيسية التي صُنع منها المنتج»، لا تخمينًا معقولًا (مواصفات سمة الخامة).
• تسرّب السمات. أن تنتهي قيمة المقاس في حقل النقشة، أو وصف الخامة في حقل اللون، أمر يحدث أكثر مما تتوقعه الفرق عندما يعمل الإثراء دون إشراف على عشرات الآلاف من الصفوف ذات العناوين المصدرية غير المتسقة.
• عدم الاتساق بين القنوات. إذا جرى الإثراء بصورة منفصلة لكل تصدير قناة، فقد يحصل المنتج نفسه على «Toasted Walnut» في خلاصة Google و«Brown» في خلاصة Meta؛ وهذه إشارة حقيقية للمتسوقين وعدم تطابق مع صفحة الهبوط في إحدى القناتين على الأقل.

تحليل قبل/بعد: خمسة أنماط فشل حقيقية

يوضح الجدول أدناه شكل كل نمط من أنماط الفشل كقيمة فعلية في الخلاصة، وسبب فشله، وما ينبغي أن يحتويه الصف بعد التصحيح.

معيار تقييم لمراجعة جودة السمات المُثراة بالذكاء الاصطناعي

قيّموا كل صف مُثرى وفق خمسة معايير، من 0 إلى 2 نقطة لكل معيار، قبل نشره. وهذا يحوّل فحص «هل يبدو هذا صحيحًا» الذاتي إلى إجراء يستطيع عضو مبتدئ في الفريق أو متعاقد خارجي تطبيقه بصورة متسقة.

الصف الذي يحصل على 9–10 نقاط يمكن نشره تلقائيًا. والصف الذي يحصل على 6–8 نقاط يدخل في قائمة انتظار للفحص اليدوي بالعينات. وأي صف دون 6 نقاط يُحجَر، أي يُستبعد من التصدير التالي، إلى أن يصحّحه إنسان. وهذا يعكس طريقة تعامل Google نفسها مع هذه السمات: فهي ليست خطر أتمتة بل خطر مراجعة يدوية، لأن الأتمتة المعتمدة على الزاحف لديها تتوقف صراحةً قبل بلوغها.

دمج قائمة مراجعة الجودة في سير عمل الإثراء

1. شغّلوا فحوصات القواعد الآلية على كل صف مُثرى قبل النشر. يمكن اكتشاف حدود الأحرف والأحرف المحظورة (أنماط hex وقيم اللون الرقمية فقط) والمصطلحات العامة الممنوعة («multicolor» و«various» و«assorted») بقواعد regex بسيطة دون حاجة إلى تدخل بشري؛ فطبقة المنطق القائم على القواعد نفسها التي تقف خلف إثراء خلاصة المنتجات يمكنها تشغيل هذه الفحوصات كبوابة قبل أن تصل القيم إلى التصدير.
2. اختاروا العينات بحسب الخطورة لا بالتساوي. أعطوا الأولوية للمراجعة اليدوية في الفئات التي يعدّ فيها GMC السمة مطلوبة، مثل الملابس والإكسسوارات بالنسبة إلى اللون وفق متطلب Google الخاص بالفئة (مواصفات سمة اللون)، وفي أي SKU تقل فيه درجة ثقة الذكاء الاصطناعي عن حدّكم، إن كانت أداة الإثراء لديكم تعرض هذه الدرجة.
3. قارنوا بالبيانات المصدرية لا بالمعقولية. المشكلة ليست أن القيم المُثراة تبدو خاطئة، بل أنها تبدو صحيحة. تحققوا من كل علامة «ثقة في التحديد» مقابل ورقة مواصفات فعلية من المورّد أو نص صفحة المنتج PDP، لا مقابل ما إذا كانت القيمة تبدو معقولة.
4. أعيدوا فحص الاتساق بين القنوات بعد كل تصدير، لا بعد الإثراء فقط. إذا كانت خطوة الإثراء تعمل قبل تقسيم الخلاصة إلى تصديرات لكل قناة، فهذه المشكلة محلولة إلى حد كبير بحكم البنية. أما إذا كان الإثراء يعمل لكل قناة على حدة (وهذا شائع عندما تحتاج القنوات إلى تنسيقات مختلفة)، فيلزمه تمرير مطابقة خاص به.
5. سجّلوا ما تحجرونه. ارتفاع معدل الحجر لسمة أو فئة معيّنة إشارة إلى ضرورة إصلاح موجّه الإثراء (prompt) أو مجموعة القواعد، لا الصفوف المنفردة فقط.

