অনলাইন দোকানের GEO: পণ্য খুঁজে পাওয়া ও সঠিকভাবে Recommend করা সহজ করুন

Jacket-এর page-এ দাম 129, feed-এ এখনও 159। বেছে নেওয়া size এক জায়গায় available, অন্য জায়গায় sold out। ধরুন, দোকানমালিক assistant-কে waterproof jacket চেয়ে নিজেরটি পেলেন না। তিনি সত্যিকারের data problem পেয়েছেন; কিন্তু assistant কেন বাদ দিয়েছে, তার প্রমাণ পাননি। প্রথম পর্বের একই কাল্পনিক outdoor shop এটি, customer success story নয়।

পার্থক্যটি গুরুত্বপূর্ণ। Conflicting offer ঠিক করা উপকারী, পরের উত্তরেও অন্য jacket recommend হলেও। মেরামতটি আপনি যাচাই করতে পারেন; নিজের নিয়ন্ত্রণের বাইরে থাকা উত্তরে জায়গা নিশ্চিত করতে পারেন না।

Generative engine optimization বা GEO বলতে AI-generated উত্তরে discovery ও representation উন্নত করার কাজ বোঝানো হয়। দোকানের ব্যবহারিক কাজটি পরিচিত: উপকারী product information সহজলভ্য, consistent ও বিশ্বাসযোগ্য করা; তারপর কী হয় দেখা। সব assistant, search result ও shopping card মিলে এক ranking system নয়।

SEO রাখুন, প্রশ্নটি আরও কাজে লাগান

Search visibility কখনও শুধু একটি keyword-এ position ছিল না। ক্রেতা ছবি, review, comparison, merchant listing বা assistant-এর ব্যাখ্যা থেকে product পেতে পারেন। “Recommendation বাধ্য করব কীভাবে?”-এর বদলে জিজ্ঞাসা করুন: “Product বুঝে, offer যাচাই করে, নিজের প্রয়োজনের সঙ্গে মেলে কি না কেউ সিদ্ধান্ত নিতে পারছেন?”

Google-এর AI features guide বলছে সাধারণ Search eligibility প্রযোজ্য; বিশেষ AI markup বা file লাগে না। Eligible হওয়া মানেই inclusion নিশ্চিত নয়। এটি Google-এর নিয়ম, সব assistant-এর নয়।

সব assistant-এর জন্য প্রকাশ্য কোনও universal four-stage pipeline নেই, যেখানে একটি field না থাকলেই দোকান বাদ যায়। অসম্পূর্ণ বা conflicting data offer ও channel eligibility নষ্ট করতে পারে। কিন্তু এক উত্তরে অনুপস্থিতি দিয়ে কারণ জানা যায় না। Cure কেনার আগে প্রকৃত failure লিখুন।

Jacket-এর প্রকাশিত Copy-গুলি মিলিয়ে ঠিক করুন

আগে নির্দিষ্ট variant, market ও currency বাছুন। অন্য size-এর minimum “from” price নির্বাচিত variant-এর দাম নয়। Promotion-এর শর্ত, destination-dependent charge ও observation time দেখুন। Visible page, structured data, submitted feed, platform-processed result ও checkout মিলিয়ে দেখুন। Upload সফল মানেই নতুন version দেখা যাচ্ছে না।

Source record-এর owner ও update history রাখুন। সেখান থেকে downstream representation তৈরি করুন, তবে mapping bug, delayed job ও rejected row দেখুন। Shared origin manual drift কমায়; সব copy instant বা নির্ভুল করে না। Launch ছাড়াও দাম বা stock বদলের পরে sample মেলান।

Stable internal variant ID এবং প্রযোজ্য genuine assigned external identifier দিন। Form পূরণ করতে GTIN বা manufacturer number বানাবেন না। প্রকৃত ছবি ও প্রমাণসমর্থিত specification রাখুন। সীমাবদ্ধতাও লিখুন: water resistance, fit ও care সঠিক হলে তবেই উপকারী।

ক্রেতার পড়ার মতো উত্তর দিন

বাস্তব প্রশ্ন নিয়ে একটি উপকারী category comparison লিখুন: যেমন হালকা বৃষ্টিতে commute বনাম খোলা পথে দীর্ঘ hike। কোন jacket কোথায় উপযুক্ত নয়, কোন measurement তুলনার ভিত্তি, আর evidence supplier specification, independent test নাকি নিজের documented test—বলুন। Supplier claim-কে নিজে না-করা test হিসেবে লিখবেন না।

Unit-সহ ছোট specification table, পরিষ্কার photograph, sizing guide, delivery condition ও readable return policy সিদ্ধান্ত নিতে সাহায্য করে। গুরুত্বপূর্ণ তথ্য image-এর পাশাপাশি accessible text-এ রাখুন। FAQ ক্রেতার প্রকৃত সংশয় মেটাবে; সব search phrase পুনরাবৃত্তি করবে না।

Google-এর product structured-data documentation product snippet ও merchant listing আলাদা করে। প্রযোজ্য requirement বেছে output validate করুন; markup rich result বা AI recommendation নিশ্চিত করে না।

Visible claim ও structured value মেলান। নিজের কাছে থাকা genuine review ও qualifying rating-ই markup করুন। কেনা প্রশংসা, invented expert বা নতুন কিছু না-বলা mass comparison page এড়িয়ে চলুন। Material সত্যিই review করলে তবেই review date বদলান।

