- [Case Studies](/kategorie/case-studies)
- [E‑commerce tipy](/kategorie/e-commerce-tipy)
- [E‑shopová řešení a platformy](/kategorie/e-shopova-reseni-a-platformy)
- [Mergado Pack](/kategorie/mergado-pack)
- [Mergado tipy](/kategorie/mergado-tipy)
- [Novinky v Mergadu](/kategorie/novinky-v-mergadu)
- [Novinky ze srovnávačů](/kategorie/novinky-ze-srovnavacu)
- [Pracujeme s Mergadem](/kategorie/pracujeme-s-mergadem)
- [Rozhovory](/kategorie/rozhovory)
- [Rozšíření](/kategorie/aplikace)
- [S Mergadem do zahraničí](/kategorie/s-mergadem-do-zahranici)
- [Ze života Mergada](/kategorie/ze-zivota-mergada)
1. [ Úvod ](/)
2. [ Blog ](/blog)
3. [ Case Studies ](/kategorie/case-studies)
4. **Jak připravit produktová data tak, aby dávala smysl pro GPT Shopping?**
# **Jak připravit produktová data tak, aby dávala smysl pro GPT Shopping?**
[  Radim Zhoř ](/blog/radim-zhor) [Case Studies](/kategorie/case-studies)
20. 4. 2026
9 minut čtení
V této případové studii ukazujeme konkrétní postup, jak pracovat s **kontextem, produktovými popisky a dalšími daty** v Mergadu tak, aby je šlo efektivně využít při **generování obsahu pomocí jazykového modelu**.
function tableOfContents() {
return {
headings_menu: [],
heading_active: '', // Added to track the active section
shouldBeSticky: false,
generateToC() {
const headings = document.querySelectorAll('.js-article-full-headings h2, .js-article-full-headings h3');
let headingMap = {};
headings.forEach((heading) => { // Use an arrow function to maintain `this` context
// Normalize heading text to remove diacritics, then replace non-alphanumeric characters with dashes
var normalizedText = heading.textContent.normalize("NFD").replace(/[\u0300-\u036f]/g, ""); // Remove diacritics
var id = heading.id ? heading.id : normalizedText.trim().toLowerCase()
.split(' ').join('-').replace(/[^a-z0-9\-]/ig, ''); // Updated regex to replace non-alphanumeric characters
headingMap[id] = headingMap[id] !== undefined ? ++headingMap[id] : 0;
// Use the updated `id` with diacritics removed for the heading id and the TOC
const finalId = headingMap[id] ? `${id}-${headingMap[id]}` : id;
this.headings_menu.push({
id: finalId,
title: heading.textContent,
level: heading.tagName.toLowerCase(), // Track heading level
active: false, // Initially set active to false
});
heading.id = finalId;
});
},
checkStickyNeeded() {
const ul = this.$el.querySelector('ul');
if (ul) {
this.shouldBeSticky = ul.scrollHeight < window.innerHeight;
}
},
setActiveHeading() {
// disabled not working with active state on click
// add @scroll.window="setActiveHeading()" to the parent div
// const headings = document.querySelectorAll('.js-article-full-headings h2');
// let activeHeading = '';
// let closestHeadingDistance = Infinity;
// headings.forEach((heading) => {
// const rect = heading.getBoundingClientRect();
// const offset = rect.top - window.innerHeight / 2; // Consider heading in the middle of the screen as active
// if (offset < 0 && Math.abs(offset) < closestHeadingDistance) {
// activeHeading = heading.id;
// closestHeadingDistance = Math.abs(offset);
// }
// });
// // Update the active state in headings_menu
// if (activeHeading !== this.heading_active) {
// this.headings_menu = this.headings_menu.map(item => ({
// ...item,
// active: item.id === activeHeading,
// }));
// this.heading_active = activeHeading;
// }
},
setActiveItem(clickedId) {
this.headings_menu.forEach(item => {
item.active = (item.id === clickedId);
});
this.heading_active = clickedId; // Optionally update the heading_active property if used
},
};
}
1. —
## **📌 Úvod: O čem případová studie je**
GPT Shopping klade na produktová data úplně jiné nároky než klasické produktové kampaně. Nestačí mít vyplněný popis produktu. Rozhodující je **kontext, relevance a kvalita dat**, ze kterých jazykový model čerpá.
V této případové studii ukazujeme **konkrétní postup optimalizace produktových popisků a dalších dat pro GPT Shopping**. Popisujeme, jak nad obsahem přemýšlíme v praxi, jaké zdroje informací využíváme a jak je připravujeme tak, aby s nimi šlo efektivně pracovat.
