Marketing team suka copy.
Headline.
Hook.
Caption.
CTA.
Tagline.
Semua kelihatan langsung.
Bisa direvisi cepat.
Bisa A/B test.
Bisa dipresentasikan.
Data produk jauh kurang glamor.
Title SKU.
Variant.
Attribute.
GTIN.
Size.
Material.
Compatibility.
Stock.
Price.
Warranty.
Shipping.
Return.
Tapi di era AI shopping, bagian boring ini justru makin menentukan apakah produk ditemukan.
Brand tidak bisa hanya mengoptimasi kalimat iklan.
Mereka perlu mengoptimasi data produk.
Mesin perlu facts sebelum persuasion
Copy bekerja setelah relevance.
Data membantu menentukan relevance.
Kalau user berkata:
“Cari monitor 27 inci USB-C yang bisa charge laptop minimal 65 watt.”
Mesin perlu tahu:
ukuran layar, port, power delivery, resolution, price, availability.
Kalimat “immersive productivity experience” tidak membantu filtering.
Ini alasan product feed menjadi strategic.
Google pada 2026 memperluas AI Max untuk Shopping campaigns dan secara eksplisit memakai Merchant Center feeds untuk mencocokkan produk dengan conversational shopping intent.
Generative system bisa membantu menyesuaikan copy.
Tapi bahan dasarnya tetap product data.
Garbage in, irrelevant ad out.
Title harus manusiawi dan machine-readable
Product title sering punya dua ekstrem.
Terlalu pendek:
“Series X Pro.”
Atau terlalu penuh keyword:
“Laptop Notebook AI Gaming Business Office Premium 14 Inch…”
Keduanya buruk.
Title perlu cukup descriptive.
Brand.
Model.
Product type.
Key variant.
Attribute penting.
Tapi tetap readable.
Misalnya:
“Brand X Air 14, Laptop 14 inci, 16GB RAM, 512GB SSD”
Lebih useful daripada nama internal saja.
Machine memahami.
Human juga.
Naming consistency penting.
Kalau marketplace menulis model berbeda dari website, entity matching lebih sulit.
Brand perlu canonical naming.
Satu SKU.
Satu nama utama.
Variant jelas.
Alias boleh, tapi tidak chaos.
Attribute lebih penting daripada adjective
Marketer suka adjective.
Cepat.
Premium.
Powerful.
Ringan.
Aman.
Nyaman.
Masalahnya, adjective butuh evidence.
“Ringan” itu berapa kilogram?
“Cepat” berdasarkan apa?
“Aman” memenuhi standar apa?
“Baterai tahan lama” berapa jam pada kondisi apa?
Product data memaksa brand lebih konkret.
Angka.
Unit.
Compatibility.
Material.
Certification.
Warranty.
Ini bagus.
Karena AI dan buyer sama-sama membutuhkan detail.
Copy bisa tetap emosional.
Tapi detail harus tersedia.
Brand yang punya facts kuat lebih mudah dibandingkan.
Variant chaos merusak discovery
E-commerce Indonesia sering punya listing dengan variant naming berantakan.
“Black.”
“Hitam.”
“Blk.”
“Black New.”
“Black 2026.”
Semua merujuk hal yang mirip.
Kalau catalog kecil, manusia masih bisa memperbaiki.
Kalau ribuan SKU, chaos jadi system problem.
AI shopping dan marketplace matching bekerja lebih baik kalau variant structured.
Color.
Size.
Capacity.
Generation.
Package.
Region.
Jangan mencampur semua ke title bebas.
Data governance kelihatan membosankan sampai brand scale.
Begitu scale, ia jadi moat.
Produk dengan data rapi lebih mudah didistribusikan ke banyak channel.
Website.
Marketplace.
Ads.
AI.
Affiliate.
Partner.
Satu source of truth mengurangi error.
Stok dan harga adalah marketing data
Marketing sering merasa inventory bukan urusan mereka.
Padahal iklan produk habis stok adalah pengalaman marketing buruk.
AI recommendation yang menampilkan harga lama juga buruk.
Price dan availability langsung memengaruhi trust.
Brand perlu sinkronisasi real-time atau setidaknya cukup fresh untuk kategori.
