অনলাইন দোকানের জন্য GEO: AI অ্যাসিস্ট্যান্টের সুপারিশে আপনার পণ্য আনার উপায়

এই সিরিজের প্রথম পর্বে ছিলেন একটি ছোট আউটডোর-গিয়ারের দোকানের মালিক, যাঁর সবচেয়ে বেশি বিক্রি হওয়া জ্যাকেট AI shopping agent কখনো দেখায়নি। product data গুছিয়ে নেওয়ার পর agentের order আসতে শুরু করেছে। এবার মঙ্গলবার সকাল ৮টা ৪০-এ তিনি আরেকটা দরজায় টোকা দিলেন। ক্রেতারা যেভাবে লেখে, সেভাবেই একটি সাধারণ AI assistantকে লিখলেন, "১৫০ dollarের নিচে একটা waterproof জ্যাকেট চাই, শুক্রবারের মধ্যে পৌঁছাতে হবে।" উত্তরে এল চারটি জ্যাকেট, প্রতিটির সঙ্গে কারণ আর link। তাঁর সবচেয়ে বেশি বিক্রি হওয়া ১২৯ dollarের জ্যাকেটটি তাতে নেই।

কারণ খুঁজতে গিয়ে দেখলেন, সমস্যা rankিংয়ে নয়। pageয় দাম ১২৯ dollar, কিন্তু product feedে এখনো গত মাসের ১৫৯ dollar। pageয় যে সাইজ শেষ, feedে সেটা stockে আছে। assistant একই পণ্যের দুটি সত্য পেল, কোনোটাই যাচাই করতে পারল না, তাই কোনোটারই নাম করল না। (সংখ্যাগুলো কাল্পনিক উদাহরণ, কোনো আসল দোকানের নয়।)

তাই দোকানির প্রশ্নটা এখন আলাদা। আগে প্রশ্ন ছিল "আমি কীভাবে rank করব?" এখন প্রশ্ন হলো, "assistant কি জানে আমার পণ্যটা আছে? সে কি আমার তথ্য বিশ্বাস করে? সে কি নামটা বলবে?" এই প্রশ্নকে ঘিরে যে কাজ গড়ে উঠেছে, তাকে বলা হয় generative engine optimization বা GEO। নিচে দেখব assistantরা কীভাবে সুপারিশ সাজায়, GEO-র কোন পরামর্শ টেকে, পণ্যের dataয় কী ঠিক করতে হবে, ফল মাপবেন কীভাবে, আর শেষে দশ দফার চেকলিস্ট।

এটি "AI agentের কাছে বিক্রি" তিন পর্বের সিরিজের দ্বিতীয় পর্ব। প্রথম পর্বে বলেছি agentিক কমার্স কী এবং ২০২৬ সালের আগস্ট পর্যন্ত কী চালু ছিল। তৃতীয় পর্বে থাকছে agentের উপযোগী checkout ও payment।

assistant কীভাবে পণ্যের সুপারিশ বানায়

প্রতিটি assistant আলাদাভাবে তৈরি, কিন্তু প্রক্রিয়ার কাঠামো মোটামুটি এক। প্রথমে সে অনুরোধটা বোঝে, তারপর নানা ধরনের উৎস থেকে প্রার্থী পণ্য জোগাড় করে, যেগুলো যাচাই করতে পারে না সেগুলো বাদ দেয়, আর শেষে ছোট একটা rank করা উত্তর লেখে।

উৎস মোটামুটি চার ভাগে পড়ে:

• আপনার পণ্যের page: চোখে দেখা লেখা এবং তার পেছনের structured data।
• merchant feed: বিক্রেতারা কোনো platformে যে ফাইল জমা দেন, যাতে পণ্য, দাম ও stock থাকে।
• review: আপনার siteে এবং বাইরের siteে থাকা rating ও মন্তব্য।
• আপনাকে নিয়ে বাকি সব লেখা: comparisonমূলক নিবন্ধ, ফোরামের আলোচনা, সংবাদ আর "সেরা কোনটা" ধরনের তালিকা।

আসল ধাপটা তৃতীয়টি। দাম নেই, stockের তথ্য পরস্পরবিরোধী, বা return policy লেখা নেই, এমন পণ্য নিচের দিকে rank হয় না। সাধারণত তাকে উত্তরেই রাখা হয় না, কারণ যে assistant প্রমাণ ছাড়া কিছু সুপারিশ করে, তার নিজেরই বদনাম হয়। প্রথম পর্বে যে "অদৃশ্য হয়ে যাওয়ার" ঝুঁকির কথা বলেছিলাম, এটাই সেটা।