Pracujeme s reálným e‑shopem běžícím na Shoptetu (e‑shop [Dykka](https://dykka.com/)) a s nástrojem Mergado, který slouží jako centrální místo pro přípravu a správu dat. Neřešíme jen samotné produktové popisy, ale i další obsah, který má e‑shop k dispozici, tedy články, popisy kategorií, recenze nebo informace o značkách.
**Základní princip je jednoduchý:**
👉 **kvalitní výstup pro GPT Shopping nevzniká z jednoho textu, ale z dobře připraveného kontextu**.
V dalších kapitolách proto projdeme jednotlivé typy obsahu, jejich přípravu pro produktový feed a způsob, jak je následně využít při generování popisků pomocí jazykového modelu.
## **🗂️ Příprava dat pro kontext**
Pro GPT Shopping nestačí samotný popis produktu. Jazykový model pracuje **s kontextem, který vzniká z různých zdrojů obsahu** napříč e‑shopem.
Proto jsme do optimalizace zapojili více typů informací – **od článků přes popisy kategorií až po recenze nebo informace o značkách**. V následujících kapitolách je projdeme postupně a ukážeme, proč dávají smysl.
## **📝 Články (interní i externí)**
Články patřily mezi **nejdůležitější zdroje kontextu**. Obsahují informace, které se do produktových popisků běžně nedostanou, ale pro GPT Shopping mají vysokou hodnotu.
**Typicky jde o:**
- **způsob použití produktu v praxi**,
- konkrétní **scénáře a situace**,
- hlavní **benefity a rozdíly**,
- informace o tom, **pro koho je produkt určený** (persony).
Ne každý článek je ale relevantní pro celý sortiment. Prvním krokem proto bylo **filtrování a segmentace obsahu**, nejčastěji podle kategorií nebo témat. Smyslem nebylo články kopírovat do feedu, ale **vybrat jen to, co dává smysl pro daný typ produktů**.
Vedle vlastního obsahu e‑shopu jsme zohlednili i **externí články**. Ty se hodí hlavně u produktů, které prodává více e‑shopů, a mohou přinést:
- jiný úhel pohledu,
- srozumitelnější vysvětlení použití,
- nebo doplňující informace, které na e‑shopu chybí.
### **Jak jsme články připravili**
Aby šel obsah článků efektivně použít při generování popisků, bylo potřeba jej nejdřív připravit do vhodné podoby.
Postupovali jsme takto:
- z webu e‑shopu nebo ze **sitemapy** jsme posbírali relevantní URL adresy článků,
Pokud chcete jazykovému modelu posílat jen čistý text bez zbytečných prvků, můžete články stáhnout pomocí rozšíření Mergada [**Scraping Camel**](https://store.mergado.com/detail/scrapingcamel/#about), díky kterému vytáhnete z vlastního webu jen samotný text bez dalšího balastu
- URL adresy článků jsme nahráli do **NotebookLM**,
- pro každou kategorii jsme si nechali vygenerovat **stručné shrnutí relevantního obsahu**,
- výsledná shrnutí jsme uložili **do samostatných Markdown souborů**.
**Proč Markdown?** Markdown je dobře čitelný pro LLM a zároveň s ním umí pracovat rozšíření jako [**Mergado Files**](https://store.mergado.com/detail/files/#about) nebo [**Mergado Contexts**](https://store.mergado.com/detail/mergadocontexts/#about).
### **Jak jsme obsah využili v Mergadu**
Hotová shrnutí jsme:
- nahráli do rozšíření [**Mergado Files**](https://store.mergado.com/detail/files/#about),
- jako alternativu můžete použít i rozšíření [**Mergado Context**](https://store.mergado.com/detail/mergadocontexts/#about)
- zpřístupnili přes **URL adresy**,
- a využívali je **přímo v promptu** při generování popisků.
Tento obsah se **neexportoval do finálního feedu**. Sloužil čistě jako doplňkový kontext pro jazykový model, který měl díky tomu k dispozici správné informace ve správný moment.
## **📋 Popisy kategorií**
Popisy kategorií jsme použili jako **širší kontext nad rámec jednotlivých produktů**. Zatímco produktový popis řeší konkrétní vlastnosti a benefity, popis kategorie pomáhá jazykovému modelu pochopit:
- jaký typ produktů do kategorie patří,
- jaké jsou mezi nimi rozdíly nebo alternativy,
- jaký problém nebo potřebu daná kategorie obecně řeší.
