Навчили AI розрізняти вишиванки і отримали +196% конверсії: кейс Promodo для Etnodim

Людині достатньо поглянути на вишиванку, щоб помітити її колір, орнамент, тканину чи стилістику. Для Google Shopping усе складніше: алгоритм знає про товар лише те, що отримує з товарного фіду.

Для Etnodim це стало точкою росту. Український бренд сучасного вишитого одягу та аксесуарів уже активно використовував Google Shopping, але значна частина трафіку припадала на брендові запити — тобто рекламу бачили переважно ті, хто вже знав Etnodim.

Водночас залишалася велика аудиторія потенційних покупців, які шукали не бренд, а конкретний товар: наприклад, лляну вишиванку, сорочку певного кольору чи виріб із гуцульською або полтавською вишивкою.

Разом із Promodo бренд поставив задачу збільшити частку показів за такими небрендовими категорійними запитами, залучити більше нових користувачів і водночас скоротити ресурс команди на підготовку товарного фіду.

В чому був виклик?

Ефективність Google Shopping напряму залежить від того, наскільки повно описаний товар. Що більше релевантних даних отримує алгоритм, то краще він може співвіднести пропозицію із запитом користувача.

Але з вишитим одягом є нюанс.

Його складно описати лише стандартними характеристиками на кшталт розміру, кольору чи матеріалу. Людина може шукати «гуцульську вишиванку з геометричним орнаментом» або виріб із конкретною стилістикою вишивки. І якщо таких характеристик немає у фіді, Google просто не має достатньо інформації, щоб зрозуміти, чи підходить цей товар під запит.

Команда Promodo проаналізувала пошукові патерни й визначила атрибути, які мають значення для покупців вишитого одягу: регіон вишивки, матеріал, колір, тип виробу та інші характеристики.

Проблема полягала в тому, що більшість товарних карток не містили всього набору цих даних. Переписувати вручну тисячі позицій — довго й ресурсозатратно. Тому виникла інша ідея: навчити AI самостійно доповнювати інформацію про товар.

Спойлер: автоматизація роботи з товарним фідом дозволила команді витрачати значно менше часу на оптимізацію каталогу.

Яке рішення знайшли?

Для цього ми використали FeedGen — open-source інструмент на базі Google Cloud Vertex AI — та адаптували його під специфіку Etnodim.

Завдання було не просто в тому, щоб за допомогою AI переписати назви й описи. Модель мала зрозуміти, як люди насправді шукають вишитий одяг, і відповідно збагатити товарний фід.

Як ми адаптували FeedGen до специфіки Etnodim

1. Визначили атрибути, за якими цільова аудиторія шукає вишитий одяг.
2. Описали мовній моделі логіку побудови поточних заголовків (який атрибут позначає кожне слово або словосполучення в заголовках). Це забезпечило коректну інтерпретацію даних і стало основою для генерації нових варіантів заголовків.

3. Увімкнули функцію ШІ-аналізу зображень, щоб додати до фіду важливі атрибути — наприклад, color.

4. Сформували для мовної моделі найважливіші атрибути (product attribute keys), які вона може використовувати для генерації нових заголовків та описів.

5. Сформували два шаблони генерації заголовків таким чином, щоб вони містили всі необхідні атрибути для підвищення якості, спираючись на структуру пошукових запитів. 

Творчість (не) вітається

З генеративним AI є ще одна проблема: якщо дати йому забагато свободи, він легко може перейти від точного опису товару до чогось на кшталт «магічна тканина, що змінить ваш світ».

Для рекламного фіду це точно зайве.

Тому команда додатково налаштувала систему скорингу, яка відфільтровувала надто креативні та нерелевантні генерації.

У результаті AI мав досить чітку роль: проаналізувати наявні дані й зображення, знайти важливі характеристики товару та допомогти сформувати точніші заголовки й описи.

Так з'явився оновлений товарний фід — зрозуміліший і користувачам, і алгоритмам Google.

Що змінилося

Після оптимізації Google отримав більше контексту про товари Etnodim і почав точніше співвідносити їх із небрендовими пошуковими запитами.

Релевантні позиції стали частіше потрапляти у пошукові сценарії користувачів, які ще не знали бренд, але вже шукали конкретний тип вишитого одягу.

В результаті вдалося суттєво розширити частку показів за категорійними небрендовими запитами та підвищити ефективність Google Shopping. Причому основним драйвером росту стало не збільшення рекламного бюджету, а якісніше наповнення товарного фіду.

Що більше релевантних характеристик отримував Google, то краще розумів, який товар і за яким запитом варто показати користувачеві.

Цей проєкт став першим застосуванням FeedGen в українському fashion eCommerce. А кейс Etnodim та Promodo отримав три нагороди MIXX Awards 2026: два срібла — у номінаціях «Найкраще використання технологій» та «AdTech-кампанія» — і бронзу за інноваційне рішення.

Хочете так само ефективно оптимізувати роботу з фідами? Напишіть нам!