GEO বনাম ক্লাসিক SEO

GEO নামে যা বিক্রি হচ্ছে, তার অনেকটাই নতুন label লাগানো সাধারণ SEO। Google নিজেই সেটা পরিষ্কার বলেছে। searchের AI feature নিয়ে তাদের guidanceয় লেখা আছে, AI Overviews বা AI Mode-এ আসার জন্য আলাদা কোনো শর্ত নেই, যোগ করার মতো বিশেষ ফাইল বা markupও নেই, আর প্রচলিত SEO-র best practice এখনো প্রযোজ্য (Google Search Central)।

বদলেছে জোরের জায়গা। নিচের tableে দুটোর comparison দেওয়া হলো।

প্রশ্ন	ক্লাসিক SEO	দোকানের জন্য GEO
লক্ষ্য কী?	একটি keywordে pageকে rank করানো	linkসহ উত্তরে নাম আসা
আপনার page কে পড়ে?	আগে crawler, তারপর মানুষ	যে রিট্রিভাল system pageটি উদ্ধৃত বা সারসংক্ষেপ করে
কীসে জেতা যায়?	relevance, link, পেজ experience	যাচাইযোগ্য তথ্য, সামঞ্জস্যপূর্ণ data, স্বাধীন প্রমাণ
কোন content সবচেয়ে কাজে লাগে?	search ফ্রেজকে লক্ষ্য করা page	comparison আর "কার জন্য সেরা" প্রশ্নের সহজ ভাষায় উত্তর দেওয়া page
কীভাবে মাপবেন?	rankিং, ক্লিক	assistant থেকে referral, উল্লেখ, উৎস অনুযায়ী order
কী জমা দেন?	siteম্যাপ	siteম্যাপ, সঙ্গে যেখানে নেয় সেখানে product feed

SEO-র গোড়ার কাজ চালিয়ে যান, তার ওপর যোগ করুন পণ্যের data আর স্বাধীন প্রমাণের দ্বিতীয় স্তর।

পণ্যের dataই ভিত্তি

search ইঞ্জিন বহু বছর আগেই পণ্যের page পড়তে শিখেছে, আর assistantরা সেই একই সংকেতের ওপর দাঁড়িয়ে আছে। চারটি জিনিস সবচেয়ে গুরুত্বপূর্ণ।

identifier

GTIN (বারকোডের নিচের নম্বর) বা, যে পণ্যে তা নেই, ব্র্যান্ড আর MPN থাকলে system বুঝতে পারে আপনার লিস্টিং আর প্রতিযোগীর লিস্টিং আসলে একই পণ্য। identifier না থাকলে মেলানো হয় title দিয়ে, আর title সাধারণত এলোমেলো।

pageয় structured data

JSON-LD-তে schema.org markup ব্যবহার করুন। দোকানের জন্য কাজের টাইপগুলো হলো Product, Offer (দাম, মুদ্রা, প্রাপ্যতা), AggregateRating ও Review, আর policyর জন্য MerchantReturnPolicy ও OfferShippingDetails। Google এগুলোকে product, merchant লিস্টিং ও return policyর structured data হিসেবে নথিভুক্ত করেছে। markup কোনো rankিং কৌশল নয়। pageয় যা আছে, এটা তারই মেশিন-পাঠযোগ্য কপি।

দাম ও stockের একটাই সত্য

markup, page আর feedের দাম মিলতে হবে, আর কার্টে যা কাটা হয় তার সঙ্গেও মিলতে হবে। দামের গরমিলই feed বাতিল হওয়ার এবং পণ্যের ওপর আস্থা কমার সবচেয়ে সাধারণ কারণ। এটা মার্কেটিংয়ের চেয়ে বেশি data-আর্কিটেকচারের সমস্যা: দাম ও stock তিন জায়গায় এডিট করলে তা আলাদা হয়ে যাবেই।

policy হবে নির্দিষ্ট নিয়মের মতো

"৩০ দিনের মধ্যে ফ্রি return, আপনাকে কিছু দিতে হবে না, পাঁচ কার্যদিবসে মূল payment মাধ্যমে refund" একটি তথ্য। "সহজ return" তথ্য নয়। অঞ্চলভেদে ডেলিভারি খরচ ও সময়, কাট-অফ টাইম আর returnের মেয়াদ সাদা বাক্যে লিখুন, আর markupেও সেটাই রাখুন।

