Jak AI naprawia odrzucone produkty w Google Merchant Center i pilnuje feeda przed kampanią?

AI podłączone do Google Merchant Center pobiera feed produktów i listę odrzuceń przez Content API for Shopping, tłumaczy powody błędów na polski i przygotowuje gotowe poprawki atrybutów. Firma zamiast ręcznie odkodowywać angielskie kody błędów w dokumentacji Google dostaje konkretną listę: ten produkt ma błędny atrybut price, tamten brakuje gtin, a jeszcze inny ma rozbieżność ceny między feedem a stroną. To nie jest prognoza, jak feed powinien wyglądać docelowo. To opis tego, co jest zepsute dzisiaj rano, zanim kampania ruszy.

Co wyciągamy z Google Merchant Center przez API?

Google Merchant Center udostępnia dane przez Content API for Shopping i nowszy Merchant API. Stamtąd AI pobiera kilka rzeczy naraz.

Po pierwsze, pełny feed produktów wraz ze statusem każdego wpisu: approved, pending albo disapproved. Po drugie, listę problemów z elementami dostępną w zakładce Produkty → Diagnostyka → Problemy z elementami. Każdy problem ma swój kod, np. missing_required_attribute, price_mismatch, image_missing albo invalid_value. Po trzecie, aktualne wartości atrybutów produktowych: title, description, price, availability, image_link, gtin, brand, condition, product_type i google_product_category.

Do tego AI może równolegle odpytywać API sklepu (WooCommerce, PrestaShop, Shoper, Shopify) o aktualny stan cen i magazyn. To pozwala porównać, czy to co jest w feedzie, zgadza się z tym, co widzi klient na stronie produktu w tej chwili, nie wczoraj w nocy.

Jak AI tłumaczy powody odrzuceń i co z tym potem robi?

Typowy raport z diagnostyki Merchant Center wygląda tak: 47 produktów odrzuconych, powód: missing_required_attribute [gtin]. Albo: 12 produktów z błędem price_mismatch. Albo: image_too_small dla 8 wpisów. Dla osoby bez technicznego przygotowania to niewiele mówi. I tu zaczyna się tracenie czasu.

U jednego klienta z branży AGD pół asortymentu wylądowało w odrzuceniach z powodu invalid_value [availability]. Okazało się, że po przeprowadzce sklepu na nowy hosting deweloper zmienił wartości z in stock na polskie "dostępny". Google nie przyjmuje polskich wartości dla tego atrybutu. Przyjmuje tylko: in stock, out of stock, preorder, backorder. Błąd był w czterech literach i blokował kilkadziesiąt produktów.

AI w tej sytuacji:

• wyciąga listę wszystkich produktów z tym konkretnym błędem
• tłumaczy po polsku, co jest nie tak i dlaczego Google odrzuca ten wpis
• przygotowuje gotową poprawkę: podmień wartość atrybutu availability na "in stock" dla tych 34 produktów
• wysyła powiadomienie do osoby odpowiedzialnej za feed albo do programisty z konkretnymi SKU do zmiany

Zamiast szukać błędu w dokumentacji, ktoś dostaje gotowe zadanie. Albo AI samo wdraża poprawkę, jeśli firma zdecydowała się na automatyczne korygowanie prostych atrybutów o znanych dozwolonych wartościach.

Poprawa opisów i tytułów, które Google akceptuje

Tytuł produktu w polu title to jeden z atrybutów, który Google bada pod kątem jakości, nie tylko formalnych wymagań. Jeśli tytuł jest zbyt krótki, nie zawiera nazwy marki albo pomija cechy produktu istotne dla kategorii (rozmiar, kolor, materiał, pojemność), produkt może być wyświetlany rzadziej albo odrzucony przez politykę jakości danej kategorii.

AI dostaje aktualną wartość title i description z feeda oraz pełne dane produktu z karty w sklepie. Na tej podstawie generuje poprawioną wersję tytułu zgodną z wytycznymi Google: marka + nazwa produktu + cecha różnicująca. Nie wymyśla danych, używa wyłącznie tego, co jest już w karcie produktu.

To samo działa dla atrybutu description. Jeśli opis w feedzie jest skopiowany z ulotki dostawcy i zawiera promocyjne zwroty zakazane przez Google (jak "najlepsza cena", "wyjątkowa oferta" czy wielkie litery w środku zdania), AI wskazuje te fragmenty i proponuje neutralną wersję, którą Google zaakceptuje. Menedżer przegląda gotową wersję zamiast pisać ją od zera.

Porównanie feeda ze sklepem: skąd biorą się rozbieżności cen?

