Ürün datasını artık sadece müşteriler için mi tutuyoruz?

Ne oldu?

Commerce, 29 Eylül’de Feedonomics Enrichment ve BigCommerce Catalog Enrichment adını verdiği iki capability’yi duyurdu. Commerce; BigCommerce, Feedonomics ve Makeswift’in ana şirketi. Açıklamasında bu iki ürünü, catalog verisini AI destekli discovery ve agentic commerce deneyimlerine hazırlayan ortak bir yaklaşımın parçaları olarak konumlandırıyor.

Her iki capability de mevcut product data’dan title, description, feature bullet, FAQ ve SEO metadata üretebiliyor. Duyuru ayrıca structured facts, snippet ve Q&A alanlarından söz ediyor. BigCommerce Catalog Enrichment, merchant’ın BigCommerce Control Panel içinde ürünleri seçmesine, brand girdileri vermesine, sonuçları inceleyip catalog’a uygulamasına imkân veren self-service bir akış sunuyor.

Feedonomics Enrichment ise storefront, search ve answer engine içeriğinin yanında Google, Meta, Amazon ve eBay gibi advertising ve marketplace destination’larına uygun alanlar üretebiliyor; Gemini, ChatGPT ve Copilot gibi agentic yüzeyler de resmi açıklamada sayılıyor. Aynı zenginleştirilmiş data foundation’ın farklı channel’larda kullanılması, ürünün temel konumlandırmasının bir parçası.

İki tarafta da üretilen içerik accuracy, consistency ve brand adherence açısından puanlanıyor; dikkat gerektiren konular alan bazında açıklanıyor. Merchant sonuçları gözden geçirip neyin uygulanacağını kontrol edebiliyor. Feedonomics dokümantasyonuna göre enrichment, içeriği ayrı alanlara raw data override olarak yazıyor; imported source data’yı değiştirmiyor. BigCommerce tarafında ise onaylanan enrichment mevcut catalog alanlarına uygulanıyor ve bu işlem geri alınamıyor. Dolayısıyla iki ürünün uygulama davranışını aynı varsaymamak gerekiyor.

Neden önemli?

Commerce platformlarındaki product data uzun süre ağırlıklı olarak brand, category, color, size, material, dimensions ve teknik özellikler gibi bilgilerden oluştu. Bunlar esas olarak “Bu ürün nedir?” sorusuna cevap veriyor.

Storefront’ta insan bu bilgiyi kendi context’iyle birleştirebiliyor. Fotoğrafa bakıyor, description ve review’ları okuyor, filter kullanıyor ve ürünün ihtiyacına uygun olup olmadığına karar veriyor. AI shopping agent’ta ise kullanıcı doğrudan şöyle bir intent verebilir:

13 yaşındaki kızım için başlangıç seviyesinde ama birkaç yıl kullanabileceği hafif bir fotoğraf makinesi bul.

Burada weight = 375g, sensor = APS-C ve type = mirrorless değerli facts. Fakat agent’ın çözmeye çalıştığı soru bunlarla sınırlı değil: Bu ürün bu ihtiyaca neden uygun?

Commerce’ın açıklaması, üretilen structured facts ve Q&A alanlarının generative deneyimlerin ürünün ne olduğunu, kimin için olduğunu ve neden uygun bir eşleşme sayılabileceğini yorumlamasına yardımcı olacağını söylüyor. Bu, ürünlerin yukarıdaki örnekte mutlaka doğru değerlendirileceğini kanıtlamıyor. Bana göre gelişmenin işaret ettiği daha geniş product architecture problemi şu: Catalog artık yalnızca ürünü tanımlayan facts’i değil, farklı ihtiyaçlar karşısında ürünü değerlendirmeyi mümkün kılan context’i de nasıl yöneteceğini düşünmek zorunda kalabilir.

Benim yorumum

Bu gelişmede benim için temel ayrım şu:

Product Facts ≠ Product Context

Product facts objektif, doğrulanabilir ve çoğunlukla structured bilgilerdir: 24 MP, 375 gram, APS-C, Canon RF mount. Product context ise aynı ürünün belirli bir ihtiyaç veya kullanım senaryosundaki anlamıdır: başlangıç seviyesi için uygun olması, seyahatte avantaj sağlaması veya belirli bir kullanıcı için daha anlamlı bir seçenek sayılması gibi.