Tidak semua bisnis butuh update per detik.
Tapi harus ada SLA.
Harga berubah kapan?
Feed update berapa kali?
Discontinued product diapakan?
Out-of-stock page tetap hidup atau redirect?
Pre-order ditandai?
Ini technical commerce issue sekaligus customer experience issue.
AI membuat inconsistency makin visible karena user bisa membandingkan banyak source sekaligus.
Product page harus menjawab query, bukan hanya memajang katalog
Brand bisa punya data lengkap tetapi tersembunyi.
Misalnya warranty hanya ada di PDF.
Compatibility hanya di FAQ terpisah.
Return policy tidak jelas.
AI mungkin kesulitan menghubungkan.
Product page sebaiknya punya information architecture yang logical.
Overview.
Key specs.
Full specs.
Compatibility.
What’s included.
Warranty.
Return.
Shipping.
Review.
FAQ.
Comparison.
Tidak semua harus panjang.
Yang penting accessible.
User yang sudah pre-qualified dari AI bisa langsung menemukan jawaban.
Jakarta punya banyak local attribute
Untuk produk tertentu, context lokal penting.
Misalnya AC.
Bukan hanya PK.
Luas ruangan.
Konsumsi listrik.
Service network.
Garansi compressor.
Installation.
Untuk motor listrik:
range, charging time, battery type, service point, warranty, compatibility charger, legal registration.
Untuk smartphone:
network, eSIM, service center, garansi resmi, spare part.
Brand lokal punya advantage kalau menjelaskan hal-hal ini lebih baik dari global listing.
AI bisa memakai detail untuk query contextual.
“HP eSIM garansi resmi Indonesia.”
“Motor listrik yang service center-nya gampang di Jakarta.”
Data seperti itu high intent.
Jangan tinggalkan di kepala sales.
Review bisa menambah attribute yang tidak terpikirkan
Brand mungkin tidak sadar apa yang penting bagi customer.
Review mengungkap.
“Charger berat.”
“Box terlalu besar.”
“Material gampang sidik jari.”
“Fit kecil.”
“App setup ribet.”
Insight ini bisa mengubah product data.
Tidak berarti semua complaint masuk title.
Tapi FAQ dan comparison bisa diperbaiki.
AI bisa membantu clustering review untuk menemukan recurring attribute.
Human team lalu memutuskan apa yang perlu masuk catalog.
Ini feedback loop.
Customer language memperkaya structured data.
Data produk bukan proyek sekali selesai
Catalog hidup.
Model baru.
Variant baru.
Harga baru.
Feature berubah.
Certification berubah.
Firmware berubah.
Packaging berubah.
Brand perlu owner.
Siapa bertanggung jawab?
Product?
E-commerce?
IT?
Marketing?
Idealnya jelas.
Tanpa ownership, data drift.
Dan data drift adalah musuh AI discovery.
Brand bisa menjalankan campaign brilliant untuk produk yang facts-nya salah.
Hasilnya justru complaint.
Operational truth harus mendahului marketing claim.
AI generated copy membuat source data makin penting
Ada paradox.
Semakin banyak copy dibuat AI, semakin penting database facts.
Karena AI perlu source.
Kalau source bagus, generative copy bisa scale.
Kalau source salah, error scale.
Misalnya price database salah satu digit.
AI bisa menyebarkan salah itu ke ads, email, product summary, dan chatbot.
Automation memperbesar impact source.
Jadi sebelum memasang AI content generator ke catalog, audit data.
Schema.
Naming.
Attribute completeness.
Duplicate.
Missing value.
Outdated product.
Baru automate.
Ini lebih aman daripada langsung “generate 10.000 descriptions”.
Data completeness bisa menjadi KPI marketing
Marketer biasanya tidak punya KPI seperti “attribute completeness”.
Mungkin sekarang perlu.
Berapa persen SKU punya:
harga, stok, image, category, size, material, compatibility, warranty, GTIN, review, shipping info.
Kategori berbeda butuh attribute berbeda.
Buat priority field.
Kalau 40 persen catalog kehilangan information high-intent, itu visibility problem.
Data team dan marketing team harus punya shared metric.
Bukan semua orang bekerja sendiri.