Private Data না খুলে Access পরীক্ষা করুন

Technical owner-কে rendered page, canonical address, intended locale, indexing control, crawl error ও CDN challenge দেখতে বলুন। Logged-in browser-এ চলা page intended discovery route-এ নাও খুলতে পারে। Sitemap discovery aid, indexing বা recommendation guarantee নয়।

OpenAI আলাদা control জানায় OAI-SearchBot search crawling ও GPTBot training crawling-এর জন্য। Search allow করতে training allow জরুরি নয়। সব automated visitor-এর protection বন্ধ না করে নির্দিষ্ট crawler যাচাই করুন।

Catalogue discovery-কে account, invoice ও order access থেকে আলাদা রাখুন। robots.txt authentication নয়। “AI-readable” করতে private data প্রকাশ বা customer permission দুর্বল করবেন না। Request-এ bot name identity proof নয়।

Feed ও llms.txt: Destination যা সমর্থন করে, সেটিই করুন

Feed একটি channel contract, universal file নয়। প্রতিটি destination-এর current eligibility, required/conditional field, accepted format, variant rule ও update status দেখুন। Governed product record reuse করুন, mapping validate করে। অপরিবর্তিত একটি export দিয়েই Google, ChatGPT, Perplexity ও Copilot-এ enrolment হবে ধরে নেবেন না।

llms.txt project এখনও proposal; August 2026-এ revised হয়েছে। কিছু agent/documentation workflow এ ধরনের file ব্যবহার করে। সেটি search inclusion-এর নিশ্চয়তা থেকে আলাদা।

Google-এর বর্তমান optimization guide বলছে Search visibility ও ranking-এর জন্য llms.txt উপেক্ষিত। অন্য documented workflow চাইলে সে উদ্দেশ্যে maintain করুন; এতে stale price ঠিক হয় না।

ক্রেতার ভুল তথ্য ও destination-এর প্রকৃত requirement আগে ঠিক করুন। Format conversion, “AI-ready” badge বা file একা recommendation quality certify করতে পারে না। প্রথম পর্বে পরিবর্তনশীল programme আছে; discovery আর কেনার অনুমতি আলাদা রাখুন।

Accuracy, Visibility, Visit ও Order আলাদা মাপুন

কোন observation-এর মানে কী, নিচের table দিয়ে আলাদা করুন। Platform report নিজস্ব definition ও supported surface মাপে; সমগ্র AI market নয়।

Google-এর Generative AI performance report এখন Search AI impression দেখায়; 31 August 2026 থেকে worldwide rollout বলা আছে। Impression কম হলে report নাও দেখা যেতে পারে। নিজস্ব counting rule দেখুন।

Bing-এর AI Performance update supported Microsoft ও partner experience-এর citation মাপে। Citation Share observational; ranking, traffic share বা quality score নয়।

পুনরাবৃত্তিযোগ্য ছোট শিক্ষামূলক উদাহরণ: একই নির্দিষ্ট assistant, দেশ ও ভাষায় 20টি buyer question প্রতিটি তিনবার করুন; মোট 60 response। 12টিতে product-এর explicit recommendation থাকলে sampled response-এর 20%। এটি 20% market share নয়; run-গুলি independent নাও হতে পারে। Date, দৃশ্যমান model/mode, account context, citation, price accuracy, mention না recommendation—লিখুন।

মাঝপথে prompt set বদলে improvement বলবেন না। একই রকম period মিলিয়ে promotion, stock change ও platform change লিখুন। Analytics-এ unknown source রাখুন, transaction deduplicate করুন, crawler ও human visit আলাদা করুন; consent ও retention requirement মানুন। Optional “কোথায় শুনেছেন?” context দেয়, precise attribution নয়।

Citation click নয়; click accepted order নয়; accepted order settled revenue নয়। Acquisition, support ও return-এর পরে contribution দেখুন। Incremental-sales claim চাইলে উপযুক্ত controlled test করুন। Before/after screenshot দিয়ে causation আলাদা করা যায় না।

Observation	যা বোঝায়	যা প্রমাণ করে না
Feed accepted	ওই processing step-এ data pass করেছে	সব shopper সর্বশেষ offer দেখছেন
Sample-এ সঠিক Offer	ওই সময়ে checked variant মেলেছে	পুরো catalogue সবসময় ঠিক
Citation বা Recommendation	Report বা observed answer product/page ব্যবহার করেছে	Visit, sale বা universal ranking
Attributed accepted order	উপলব্ধ source signal-এর সঙ্গে order যুক্ত	Settlement বা incremental profit

দেখাতে পারবেন এমন Repair দিয়ে শেষ করুন

Jacket-এর প্রথম milestone ছোট: selected variant-এর বর্তমান দাম ও availability checked surface-এ মেলে, পরের update প্রত্যাশামতো পৌঁছায় এবং checkout offer revalidate করে। বাকি platform lag ও error লিখুন। তারপর product explanation উন্নত করে একই observation set আবার চালান।

হয়তো ভালো page cite হবে, অন্য product প্রশ্নটির জন্য বেশি মানানসই হবে, অথবা সিদ্ধান্তের মতো data মিলবে না। তিনটিই guaranteed-ranking প্রতিশ্রুতির চেয়ে কাজে লাগে। পরের পর্বে recommendation থেকে অনুমোদিত ও reconcile করা যায় এমন purchase দেখব।

AI shopping series-এর দ্বিতীয় পর্ব: merchant-এর purchase route → এই discovery guide → checkout ও delegated payment।

পর্যালোচনা: ৫ নভেম্বর ২০২৬। Anichur Rahaman StoreConsole-এর নির্মাতা। দোকান ও prompt experiment শিক্ষামূলক উদাহরণ, মাপা client result নয়।