وفي خلاصة تُزامَن يوميًا لا كل ساعة، قد تبقى القيمة المُثراة الخاطئة التي تفلت من الفحص معروضة أمام المتسوقين لدورة مزامنة كاملة قبل أن يتيح لكم التصدير التالي فرصة إصلاحها؛ وهذا سبب آخر لإجراء الفحص قبل النشر لا بعده.

ما لا تغطيه هذه العملية وحدودها

تكتشف هذه العملية مخالفات التنسيق وعدم التطابق والتحديد الذي لا يمكن التحقق منه، لكنها لا تقيّم ما إذا كان العنوان أو الوصف المكتوب بالذكاء الاصطناعي نصًا جيدًا، فذلك مراجعة منفصلة وأكثر ذاتية. كما أنها لا تحل محل المراجعة القانونية أو مراجعة الامتثال في الفئات الخاضعة للتنظيم (المكملات الغذائية، ادعاءات مستحضرات التجميل، منتجات الأطفال)، حيث تمثّل السمة الخاطئة أو المُختلَقة مشكلة امتثال لا مجرد مشكلة جودة خلاصة.

وعلى نطاق واسع حقًا، أي كتالوجات تضم ملايين الـ SKU ومساهمين متعددين وسلاسل اعتماد رسمية، لا تعود قائمة الانتظار اليدوية بالعينات المذكورة أعلاه كافية بمفردها. وهذا هو نوع سير عمل الحوكمة الذي بُنيت حوله منصات مثل Productsup، بمحركات قواعد وسجلات تدقيق مدمجة في المنصة نفسها لا مضافة فوقها. وإذا كان القيد هو طاقة المراجعة لا الأدوات، فإن نموذج الخدمة المُدارة لدى Feedonomics، أي فريق يراجع خلاصتكم بدلًا من برنامج تضبطونه بأنفسكم، بديل مشروع للتوظيف الداخلي لهذه المهمة. ولا يلزم أي من النهجين لتشغيل قائمة المراجعة أعلاه؛ لكن من المفيد الاطلاع عليهما قبل أن تقرروا بناء هذه العملية داخليًا على نطاق واسع.

وأخيرًا، لا شيء من هذا يغني عن قراءة المواصفات الخاصة بأي سمة أو فئة جديدة ستُثرونها لاحقًا. فـ Google وMeta تحدّثان قواعد التنسيق ومتطلبات الفئات بوتيرة تجعل قائمة مراجعة مبنية اليوم بحاجة إلى إعادة قراءة التوثيق الأصلي بعد ستة أشهر، لا إلى وضع «اضبطها وانسَها» الدائم. وإذا كان اهتمامكم منصبًّا على الصور والأوصاف المولّدة بالذكاء الاصطناعي تحديدًا لا على السمات المنظّمة، فراجعوا دليل السياسات الخاص بمحتوى المنتجات المولّد بالذكاء الاصطناعي؛ فذلك المقال يتناول الامتثال لسياسات القنوات، بينما يتناول هذا المقال مراجعة جودة البيانات.

الأسئلة الشائعة

هل يصحّح Google Merchant Center تلقائيًا قيمة اللون أو الخامة الخاطئة؟

لا. تشمل التحديثات التلقائية للعناصر في Google السعر وسعر التخفيض والتوفر والحالة فقط. أما اللون والخامة والمقاس وGTIN فهي مستثناة، ولذلك تبقى القيمة الخاطئة في هذه الحقول منشورة حتى تصحّحوها أنتم أو عملية الإثراء لديكم. راجعوا دليل تكامل Google Merchant Center من Feedance لمعرفة كيفية إعداد تصدير الخلاصات إلى GMC.