merchant feed: কোন AI platform নেয়

feed হলো আপনার পণ্যের তালিকার একটি ফাইল, যা নির্দিষ্ট সময় পরপর কোনো platformে আপলোড হয়। ২০২৬ সালের আগস্টে পরিস্থিতি এক বছর আগের চেয়ে অনেক খোলা, তবে assistantভেদে আলাদা। কিছুর ওপর ভরসা করার আগে প্রতিটি প্রোগ্রামের বর্তমান শর্ত দেখে নিন, কারণ সেগুলো প্রায়ই বদলায়।

platform	পণ্যের data কীভাবে ঢোকে	আপনার করণীয়
Google AI Mode, AI Overviews, Gemini shopping	Google-এর Shopping Graph, যার data আসে Merchant Center ও pageর markup থেকে	Merchant Center চালু করুন, ফ্রি লিস্টিং অন করুন, feed হালনাগাদ রাখুন
ChatGPT	OpenAI-এর merchant প্রোগ্রাম পণ্যের feed নেয়: নিজস্ব JSONL ফরম্যাটে, অথবা Google-সামঞ্জস্যপূর্ণ CSV বা TSV-তে	merchant প্রোগ্রামে আবেদন করুন, প্রাপ্যতা হালনাগাদ রাখুন। হোস্টেড platform অনেক সময় আপনার হয়ে data দেয়
Perplexity	Google-ধাঁচের feedে কাজ করা Merchant Program	নাম লেখান, আপনার Merchant Center feedই আবার ব্যবহার করুন
Microsoft Copilot	Microsoft Merchant Center-ভিত্তিক Copilot Merchant Program	return ও support policyসহ পরিচ্ছন্ন feed জমা দিন

দুটি কথা মাথায় রাখার মতো। প্রথমত, Google-ধাঁচের product স্পেকই এখন সবার সাধারণ ভাষা। ওপরের বেশির ভাগ platform এটি নিতে পারে, তাই একটি ভালোভাবে রাখা feedেই বেশির ভাগ কাজ হয়ে যায়। দ্বিতীয়ত, OpenAI-এর নিজস্ব feed specificationে প্রতিটি সারিতে নয়টি ফিল্ড বাধ্যতামূলক: আইটেম আইডি, title, বিবরণ, URL, ব্র্যান্ড, বিক্রেতার নাম, ছবির URL, প্রাপ্যতা, আর মুদ্রার কোডসহ দাম (OpenAI developer ডকুমেন্টেশন)। পুরো catalog-এ এই নয়টি ফিল্ড নির্ভরযোগ্যভাবে ভরতে না পারলে আগে সেটাই ঠিক করুন।

প্রথম পর্বে বলেছি, ২০২৬ সালের মার্চে ChatGPT-র ভেতরের checkout ছোট করে আনা হয়েছে। তবু feedের গুরুত্ব আছে, কারণ কেনাকাটা আপনার নিজের siteে হলেও feed পণ্য খুঁজে পেতে সাহায্য করে।

যে contentের নাম উঠে আসে

assistantকে মানুষ জিজ্ঞেস করে "ছোট রান্নাঘরের জন্য সেরা কোনটা", "অমুক ব্র্যান্ডের alternative কী", "কোনটা সবচেয়ে বেশিদিন টেকে"। এসব প্রশ্নের উত্তর আপনার site সবার চেয়ে ভালো দিতে পারে, কারণ পণ্যটা আপনি চেনেন।

• comparison আর "কার জন্য সেরা" page লিখুন, যেখানে থাকবে আপনার নিজের পণ্য এবং সৎ alternative। যে page স্বীকার করে পণ্যটা প্রবল বৃষ্টির জন্য নয়, সে page "সবার জন্যই ভালো" বলা pageর চেয়ে বেশি আস্থা পায়।
• specification tableে দিন, এককসহ। "ওজন ৪২০ গ্রাম, ২০,০০০ mm waterproof rating" লেখা "হালকা আর দারুণ waterproof"-এর চেয়ে অনেক ভালো।
• আসল প্রশ্নের উত্তর দিন পণ্যের pageর FAQ-তে, support চ্যাটে ক্রেতারা যে ভাষায় জিজ্ঞেস করেন সেই ভাষায়।
• review আসল ও দৃশ্যমান রাখুন। review কিনবেন না, বানাবেন না, নেতিবাচক সব review সরিয়েও দেবেন না। assistantরা তৃতীয় পক্ষের উৎসও পড়ে, আর আপনার rating ও বাইরের মতামতের ফারাক আস্থা নষ্ট করে। ভুয়া review বেশির ভাগ platformের নিয়ম এবং অনেক দেশের ভোক্তা-সুরক্ষা আইনেরও পরিপন্থী।