Google regularnie weryfikuje, czy cena w feedzie zgadza się z ceną widoczną dla użytkownika na stronie produktu. Jeśli nie zgadza się, produkt dostaje błąd price_mismatch i wylatuje z aukcji reklamowych. To jeden z częstszych powodów nagłego spadku wyświetleń kampanii Shopping, który trudno szybko zdiagnozować bez narzędzia.

Skąd biorą się rozbieżności? Kilka typowych scenariuszy:

• Feed był generowany raz dziennie w nocy, a rano w sklepie weszła nowa cena promocyjna.
• Sklep pokazuje inną cenę dla zalogowanych klientów niż dla gości, a Google crawluje stronę jako niezalogowany użytkownik, feed zawiera cenę dla zalogowanych.
• Wtyczka do zaokrąglania cen w sklepie zaokrągla inaczej niż format kwoty w feedzie, różnica 1 grosz wystarczy do błędu.
• Supplemental feed nadpisuje cenę z głównego feeda starą wartością sprzed promocji.

AI ustawione na regularne porównywanie feeda z cenami ze stron produktów wyłapuje te rozbieżności, zanim Google zdąży zablokować produkty. Dostajecie alert: 6 produktów z rozbieżnością ceny, lista SKU i konkretne różnice. To zazwyczaj wystarczy, żeby w kilka minut znaleźć przyczynę i ją naprawić.

Produkty bez zdjęć, z błędnym GTIN i inne pułapki feedu

Poza ceną i dostępnością AI pilnuje atrybutów, które regularnie pojawiają się w raportach odrzuceń:

• image_link: AI sprawdza, czy URL do zdjęcia zwraca odpowiedź 200 i czy zdjęcie ma odpowiedni rozmiar (Google wymaga minimum 100x100 px dla większości kategorii, a dla odzieży 250x250 px). Zdjęcie, które wróciło 404 po usunięciu z CDN, blokuje produkt bez ostrzeżenia na dashboardzie kampanii.
• gtin: dla wielu kategorii Google wymaga podania numeru EAN, ISBN lub UPC. AI sprawdza, które produkty mają to pole puste albo uzupełnione nieprawidłowo, np. za krótkim ciągiem cyfr lub z literami.
• google_product_category: błędny identyfikator z taksonomii Google powoduje, że produkt trafia do złej kategorii zakupowej albo jest blokowany w kampaniach Performance Max.
• shipping: błędy w konfiguracji atrybutu shipping potrafią blokować produkty bez czytelnego komunikatu, szczególnie gdy sklep ma kilka metod dostawy z różnymi progami cen.

W sklepach z kilkuset albo kilkutysiącem SKU ręczne sprawdzanie tych pól przy każdej aktualizacji feedu to nierealne zadanie dla kogokolwiek z zespołu. AI robi to przy każdym pobraniu danych i tylko sygnalizuje to, co wymaga uwagi.

Od czego zaczynamy taką integrację?

Pierwszy krok to dostęp do konta Merchant Center przez Content API for Shopping albo Merchant API. Do tego potrzebny jest identyfikator konta Merchant Center oraz skonfigurowany projekt w Google Cloud Console z odpowiednimi uprawnieniami OAuth. To jednorazowa praca techniczna.

Następnie ustalamy harmonogram i zakres. Które dane pobieramy, jak często i co AI ma z nimi robić. Dla sklepów z aktywnymi kampaniami reklamowymi synchronizacja raz dziennie rano to minimum. Przy częstych zmianach cen lub sezonowych akcjach ustawiamy kilka pobrań w ciągu dnia.

Potem określamy reguły automatyzacji: które błędy AI ma tylko raportować, a które poprawiać bez pytania. Prostym poprawkom atrybutów z zamkniętym zbiorem dozwolonych wartości (jak availability albo condition) można dać zielone światło do automatycznego wdrożenia. Przy tytułach, opisach i cenach zostawiamy człowieka w pętli, żeby nikt nie zatwierdził zmiany, której nie widział.

Na koniec spinamy powiadomienia. Raport poranny trafia mailem albo przez Teams czy Slack do menedżera kampanii lub właściciela sklepu. O 8 rano widzi: tyle produktów odrzuconych, tyle wymaga przejrzenia, tyle zostało już naprawionych automatycznie. I może zabrać się za coś innego.

Jeśli chcecie sprawdzić, jak to wyglądałoby u Was, zaczynamy od bezpłatnego audytu. Sprawdzamy aktualny stan feeda, wskazujemy najczęstsze źródła błędów i pokazujemy, co da się zautomatyzować bez ryzyka dla kampanii. Realne wdrożenia pokazują, jak ta integracja działa w praktyce w polskich sklepach z różnymi platformami.