Hoe blijf je als merk relevant voor large language models?

Het gebruik van large language models (LLM's) neemt toe, ook in online shopping. Drie elementen kunnen helpen om als merk en als retailer relevant te blijven in dit AI-tijdperk: de GTIN (EAN-code), gestructureerde productdata en aanvullende content in de vorm van frequently asked questions.

Elektronicaketen Expert merkt dat consumenten steeds vaker de large language models (LLM's) van OpenAI, Anthropic en Google gebruiken om zich te oriënteren. Ze vragen ChatGPT, Claude of Gemini bijvoorbeeld wat het beste tv-formaat is voor een kleine woonkamer van 20 vierkante meter. "We merken dat consumenten steeds specifiekere vragen stellen. Ze zoeken niet langer een grote wasmachine, maar vragen welke wasmachine het meest geschikt is voor een groot gezin met 4 kinderen die regelmatig sporten", vertelt Menno Visser, coördinator van het contentteam van Expert.

Het gevolg is dat consumenten anders binnenkomen op de webshop van Expert. Wie googelt, komt doorgaans terecht op de landingspagina van een productgroep zoals wasmachines of tv. Wie zich oriënteert via LLM's, belandt steeds vaker direct op de productpagina van een specifiek type wasmachine of tv. "We spelen daarop in door die productpagina's meer aandacht te geven en meer relevante content toe te voegen", stelt Visser.

Het bezoek dat de webshop van Expert binnenkomt via LLM's groeit hard, maar in totaal gaat het hooguit om enkele procenten van het totaal aantal bezoekers. "Dat komt ook omdat veel consumenten ChatGPT alleen gebruiken om zich te oriënteren. Als ze willen weten waar ze een specifiek product voor de beste prijs kunnen krijgen, gebruiken ze meestal nog Google. Dat maakt het lastig om in te schatten hoeveel consumenten LLM's daadwerkelijk gebruiken in het oriëntatieproces", vertelt Michel Willemsen, verantwoordelijk voor performance marketing bij Expert.

Google nog de belangrijkste bron

Ook voor Kieskeurig.nl vormen LLM's de hardst groeiende bron van bezoekers. "In absolute cijfers is Google nog altijd met afstand de belangrijkste bron, maar we zien steeds meer mensen via Gemini, ChatGPT of Claude op onze vergelijkingssite komen. De manier waarop consumenten zich informeren en oriënteren is snel aan het veranderen. En daar moeten wij op inspelen", zegt Kevin van Oosteren. Hij is managing director van Reshift Performance, waar Kieskeurig.nl onder valt.

Van Oosteren wijst op de AI-overzichten van Google. Wie Google vraagt wat het verschil is tussen een led- en een oled-scherm, krijgt nu eerst uitleg van de AI-tool van Google en dan pas een lijst met zoekresultaten. Steeds minder consumenten nemen nog de moeite om die zoekresultaten te checken, ziet hij. "En als je vervolgens aan Google vraagt waar je een tv met oled-scherm kunt kopen, krijg je nu nog een rij met shoppingtegels te zien. Het zou best kunnen dat ook dat gaat veranderen."

Google is erop gefocust om consumenten zo lang mogelijk op hun eigen platform vast te houden. Andere websites mogen content en data aanleveren, maar alles is erop gericht om bezoekers zoveel mogelijk op het platform vast te houden. "Dat zie je ook terug bij ChatGPT en Claude", zegt Van Oosteren. "Na elk antwoord krijg je een vervolgvraag. Ze zijn niet erop ingericht om consumenten door te verwijzen naar een vergelijkingssite of webshop. Online shoppen zal daardoor veranderen, maar op welke manier precies weet niemand."

AI-agent kopen producten

Eén ding lijkt vast te staan: vroeg of laat kunnen consumenten aan AI ook opdracht geven om daadwerkelijk een wasmachine of tv te kopen. De toekomst is aan AI-agents die het volledige shopping-proces overnemen. Consumenten kunnen die agents opdrachten geven, bijvoorbeeld om op zoek te gaan naar de beste deals. En ze kunnen ze restricties meegeven, bijvoorbeeld in de vorm van een maximaal te besteden bedrag of een maximale levertermijn. En als we nog een stap verder gaan, komen we uit bij het inmiddels klassieke voorbeeld van de koelkast die zichzelf aanvult.

