Пример Product Schema для Shopify-одежды

Страницы товаров одежды на Shopify цитируются AI-движками шопинга на основе того, насколько точно JSON-LD описывает ландшафт вариантов. Покупатель, спрашивающий «льняная рубашка, которая сидит по размеру в medium» в ChatGPT, Perplexity или Gemini, нуждается в том, чтобы AI распознал, что конкретный вариант существует, есть в наличии, имеет цену, и описан отдельно от вариантов L и XL. Общая schema Product без деталей вариантов заставляет AI угадывать; ProductGroup с hasVariant даёт ему данные для уверенного цитирования.

Этот пример даёт два готовых к копированию JSON-LD блока: ProductGroup для матрицы вариантов и BreadcrumbList для контекста категории. Оба откалиброваны для чистого прохождения Google Rich Results Test и отражения видимого содержимого страницы (правило, которое AI-движки действительно применяют на практике).

Когда использовать Product vs ProductGroup#

Стандартные Liquid-шаблоны Shopify выдают Product независимо от количества вариантов. Апгрейд до ProductGroup для любого магазина одежды с несколькими размерами — одноразовое редактирование темы (или Shopify-приложение, которое делает это автоматически); прирост цитирования AI-шопингом стоит усилий.

ProductGroup JSON-LD (одежда с вариантами)#

Вставьте в шаблон страницы товара, заменив значения-заглушки. Пример показывает подмножество из 2 вариантов; в продакшене у вас будет одна запись hasVariant на реальный SKU.

{
  "@context": "https://schema.org",
  "@type": "ProductGroup",
  "name": "Linen Relaxed Shirt",
  "description": "A breathable linen shirt in three colors, sizes XS–XL. 100% European linen, pre-washed for softness.",
  "brand": {
    "@type": "Brand",
    "name": "Example Apparel"
  },
  "productGroupID": "linen-shirt-001",
  "variesBy": ["https://schema.org/size", "https://schema.org/color"],
  "hasVariant": [
    {
      "@type": "Product",
      "sku": "LINEN-SHIRT-WHITE-M",
      "name": "Linen Relaxed Shirt — White / M",
      "color": "White",
      "size": "M",
      "material": "Linen",
      "image": "https://example.com/products/linen-shirt-white.jpg",
      "offers": {
        "@type": "Offer",
        "url": "https://example.com/products/linen-shirt?variant=white-m",
        "priceCurrency": "USD",
        "price": "79.00",
        "availability": "https://schema.org/InStock",
        "itemCondition": "https://schema.org/NewCondition"
      }
    },
    {
      "@type": "Product",
      "sku": "LINEN-SHIRT-BLACK-S",
      "name": "Linen Relaxed Shirt — Black / S",
      "color": "Black",
      "size": "S",
      "material": "Linen",
      "image": "https://example.com/products/linen-shirt-black.jpg",
      "offers": {
        "@type": "Offer",
        "url": "https://example.com/products/linen-shirt?variant=black-s",
        "priceCurrency": "USD",
        "price": "79.00",
        "availability": "https://schema.org/InStock",
        "itemCondition": "https://schema.org/NewCondition"
      }
    }
  ]
}

BreadcrumbList JSON-LD#

Свяжите ProductGroup с BreadcrumbList, чтобы AI-движки понимали иерархию категории, в которой живёт ваш товар. URL хлебных крошек должны точно совпадать с видимыми хлебными крошками страницы.

{
  "@context": "https://schema.org",
  "@type": "BreadcrumbList",
  "itemListElement": [
    {
      "@type": "ListItem",
      "position": 1,
      "name": "Home",
      "item": "https://example.com/"
    },
    {
      "@type": "ListItem",
      "position": 2,
      "name": "Shirts",
      "item": "https://example.com/collections/shirts"
    },
    {
      "@type": "ListItem",
      "position": 3,
      "name": "Linen Relaxed Shirt",
      "item": "https://example.com/products/linen-shirt"
    }
  ]
}

Частые ошибки (по частоте)#

1. Размечать варианты, которые не видны и не выбираемы на странице. Schema должна отражать видимую реальность. Если ваша страница товара показывает только S / M / L, но JSON-LD объявляет XS до XXL, AI-движки рано или поздно попытаются процитировать вариант, который 404, и понизят магазин.

2. Использовать AggregateRating без виджета отзывов. Либо отображайте отзывы видимо (приложение Shopify Reviews), либо удалите поле schema. Не фабрикуйте.

3. Несоответствие currency, цены или наличия между schema и видимой страницей товара. Покупатель видит $79, но schema объявляет 89.00 — AI-движки берут число из schema, цитируют его, покупатель чувствует себя обманутым. Хуже: Google помечает schema как ненадёжную.

4. Повторное использование того же sku для нескольких вариантов. Shopify генерирует уникальные SKU, но мерчанты часто перезаписывают их. Дублирующиеся SKU в hasVariant приводят к тому, что AI-движки неправильно объединяют варианты.

5. Смешивание ProductGroup и Product так, что специфичные для варианта имена теряются. Если вы выдаёте оба для одного и того же item, убедитесь, что экземпляр Product — это родитель (без деталей вариантов) и ProductGroup.hasVariant содержит варианты. Не выдавайте Product для каждого варианта вне группы.

6. Добавление медицинских или неподтверждённых заявлений к описаниям одежды. «Корректирующая осанку» / «улучшает кровообращение» / «антибактериальная ткань предотвращает кожные болезни» — это регулируемые заявления на большинстве рынков и триггерят понижение AI даже когда законно. Оставайтесь при описаниях посадки и материала.

7. Указание URL schema на неканонические URL вариантов. Если страница использует одну каноническую URL товара (например, /products/linen-shirt), а варианты выбираются через query-param (?variant=white-m), hasVariant[].offers.url должен всё равно указывать на специфичную для варианта URL — там приземляются покупатели (и AI-агенты).

Как проверить#

1. Вставьте развёрнутую URL товара в

   Google Rich Results Test

   . Элементы Product и BreadcrumbList должны валидироваться.
2. Пройдите чек-лист валидации выше поле за полем.
3. Откройте страницу в режиме инкогнито и проверьте, что видимый H1 товара, цена, наличие и хлебные крошки все совпадают с тем, что объявляет schema.
4. Перезапустите Генератор Schema, если меняете структуру товара (новый цвет, удалённый размер), и передеплойте.

JSON-LD — это один сигнал в стеке AI-шопинга. Свяжите с шаблоном llms.txt fashion для стороны карты контента, и проверьте с помощью Анализатора Robots, что GPTBot может достучаться до страницы товара.