Tyto informace se hodí zejména v situacích, kdy samotný produktový popis nestačí nebo je příliš stručný.
### **Jak jsme popisy kategorií připravili**
Vzhledem k tomu, že e‑shop běží na Shoptetu, využili jsme jako primární zdroj dat **feed kategorií ze Shoptetu**.
Postup byl následující:
- feed kategorií jsme nahráli do **pomocného projektu v Mergadu**,
- v projektu jsme upravili výstup tak, abychom získali:
- název kategorie,
- odpovídající popis kategorie,
- výstup jsme exportovali do **CSV souboru**,
- pomocí pravidla **Import datového souboru** jsme CSV nahráli zpět do produktového feedu,
- popis kategorie jsme ke každému produktu přiřadili pomocí **párovacího elementu s názvem kategorie**.
Takto připravený obsah jsme ukládali do **pomocného elementu**. Ten se nemusel exportovat do finálního feedu, ale sloužil jako další zdroj kontextu, se kterým jsme pracovali přímo v promptu.
## **🛒 Obecné informace o e‑shopu**
Dalším zdrojem kontextu byly **obecné informace o e‑shopu**. Nejde o data vztahující se ke konkrétnímu produktu, ale o rámec, ve kterém se celý sortiment pohybuje.
Tyto informace pomáhají jazykovému modelu lépe pochopit:
- co e‑shop prodává a na co se specializuje,
- kdo je cílová skupina a jaké jsou hlavní persony,
- jaké hodnoty, vize nebo směřování e‑shop má
- a případná specifika sortimentu (např. varianty produktů, specifické typy zboží).
Součástí tohoto kontextu mohou být i obecné informace o dopravě, vrácení zboží nebo dalších pravidlech, pokud jsou relevantní pro výslednou podobu popisků.
### **Jak jsme informace o e‑shopu připravili**
Příprava těchto dat byla oproti jiným zdrojům relativně jednoduchá.
Postupovali jsme takto:
- pomocí jazykového modelu (např. ChatGPT) jsme si nechali připravit **obecný popis e‑shopu**,
- jako vstup jsme zadali název e‑shopu a jeho URL adresu,
- výsledný text jsme uložili do **Markdown souboru**,
- soubor jsme zpřístupnili přes [**Mergado Files**](https://store.mergado.com/detail/files/#about).
Stejně jako u článků se tento obsah **neukládal ke každému produktu zvlášť**. Sloužil jako **globální kontext**, který jsme do promptu přidávali jen tam, kde to dávalo smysl.
## **⭐ Recenze produktů**
[  ](https://www.mergado.cz/sites/default/files/perm/image/recenze_casestudy_gptshopping.jpg)
Recenze produktů patřily mezi **nejcennější zdroje informací**, ale zároveň představovaly **největší výzvu z pohledu přípravy dat**. Na rozdíl od článků nebo popisů kategorií totiž nejsou přirozeně strukturované pro práci na úrovni produktu.
Jejich hlavní přínos je ale jasný:
- obsahují **reálné zkušenosti zákazníků**,
- popisují **praktické použití v běžném životě**,
- upozorňují na **detaily, na které si dát pozor**,
- a často odpovídají na otázky, které se běžně objevují v Q&A.
Právě proto jsou recenze velmi silným zdrojem kontextu pro GPT Shopping.
### **Hlavní výzva: jedna recenze ≠ jeden produkt**
Recenze jsou typicky vedené tak, že:
- každá recenze je samostatná položka,
- jeden produkt se v datech objevuje opakovaně,
- data nejsou připravená na úrovni produktu, ale jednotlivých hodnocení.
Pro naše potřeby jsme ale potřebovali dostat **všechny recenze týkající se jednoho produktu k danému produktu ve feedu**. To znamenalo recenze deduplikovat, sloučit a doplnit o souhrnné metriky.
### **Jak jsme recenze připravili**
Zvolili jsme cestu **úpravy dat mimo Mergado a jejich následný import**.
Postup byl následující:
- recenze jsme stáhli z administrace Shoptetu do **CSV souboru**,
- data jsme otevřeli v **Google Sheets**,
- pomocí funkcí:
- UNIQUE jsme recenze **deduplikovali**,
- TEXTJOIN jsme **sloučili texty recenzí ke konkrétnímu produktu**,
- zároveň jsme zpracovali i číselné hodnoty:
- jednotlivá hodnocení,
- průměrné hodnocení,
- počet recenzí,
- výslednou tabulku jsme zveřejnili jako **CSV**,
- pomocí pravidla **Import datového souboru** jsme data nahráli zpět do produktového feedu,
- recenze a hodnocení jsme ukládali do **pomocných elementů** (např. product\_reviews, product\_rating).