Beeld: Expert

Expert houdt deze ontwikkelingen actief in de gaten en probeert daar waar mogelijk erop in te spelen. Willemsen verwacht echter niet dat het zo'n vaart zal lopen met de inzet van AI-agents voor shopping. "Natuurlijk zullen vooruitstrevende shoppers hiermee aan de slag gaan. Maar ik geloof niet dat het merendeel van de consumenten de controle volledig uit handen zal geven aan een virtuele robot", stelt Willemsen.

Hoe kom je als retailer prominent naar voren?

De vraag is wat retailers moeten doen om prominent naar voren te komen in de antwoorden van LLM's. Een deel van het antwoord ligt in het Global Trade Item Number (GTIN), de unieke identificatiecode die in de vorm van een barcode of QR-code op elk product staat en beter bekend is als de EAN-code. Deze codes worden uitgegeven door GS1, de wereldwijde not-for-profit-organisatie die retailers en hun leveranciers faciliteert bij het vastleggen en delen van productdata op een gestandaardiseerde manier. "In hun zoektocht naar productinformatie gebruiken LLM's deze code om het juiste product te zoeken op de websites van retailers", stelt Maarten Vergouwen, cio/cto bij GS1 Nederland.

Om een concreet voorbeeld te geven: als een LLM de vraag krijgt welke webshop een bepaald product het goedkoopst aanbiedt, gebruikt het de GTIN om te waarborgen dat de juiste producten met elkaar worden vergeleken. "De productomschrijving of de typeaanduiding hoeft niet uniek te zijn, en het artikelnummer verschilt vaak per webshop, maar de GTIN van het product is bij elke retailer hetzelfde", stelt Vergouwen.

De GTIN is ook voor Kieskeurig.nl een belangrijke factor. Wie met een product op de vergelijkingssite wil komen, moet deze unieke productcode aanleveren. "Voor ons is de GTIN de sleutel waarmee we alle data aan elkaar koppelen, van de productdata van merkeigenaren tot de prijzen van retailers en de prijzen van consumenten. Als we een product willen vinden, zoeken we niet op de naam maar op de GTIN. Die vormt de rode draad in nagenoeg alles wat we doen", legt Van Oosteren uit.

Productdata zijn belangrijk

Een ander belangrijke factor zijn productdata, zoals de technische specificaties van een wasmachine of de ingrediënten en allergenen van een pot pindakaas. "LLM’s zijn erg goed in het interpreteren van productdata, maar we weten ook dat deze AI-tools er vaak naast zitten en soms zelfs data erbij verzinnen. Dat risico is extra groot bij conflicterende productdata", stelt Vergouwen. "Stel je voor dat de ene webshop aangeeft dat er 10 gram suiker in een pot pindakaas zit en dat op de andere webshop door een tikfout 20 gram staat. Welke waarde pakt het LLM dan? Niemand die dat kan voorspellen. Vandaag is het antwoord misschien 10 gram, morgen 20 gram en overmorgen 15 gram."

Vergouwen raadt retailers daarom aan om de productdata op hun productpagina's volgens een bepaalde structuur te publiceren. Een voorbeeld van zo'n structuur is JSON-LD, speciaal ontwikkeld voor websites. Volgens deze structuur worden productdata weergegeven in de vorm van sleutel-waardeparen, gescheiden door komma's en aangevuld met accolades. GS1 levert met de GS1 Web Vocabulary het woordenboek waarin staat welke sleutels je moet gebruiken en hoe je de waarden moet noteren. In het geval van bijvoorbeeld allergeneninformatie van een vitaminepil kan het er dan als volgt uitzien:

{

  "@id": "https://id.gs1.org/01/08700000000001",

  "gs1:gtin": "08700000000001",

  "gs1:regulatedProductName": [

    {

      "@value": "Vitamine B-capsules",

      "@language": "nl"

    }

  ],

  "gs1:brandOwner": {

    "@type": [

      "gs1:Organization",

      "schema:Organization"

    ],

    "gs1:partyGLN": "8711111111111",

    "gs1:organizationName": {

      "@value": "De Vitamientjes B.V.",

      "@language": "nl"

    }

  },

  "gs1:hasAllergen": [

    {

      "@id": "https://id.gs1.org/01/08700000000001#allergen-1",

      "@type": "gs1:AllergenDetails",

      "schema:name": {

        "@value": "Zwaveldioxide en sulfieten",

        "@language": "nl"

