Як ми для Etnodim навчили AI розрізняти вишиванки

Кейс здобув три нагороди на MIXX Awards 2026: два срібла — у номінаціях «Найкраще використання технологій» та «AdTech-кампанія», а також бронзу — за інноваційне рішення.

Вхідні дані

Одним із ключових каналів просування Etnodim є Google Shopping, ефективність якого напряму залежить від якості та повноти товарного фіду. 

‍

Виклик полягав у тому, що значна частка трафіку концентрувалась на брендових запитах. Google Shopping добре працював із користувачами, які вже знали бренд. Однак компанія втрачала потенційних покупців, які шукали товари за категорійними запитами — матеріалом, типом виробу, регіоном вишивки чи кольором.

Спойлер

Автоматизація роботи з товарним фідом дозволила команді витрачати значно менше часу на оптимізацію каталогу.

Рішення

Ми проаналізували пошукові патерни та виявили ключові атрибути, за якими покупці знаходять вишитий одяг: регіон вишивки (лемківська, полтавська, гуцульська), матеріал (льон, бавовна), колір та тип виробу. Але більшість карток товарів не мали повного набору цих атрибутів. 

‍

Через це Google отримував недостатньо інформації про товари та рідше показував їх за релевантними небрендовими запитами.

Розширення можливостей стандартного фіду

Вишитий одяг відрізняється від повсякденного, тому його не можна класифікувати лише за загальноприйнятими характеристиками (розміром, кольором, тканиною тощо).

‍

Користувач, який шукає «гуцульську вишиванку з геометричним орнаментом», знає, чого хоче. Однак стандартні алгоритми Google Shopping не враховують ці особливості. Тому навіть релевантні товари можуть не потрапляти до відповідних пошукових сценаріїв.

Ідея: «навчити» алгоритми розуміти культурну та візуальну специфіку українського одягу. Але як це зробити, не переписуючи вручну тисячі карток?

Ми використали штучний інтелект, щоб поєднати стандартизовані дані товарного фіду з реальною логікою пошуку користувачів. ШІ також аналізував зображення товарів, щоб доповнити фід новими атрибутами та згенерувати більш релевантні заголовки й описи.

Як ми «навчали» алгоритм

Для реалізації рішення ми підключили FeedGen — open-source інструмент на базі Google Cloud Vertex AI. Інструмент налаштували так, щоб він не просто генерував нові заголовки й описи, а створював їх відповідно до реальної логіки пошуку користувачів.

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.

Gender | Material | Product Type | Product Detail

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.

Gender | Product Type | Material | Color | Pattern | Style | Brand

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

Material | Gender | Product Type | Color | Name | Brand
Product Type | Gender | Color | Name | Brand

Для генерації описів мовна модель використовувала product attribute keys, вихідний текст опису, а також ШІ-аналіз зображень.*

‍

*Ми свідомо обмежили «творчість» моделі: система скорингу відфільтровувала генерації на кшталт «магічна тканина, що змінить ваш світ».

‍

У результаті ми отримали оновлений товарний фід, який значно точніше описував товари як для користувачів, так і для алгоритмів Google.

Як це працює

Це перше застосування FeedGen в українському fashion eCommerce. Ми адаптували інструмент під специфіку локального ринку та товарної категорії з глибоким культурним контекстом, що дозволило підвищити точність і релевантність товарних фідів. 

‍

На відміну від класичного збагачення фіду, інструмент генерував нові атрибути на основі аналізу зображень товарів, а не лише використовував уже наявні дані.

Більш інформативні заголовки й описи допомогли Google краще розуміти товари. Завдяки цьому релевантні товари почали частіше з'являтися за небрендовими запитами та точніше відповідати пошуковим намірам користувачів.

Результати

Оптимізація товарного фіду допомогла суттєво розширити частку показів за категорійними небрендовими запитами  та підвищити ефективність Google Shopping.

Найбільший приріст забезпечило не збільшення рекламного бюджету, а якісніше наповнення товарного фіду. Що більше релевантних атрибутів товару отримував Google, то точніше алгоритм знаходив аудиторію з високим комерційним наміром і розумів специфіку українського вишитого одягу.