Un guide pratique pour rendre les catalogues DTC plus lisibles par la recherche et les expériences d’achat IA.
Les systèmes d’achat IA ont besoin de faits produit récupérables et comparables: identité, prix, disponibilité, variantes, attributs, politiques, avis et contexte local.
La documentation Google Product structured data explique comment transmettre prix, disponibilité, avis, livraison, retours et variantes aux expériences de recherche. Les AI-powered shopping insights de Merchant Center, annoncés le 27 mai 2026, mentionnent aussi product term insights, product attributes insights et attribute completeness. Shopify va dans le même sens avec Catalog, UCP et agentic commerce.
Dans l’ecommerce traditionnel, les données produit sont souvent vues comme un matériau de back-office pour afficher une PDP, alimenter des filtres ou exporter un canal. Dans l’agentic commerce, elles deviennent l’interface entre la marque et les expériences d’achat assistées par IA.
Quand un acheteur formule une demande en langage naturel, le système doit comparer poids, matière, prix, disponibilité, livraison, retours, garantie et avis. Une belle page reste utile, mais les faits dispersés dans des images, paragraphes ou pages de politique sont plus difficiles à interpréter.
| Field group | Fields | Purpose |
|---|---|---|
| Product identity | name, brand, SKU, GTIN/MPN, canonical URL, image | Identify the exact product. |
| Offer data | price, currency, availability, sale price, condition | Compare real buying constraints. |
| Variant attributes | color, size, material, dimensions, weight, compatibility | Match natural-language intent. |
| Policy facts | shipping, return, warranty, payment options | Reduce purchase-risk ambiguity. |
| Proof and content | reviews, ratings, FAQ, use cases, care instructions | Answer pre-purchase questions. |
| Localization | language, currency, market shipping/returns, hreflang | Support multi-market discovery. |
Product JSON-LD et Merchant Center feed ne sont pas opposés. Les données structurées de la page aident à comprendre la PDP; le flux aide Merchant Center et les canaux shopping à comprendre le catalogue. Prix, stock, image, URL, variantes et livraison doivent rester cohérents.
undefined
Non. Elles améliorent la clarté et l’éligibilité potentielle, mais aucune plateforme ne garantit l’affichage ou le classement.
Les deux si possible. La cohérence entre PDP structured data et Merchant Center feed compte le plus.
Nom, marque, SKU/GTIN, URL, image, prix, devise, disponibilité et variantes.
L’IA peut aider à rédiger et détecter les manques, mais les attributs factuels doivent venir du produit réel, des fournisseurs, mesures, certificats et règles opérationnelles.
L’agentic commerce dépend de faits produit découvrables et comparables. Un catalogue owned storefront plus complet aide search et AI shopping à mieux l’interpréter.