ماذا يحدث إذا أرسلتُ إلى Google قائمة ألوان مفصولة بفواصل؟

تطبّق Google اللون الأول في القائمة فقط وتُسقط الباقي بصمت؛ فهي لا تعامل السلسلة المفصولة بفواصل كقيم متعددة (كيفية الإصلاح: قيمة لون غير صالحة). استخدموا الشرطة المائلة بدلًا من ذلك، بحد أقصى ثلاثة ألوان لكل منتج.

هل تشترط Meta سمتي اللون والخامة كما تفعل Google؟

لا. تدرج مواصفات حقول كتالوج التجارة في Meta اللون والخامة كحقلين اختياريين، بينما يكون المقاس مطلوبًا تحديدًا لفئات الملابس والأحذية. لكن Meta تشترط كتابة اللون بالكلمات لا برمز hex (حقول كتالوج التجارة في Meta).

هل تمثّل سمة اللون الخاطئة الخطر نفسه الذي تمثّله مخالفة سياسة التضليل (Misrepresentation)؟

ليس عادةً. فالسمة الخاطئة الواحدة تظهر عادةً كمشكلة على مستوى العنصر في تبويب «تتطلب الانتباه» في Merchant Center، لا كتعليق على مستوى الحساب. أما التضليل فهو سياسة منفصلة وأشد صرامة، تستهدف الادعاءات الكاذبة المتعمدة أو المتكررة بشأن نشاط تجاري أو عرض، لا خطأً معزولًا في سمة.

ما نسبة الكتالوج التي ينبغي مراجعتها يدويًا بعد تشغيل إثراء بالذكاء الاصطناعي؟

اختاروا عيّنتكم بحسب الخطورة لا بالتساوي: أعطوا الأولوية للفئات التي تكون فيها السمة مطلوبة (الملابس والإكسسوارات بالنسبة إلى اللون مثلًا)، ولأي صف تصنفه أداة الإثراء على أنه منخفض الثقة، ثم وزّعوا ما تبقى من وقت المراجعة على باقي الكتالوج.

هل يمكن أن تختلف قيمة السمة المُثراة نفسها بين خلاصتي Google وMeta؟

لا ينبغي ذلك إذا كانت الخلاصتان تصفان المنتج نفسه. وإذا كان الإثراء يعمل بصورة منفصلة لكل تصدير قناة، فأضيفوا خطوة مطابقة بعد التصدير لاكتشاف الحالات التي تباعدت فيها القيمتان.

ماذا أفعل إذا اكتشفتُ سمات مختلَقة (hallucinated) منشورة بالفعل في خلاصتي؟

اسحبوا الـ SKU المتأثرة، وصحّحوا القيم بالرجوع إلى البيانات المصدرية (أوراق المورّدين أو صفحة المنتج PDP الحية، لا إعادة تشغيل عملية الإثراء نفسها)، ثم أعيدوا الإرسال. بعد ذلك تحققوا مما إذا كان نمط الفشل نفسه يظهر في أماكن أخرى من الكتالوج، فالقيمة المختلَقة نادرًا ما تكون حالة منفردة.

هل ينتج الإثراء بالذكاء الاصطناعي أحيانًا قيم سمات قد تفوت العملية اليدوية؟

نعم، فهو مفيد فعلًا في ملء السمات عبر الكتالوجات الكبيرة حيث لا يكون الإدخال اليدوي واقعيًا، وفي اكتشاف أنماط (مثل عدم اتساق التسمية) لا يلاحظها إنسان يراجع صفًا واحدًا في كل مرة. وطبقة مراجعة الجودة موجودة لاكتشاف أنماط فشله الخاصة، لا للدفاع عن عدم استخدامه.

شغّلوا خلاصتكم عبر أداة تدقيق خلاصة المنتجات المجانية من Feedance لمعرفة وضع بيانات السمات لديكم قبل تمريرة الإثراء التالية.