İkinci grup birincisi kadar nesnel değil. Yorum içerebilir, AI tarafından üretilebilir, brand positioning’den etkilenebilir, channel’a göre değişebilir ve zamanla geçerliliğini kaybedebilir. “375 gram” ile “seyahat için ideal” aynı veri türü değildir. Tam da bu nedenle product context yalnızca bir generation problemi değil, governance problemidir.

Ben product modelini üç katman halinde düşünmenin faydalı olabileceğini düşünüyorum:

Product Facts → Product Context → Channel Representation

Product Facts ürünün doğrulanabilir özelliklerini tutar. Product Context, bu özelliklerin farklı ihtiyaç ve kullanım senaryolarında ne anlama gelebileceğini ifade eder. Channel Representation ise aynı temelin storefront, marketplace, search engine, advertising platform veya AI agent’ta nasıl sunulacağını belirler.

Bu bir sektör standardı veya Commerce’ın açıkladığı resmi model değil; gelişmeden çıkardığım mimari çerçeve. Özellikle context katmanında yalnızca value tutmak yeterli olmayabilir. source, confidence, generatedBy, reviewedBy, geçerlilik süresi ve hangi channel’larda kullanılabileceği gibi metadata ileride anlamlı hale gelebilir. Amaç her channel için bağımsız bir product truth yaratmak değil, yönetilen ortak bir product foundation üzerinden farklı representation’lar üretebilmek olmalı.

PIM açısından da soru değişiyor. Klasik soru “Ürün hakkında hangi bilgileri biliyoruz?” idi. AI commerce ile buna yenisi ekleniyor: “Ürün hakkında bildiklerimizin hangileri fact, hangileri generated context ve bunları hangi interface’lerin kullanmasına güveniyoruz?” AI tarafından yazılmış, kulağa ikna edici gelen bir kullanım senaryosunu doğrulanmış teknik özellik gibi dağıtmak; search’te kötü eşleşmeden, advertising’de yanıltıcı iddiaya kadar farklı sonuçlar doğurabilir.

Bu konu, JD Sports ve Algolia gelişmesinden çıkardığım retrieval probleminden farklı. Oradaki soru “Bir intent için hangi ürünleri getirmeliyim?” idi. Buradaki soru ise “Agent’ın ürünü değerlendirebilmesi için ürün hakkında ne bilmesi gerekiyor?” Ben ilkini Retrieval Intelligence, ikincisini Product Context olarak adlandırıyorum; ikisi de bu yazılarda kullandığım kavramsallaştırmalar, şirketlerin resmi ürün terimleri değil.

İki konuyu bir araya getirince daha geniş model şöyle görünebilir:

Product Facts → Product Context → Retrieval Intelligence → Interface

Bugüne kadar iyi product data’nın temel sorusu çoğunlukla “Ürün nedir?” idi. AI shopping agent’ları yaygınlaştıkça ikinci bir soru eklenebilir: “Bu ürün hangi ihtiyaç için neden anlamlı?” Fakat bu cevabın bir attribute kadar objektif olmayabileceğini unutmamak gerekiyor. Geleceğin catalog/PIM problemi yalnızca daha fazla product data üretmek değil, fact ile context arasındaki sınırı yönetmek olabilir.

AI çağında iyi product data yalnızca ürünün ne olduğunu anlatmakla yetinmeyebilir. Ürünün hangi ihtiyaç için neden anlamlı olduğunu da makine tarafından anlaşılabilir ve yönetilebilir hale getirmek gerekebilir.

Kaynak

Commerce — Commerce Introduces Data Enrichment for BigCommerce and Feedonomics to Power Agentic Commerce — Kaynak tarihi: 29 Eylül 2026.

BigCommerce Docs — What enrichment does and doesn’t do — BigCommerce Catalog Enrichment kapsamı, alanları ve quality score açıklamaları.

Feedonomics Docs — Data Enrichment FAQ — Feedonomics review, source data ve channel davranışı.