      }

    }

  ]

}

Door productdata te structureren volgens JSON-LD, kunnen LLM's ze beter lezen en interpreteren dan wanneer diezelfde productdata in een productomschrijving zijn opgenomen. Met de GS1 Web Vocabulary voorkom je dat de ene retailer over 'brand' praat en de andere over 'merk' of 'manufacturer'. Ook wordt dan voorkomen dat de ene retailer het gewicht van een vitaminepil in grammen en de andere in milligrammen weergeeft. "Als alle productdata op deze manier worden gepresenteerd, is de kans minder groot dat ChatGPT of Claude ze verkeerd interpreteert of zelf wat gaat verzinnen", stelt Vergouwen.

Gestructureerde en gestandaardiseerde data is extra waardevol als de merkeigenaar gebruik maakt van GS1 Digital Link. Dat is een link op basis van de GTIN die voor elk product uniek is. Via de GS1 Digital Link worden de LLM's geleid naar de oorspronkelijke bron van de productdata: de productpagina van de merkeigenaar. "Je mag verwachten dat de productdata die direct van de merkeigenaar afkomstig zijn een hogere betrouwbaarheid hebben", verklaart Vergouwen.

Wat zit er in een zakje M&M's?

Wat de waarde is van gestructureerde productdata, is onderzocht aan de hand van een zakje M&M's in de Australische webshop van Woolworths. Een video van 3 minuten laat zien dat de LLM's van OpenAI, Anthropic en Google in een ongestructureerde tekst met productdata lang niet altijd een betrouwbaar antwoord kunnen vinden. Als ze via de GS1 Digital Link in de lijst met gestructureerde productdata van de merkeigenaar terecht komen, is het antwoord wel 100 procent betrouwbaar. Als het om allergenen gaan, kan dat in het meest extreme geval het verschil tussen leven en dood betekenen.

Van Oosteren kent de video. Ook hij benadrukt het belang van gestructureerde productdata. "De producten waar we traffic op krijgen, zijn steevast de producten met goede afbeeldingen en uitgebreide specificaties", legt Van Oosteren uit. "Gestructureerde productdata zijn allereerst voor onszelf belangrijk. Een leverancier kan in een marketingtekst aangeven dat een tv een afmeting van 55 inch heeft, maar dat betekent niet dat dan automatisch de filters goed staan. Daarvoor is het nodig om dergelijke data op een gestructureerde manier aan te leveren, bijvoorbeeld met behulp van JSON-LD en GS1 Web Vocabulary. Dat geldt in nog sterkere mate voor LLM's."

De managing director van Reshift Performance wijst nogmaals op de voorbeelden waarin LLM's hallucineren en foute antwoorden geven op vragen van consumenten. "Ze hallucineren niet omdat de modellen niet goed werken, maar omdat de onderliggende data onvolledig of tegenstrijdig en dus niet betrouwbaar zijn. Als een merkeigenaar een nieuw product op de markt brengt en de bijbehorende productdata op een gestructureerde manier publiceert en deelt met ketenpartners, daalt de kans op hallucinaties. En hoe meer databronnen diezelfde productdata bevatten, hoe kleiner die kans."

Praktische tips

Wat kunnen merkeigenaren - zowel producenten als retailers met huismerken - doen om ervoor te zorgen dat LLM's hun producten goed weten te vinden? Allereerst ervoor zorgen dat elk product een GTIN heeft en daarnaast via het platform van GS1 voor elke GTIN een GS1 Digital Link aanmaken. Die link komt ook in de QR-code van GS1, die de komende jaren de barcode gaat vervangen. De laatste stap is dat merkeigenaren die GS1 Digital Link moeten koppelen aan één of meerdere webpagina's met daarop de gestructureerde productdata. "Consumenten kunnen die data inzien door de QR-code te scannen, maar ook LLM's en AI-agents weten die webpagina's te vinden", stelt Vergouwen.

Ook retailers zonder huismerken kunnen het een en ander doen om de gunfactor van LLM's te krijgen. Zij kunnen de GTIN en gestructureerde productdata op hun eigen productpagina's opnemen. Retailers in onder meer de food-, kleding- en doe-het-zelf-sector kunnen die productdata rechtstreeks uit de datapool van GS1 halen en in hun eigen IT-systemen laten inlopen, mits de merkeigenaren die productdata daarin hebben gepubliceerd. "Deze aanpak vergroot de kans dat LLM's de productpagina's van retailers relevant vinden", stelt Vergouwen.