একটা সহজ পরীক্ষা: কোনো ছবি ছাড়া, assistantের চোখে নিজের পণ্যের pageটা পড়ুন। পণ্যটা কার জন্য, দাম কত, কবে পৌঁছাবে, আর মাপ না মিললে কী হবে, তা বোঝা যায় কি?

llms.txt-এর আসল জায়গা

পরামর্শ চোখে পড়বে যে siteে একটি llms.txt ফাইল যোগ করুন। ২০২৬ সালের আগস্ট পর্যন্ত অবস্থাটা এই।

llms.txt একটি প্রস্তাব, স্ট্যান্ডার্ড নয়। ২০২৪ সালে Jeremy Howard এটি প্রস্তাব করেন, একটি markdown ফাইল হিসেবে, যা AI system-কে siteের সবচেয়ে কাজের pageগুলোর দিকে দেখিয়ে দেয়। এর বিবরণ আছে llmstxt.org-তে। কোনো স্ট্যান্ডার্ড সংস্থা একে পরিচালনা করে না। Google-এর guidance বলছে, তাদের AI featureে আসতে নতুন কোনো মেশিন-পাঠযোগ্য ফাইল বা AI টেক্সট ফাইল লাগে না, আর Google-এর John Mueller প্রকাশ্যে বলেছেন, এখন কোনো AI system-ই llms.txt ব্যবহার করে না। প্রায় ৩ লাখ ডোমেইন নিয়ে SE Ranking-এর একটি বিশ্লেষণেও ফাইলটি থাকা আর AI assistantের উত্তরে বেশি উল্লেখিত হওয়ার মধ্যে পরিমাপযোগ্য কোনো সম্পর্ক পাওয়া যায়নি।

এটি প্রকাশ করতে খরচ সামান্য, আর ডকুমেন্টেশন siteের জন্য যুক্তিসংগত হতে পারে। কিন্তু দোকানের জন্য সময় ঢালার প্রথম জায়গা এটা নয়। আসল ফল মেলে পণ্যের data, feed আর স্বাধীন প্রমাণে।

AI referral traffic মাপা

assistant ভিজিটর পাঠায়, তবে সব সময় স্পষ্ট label দিয়ে নয়। ব্যবহারিক পদ্ধতির চারটি অংশ আছে।

• referrer। অ্যানালিটিক্সে chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com ও এ ধরনের ডোমেইন থেকে আসা ভিজিট খুঁজুন। কিছু assistant utm_source প্যারামিটার যোগ করে, তাতে সেগুলো এক জায়গায় জড়ো করা সহজ হয়।
• orderের উৎস। checkout-এ একটি প্রশ্ন রাখুন ("আমাদের কথা কোথায় শুনেছেন?"), alternativeে "AI assistant"। হিসাবটা মোটামুটি, কিন্তু referrer ছাড়া আসা ভিজিটও এতে ধরা পড়ে।
• হাতে পরীক্ষা। মাসে একবার প্রতিটি বড় assistantকে আপনার ক্যাটেগরি নিয়ে দশটি ক্রেতার প্রশ্ন করুন, আর টুকে রাখুন আপনার নাম এল কি না, কোন অবস্থানে, কী দাম ও বিবরণসহ।
• feedের স্বাস্থ্য। প্রয়োজনীয় ফিল্ড পূর্ণ আছে এমন পণ্যের হার এবং feedের ত্রুটির সংখ্যা দেখুন। ত্রুটি বাড়তে থাকলে সাধারণত দৃশ্যমানতাও কমতে শুরু করে।

শুরুতে সংখ্যা ছোটই হবে। trackingয়ের আসল লাভ হলো এটা জানা যে assistantরা কোন page ও কোন পণ্য বেশি পছন্দ করে, যাতে যা কাজ করছে তা অন্যগুলোতেও করতে পারেন।

পণ্য উত্তরে না এলে কীভাবে খুঁজবেন

উত্তরে পণ্যটি না এলে চারটি পরীক্ষা ক্রম ধরে চালান। প্রতিটি পরীক্ষা পরেরটির দরজা: যে page index-ই হয়নি, তার markup নিখুঁত হলেও কিছু বদলায় না।

তৃতীয় পরীক্ষাটাই বারবার ফিরে আসে, কারণ ক্রল আর markup একবার সেট করা হয়, অথচ দাম ও stock রোজ বদলায়। শুরুর দৃশ্যের জ্যাকেটটি ঠিক এভাবেই একটি পুরোনো feed-সারির কারণে হারিয়েছিল।