Retailer besar sudah bergerak ke arah ini
Reuters pada Agustus 2026 melaporkan retailer besar sedang mengoptimasi web content untuk chatbot-driven shopping traffic.
Mereka ingin muncul dalam AI recommendations sambil mempertahankan transaction dan customer relationship.
Di situ data produk jadi central.
AI tidak bisa merekomendasikan inventori yang tidak dipahami.
Brand yang dulu melihat catalog sebagai back-office system harus mengubah mindset.
Catalog adalah media.
Setiap SKU adalah source.
Setiap attribute adalah answer component.
Copy tetap penting
Jangan salah.
Headline yang bagus tetap menjual.
Story tetap membuat produk memorable.
Visual tetap membangun desire.
Brand voice tetap membedakan.
Tapi semua itu berada di atas facts.
Iklan bisa membawa attention.
Product data memastikan attention tidak salah arah.
AI shopping membuat mesin semakin ikut menentukan relevance sebelum user melihat creative.
Jadi marketer perlu menjadi bilingual.
Bicara bahasa manusia.
Dan bicara bahasa data.
Brand masa depan bukan yang punya copy paling puitis.
Brand masa depan punya informasi yang cukup rapi sehingga machine dan manusia sama-sama cepat memahami apa yang sebenarnya dijual.
Setelah itu baru persuasion bekerja.
Data produk bukan pekerjaan belakang layar lagi.
Ia sudah masuk frontline marketing.
Product image juga bagian data. AI shopping tidak hanya membaca text.
Foto harus representatif.
Angle jelas.
Variant sesuai.
Background tidak misleading.
Package size bisa dipahami.
Kalau AI generation dipakai membuat lifestyle image, pastikan produk tetap akurat.
Research 2026 tentang automated ad generation untuk e-commerce juga menyoroti tantangan menjaga representasi produk ketika generative AI membuat lifestyle scene dalam skala besar.
Ini problem nyata.
Visual yang indah tetapi bentuk produk salah bukan creative win.
Brand perlu digital asset governance.
File naming.
Version.
Variant.
Usage right.
AI-generated status.
Approved image.
Semua memperkuat catalog quality.
Data produk akhirnya bukan hanya text field.
Ia seluruh paket informasi yang menjelaskan object secara konsisten.
Data yang rapi juga mengurangi biaya internal. Customer service lebih mudah menjawab. Sales tidak perlu cari spreadsheet berbeda. Marketplace listing lebih cepat dibuat. AI assistant lebih akurat.
Jadi ROI product data tidak hanya AI visibility.
Ia mengurangi friction seluruh organisasi.
Ini alasan proyek catalog cleanup sering lebih valuable daripada campaign baru, walau hasilnya tidak terlihat cantik di presentation.
Product taxonomy juga perlu diperbaiki. Banyak katalog tumbuh organik sampai kategori dan subkategori tidak lagi masuk akal.
Machine matching menjadi lebih sulit kalau satu produk bisa muncul di tiga kategori dengan naming berbeda.
Audit taxonomy.
Gabungkan kategori duplikat.
Pisahkan attribute dari category.
Jangan jadikan semua detail bagian dari nama kategori.
Taxonomy yang sehat membantu navigation, analytics, feed management, dan AI understanding sekaligus.
Brand juga perlu memikirkan unit dan format.
Centimeter versus inch.
Gram versus kilogram.
Watt versus kilowatt.
Penulisan yang konsisten mengurangi ambiguity.
Kalau target market Indonesia tetapi spec berasal dari global catalog, beri konteks lokal tanpa mengubah fakta.
Data hygiene seperti ini memang tidak terlihat di billboard.
Tapi sistem digital modern bergantung padanya.
Semakin banyak channel otomatis yang membaca catalog, semakin besar return dari consistency.
Kalau harus memilih satu proyek, mulai dari produk yang paling penting secara revenue. Rapikan title, attribute, image, harga, availability, warranty, dan FAQ. Ukur dampaknya. Setelah workflow stabil, baru scale ke catalog lain.
Data produk yang bagus bukan pekerjaan satu malam. Ia sistem yang terus dijaga.
Bacaan terkait
Artikel ini berada dalam Marketing & Advertising dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.