Frequently asked questions

Expert hanteert nog een andere aanpak om de relevantie voor LLM's te vergroten: het toevoegen van 'frequently asked questions' aan de productpagina's. "Daarmee proberen we direct een koppeling te maken tussen de specifieke vragen die consumenten aan een LLM stellen en de antwoorden daarop op onze website", legt Visser uit. "Stel dat een consument wil weten of een tv van 48 inch geschikt is voor een kleine woonkamer. Op onze productpagina hebben we alvast antwoord op die vraag gegeven, in de hoop dat de LLM's dat overnemen en Expert als bron opvoeren."

Beeld: Shutterstock

De basis voor de frequently asked questions zijn de productdata die Expert van merkeigenaren ontvangen. In de elektronicasector is het verkrijgen van die productdata vooralsnog een uitdaging. "Daar zitten we bovenop", zegt Willemsen. "We overleggen daarover veel met merkeigenaren. We proberen hen ervan te overtuigen dat goede productdata ook in hun belang is, omdat hun tv dan beter wordt gevonden dan die van hun concurrenten", zegt Willemsen. "De volgende stap is dan dat we die productdata moeten vertalen naar waardevolle content. Naast een goede omschrijving en een overzicht van productspecificaties gaat het dus om die vragen en antwoorden."

De belangrijkste bron van productdata is Icecat, maar de kwaliteit van de aangeleverde productdata is niet altijd even goed. "Dan zijn de afmetingen van de ene tv in inches en van de andere in centimeters of millimeters opgegeven. Er ontbreekt een gemeenschappelijke standaard voor het noteren van productspecificaties. De witgoedsector heeft nu onder de naam Tradeplace het initiatief genomen om een gezamenlijk platform voor het delen van productdata op te zetten. Er is dus wel enige vooruitgang, maar op het gebied van productdata delen valt nog de nodige winst te halen", weet Willemsen.

Visser vult hem aan. "Omdat de productdata niet altijd compleet en ook niet altijd even betrouwbaar zijn, kost het ons extra werk om de data alsnog goed te krijgen. We gebruiken agents om die data te normaliseren en combineren ter ondersteuning van de verkopers in de winkels."

Ook Kieskeurig.nl benadrukt het belang van goede productdata, die op een gestructureerde manier worden gedeeld met retailers en vergelijkers."Er zijn heel veel contentbronnen waar we productdata vandaan kunnen halen, alleen zijn er nog ontzettend veel merkeigenaren die hun productdata niet correct en volledig doorgeven. Met als gevolg dat de filters niet goed staan en het product niet zichtbaar is in de zoekresultaten. Als diezelfde consument een LLM gebruikt en veel gerichtere vragen gaat stellen, worden betrouwbare productdata nog belangrijker."

Marketingmix maakt het verschil

Hoe kan Expert zich straks onderscheiden als LLM's hun uitleg over producten baseren op productdata die bij alle leveranciers identiek is? "Dan gaat de hele marketingmix een rol spelen", zegt Willemsen. "Met 140 winkels in Nederland is er altijd een winkel in de buurt, zodat consumenten een product kunnen bekijken. Na aankoop kunnen we het product inbouwen of installeren. Dat proberen we ook steeds op onze productpagina's te benadrukken. Uiteindelijk zullen LLM's ook daarnaar kijken."

Willemsen ziet met generative engine optimisation (GEO) naast SEO en SEA een derde expertisegebied in performance marketing ontstaan. "Door inzet van data scraping proberen we te meten hoe goed we scoren in LLM's en hoe we presteren in vergelijking met andere retailers. Op termijn hopen we daardoor te ontdekken aan welke knoppen we moeten draaien om voor LLM's relevant te blijven. Vooralsnog is dat vooral een kwestie van trial & error", zegt Willemsen, die net als Visser ziet dat Expert op de goede weg is.

"We zien dat onze zichtbaarheid in LLM's groeit", aldus Visser. "Dat merk ik ook als ik zelf eens ga kijken in ChatGPT of Claude. Dan komen we met grote regelmaat bovendrijven."