দশ দফার চেকলিস্ট

ক্রম ধরে এগোন। প্রতিটি ধাপ পরেরটিকে ভর দেয়।

1. প্রতিটি পণ্যে একটি GTIN (বা ব্র্যান্ড ও MPN) আর একটি অনন্য, স্থির ID দিন।
2. title নির্দিষ্ট করুন: ব্র্যান্ড, মডেল, মূল বৈশিষ্ট্য, সাইজ বা রং।
3. JSON-LD-তে Product ও Offer markup যোগ করুন, দাম, মুদ্রা ও প্রাপ্যতাসহ।
4. লিখিত policyর সঙ্গে মিলিয়ে MerchantReturnPolicy ও OfferShippingDetails যোগ করুন।
5. দাম ও stock একটি উৎস থেকে feedে দিন, যাতে page, markup ও feed সব সময় একই কথা বলে।
6. Merchant Center account খুলুন, ফ্রি লিস্টিং চালু করুন, আর প্রতিটি ত্রুটি ও সতর্কবার্তা ঠিক করুন।
7. ChatGPT, Perplexity ও Copilot-এর merchant প্রোগ্রামে আবেদন করুন, আর একই feed আবার ব্যবহার করুন।
8. প্রতিটি পণ্যের pageয় specification table ও ছোট একটি FAQ রাখুন।
9. শীর্ষ ক্যাটেগরিগুলোর জন্য তিনটি comparison বা "কার জন্য সেরা" page লিখুন, সৎ ভালো-মন্দসহ।
10. referral tracking চালু করুন, আর মাসে একবার দেখুন assistantরা আপনার সম্পর্কে কী বলছে।

শুধু এক থেকে পাঁচ নম্বর ধাপ করলেও আপনি অনেক দোকানের আগে থাকবেন, কারণ বাকি সব ধাপ যে dataর ওপর দাঁড়িয়ে, এই পাঁচটিতে সেটাই ঠিক হয়।

এরপর কোথায়

আবার সেই দোকানির ১২৯ dollarের জ্যাকেটে ফিরি। পণ্যের রেকর্ডকে page, markup ও feedের একমাত্র উৎস বানানোর পর পুরোনো ১৫৯ dollarের সারিটি আর রইল না। এক মাস পর একই প্রশ্ন করে দেখলেন, চারটির মধ্যে তাঁর জ্যাকেট তৃতীয়, সঠিক দামে, returnের সময়সীমাসহ। জ্যাকেট বদলায়নি, বদলেছে শুধু data। (এটিও একই কাল্পনিক দৃশ্যের অংশ।)

সুপারিশে নাম আসা কাজের অর্ধেক মাত্র। assistant যখন ক্রেতাকে আপনার কাছে পাঠায়, কিংবা নিজেই কেনাটা শেষ করতে চায়, তখন checkout ও payment মানুষের মতো agentের জন্যও কাজ করতে হবে। তৃতীয় পর্বে সেটাই: agent কীভাবে payment করে, কী কী সুরক্ষা-সীমা আছে, আর জালিয়াতি ও refund কীভাবে সামলাবেন।

মূল কথা

• assistant সেই পণ্যের নামই বলে, যা সে যাচাই করতে পারে। তথ্য না থাকলে বা পরস্পরবিরোধী হলে rank নামে না, পণ্যটাই বাদ পড়ে।
• GEO বেশির ভাগই ভালো SEO আর ভালো পণ্যের data। Google বলছে, তাদের AI featureের জন্য বিশেষ কোনো ফাইল বা markup লাগে না।
• ভিত্তি হলো identifier, schema.org markup, দাম ও stockের একটাই উৎস আর নির্দিষ্ট policy।
• Google, ChatGPT, Perplexity ও Copilot-এর প্রত্যেকের product feed নেওয়ার পথ আছে, আর Google-ধাঁচের স্পেকই সাধারণ ফরম্যাট। আবেদনের আগে বর্তমান শর্ত দেখে নিন।
• llms.txt একটি প্রস্তাব, আর কোনো বড় AI system এটি ব্যবহার করছে বলে নিশ্চিত নয়। দোকানের সময় আগে এখানে খরচ করবেন না।
• referral, orderের উৎস আর assistantরা আপনার সম্পর্কে কী বলছে তার মাসিক পরীক্ষা, এই তিনটি মাপুন।

আনিছুর রহমান একজন সফটওয়্যার আর্কিটেক্ট এবং StoreConsole-এর নির্মাতা। বাড়তে থাকা ব্যবসার জন্য তিনি কমার্স ও ERP সিস্টেম ডিজাইন করেন — বিশেষ মনোযোগ event-driven আর্কিটেকচার, dataর নির্ভুলতা আর নিজের সার্ভারে চালানো সিস্টেমের ওপর।