Tyto elementy pak sloužily jako další vstup pro prompt při generování popisků.
### **Alternativní postup**
Vyzkoušeli jsme i alternativní řešení založené na **recenzních feedech** z Google nebo Heureky.
Postup byl složitější:
- vytvořili jsme **dva pomocné projekty v Mergadu**,
- data jsme převedli do **Shoptet dodavatelského XML formátu**,
- využili jsme **slučování variant**, aby se produkt vyskytoval pouze jednou,
- recenze zůstaly zachované jako varianty,
- následně jsme data převedli do CSV a importovali do produktového feedu.
Tento postup je funkční, ale náročnější na nastavení a údržbu.
## **🏷️ Popisy značek**
Popisy značek jsme využili jako **doplňkový zdroj kontextu**, který pomáhá jazykovému modelu lépe pochopit, **kdo za produktem stojí** a v jakém rámci se pohybuje.
Jejich přínos je především v tom, že:
- doplňují informace o výrobci,
- naznačují specializaci nebo zaměření značky,
- mohou přidat kontext k hodnotám nebo kvalitě produktů.
Nejde o klíčový zdroj pro každý produkt, ale v kombinaci s dalšími daty pomáhá dotvořit celkový obrázek.
### **Jak jsme popisy značek připravili**
Využili jsme toho, že Shoptet umožňuje **export značek do CSV**.
Postup byl následující:
- export značek jsme nahráli do **jednoduchého projektu v Mergadu**,
- v projektu jsme upravili strukturu dat tak, abychom získali:
- název značky jako párovací prvek,
- popis značky jako hodnotu,
- výsledné CSV jsme pomocí pravidla **Import datového souboru** nahráli do produktového feedu,
- popisy značek jsme k produktům přiřadili **podle názvu značky**.
Stejně jako u ostatních zdrojů jsme tento obsah ukládali do **pomocných elementů**. Ty sloužily jako další vstupní data pro prompt, nikoli jako obsah určený přímo do výstupního feedu.
## **🤖 Optimalizace produktových popisků pomocí GPT**
[  ](https://www.mergado.cz/sites/default/files/perm/image/casestudy_gptshopping.png)
Jakmile jsme měli všechny zdroje obsahu připravené – ať už uložené v Markdown souborech přes [Mergado Files](https://store.mergado.com/detail/files/#about) nebo importované do produktového feedu jako pomocné elementy – přišla na řadu samotná **optimalizace produktových popisků pomocí jazykového modelu**.
Cílem už nebylo data jen shromáždit, ale **aktivně je využít při generování obsahu**, který je:
- kontextově bohatší,
- relevantnější pro GPT Shopping
- a zároveň konzistentní napříč celým sortimentem.
Pro tuto část jsme využili rozšíření [**Mergado Sources**](https://store.mergado.com/detail/clickinggoat/), které umožňuje pracovat s GPT modely přímo nad daty v Mergadu.
### **Použitý nástroj a jeho role**
Rozšíření [**Mergado Sources**](https://store.mergado.com/detail/clickinggoat/#about) slouží jako propojení mezi daty v Mergadu a jazykovým modelem. Umožňuje:
- definovat, **z jakých elementů a zdrojů má model čerpat**,
- pracovat s výběry produktů,
- zapisovat výstupy přímo zpět do feedu.
Díky tomu je možné generování popisků automatizovat a řídit ho pomocí stejných principů, jaké se v Mergadu používají i pro jiné úpravy dat.
### **Postup krok za krokem**
Samotný proces optimalizace jsme rozdělili do několika jasných kroků. Díky tomu šel celý postup dobře testovat, ladit a postupně škálovat.
Postupovali jsme takto:
1. **Aktivovali jsme rozšíření Mergado Sources**
Rozšíření jsme propojili s OpenAI pomocí API tokenu získaného z účtu na [platform.openai.com](http://platform.openai.com).
2. **Vytvořili jsme nový element**
Na stránce *Elementy* jsme vytvořili nový element, do kterého se měl zapisovat výstup z jazykového modelu.
3. **Zvolili jsme zdroj dat**
Jako zdroj jsme vybrali OpenAI a přiřadili výběr produktů, nad kterými se měl obsah generovat.
4. **Zvolili jsme výběr produktů**
👉 **Tip**: Doporučujeme začít na malém vzorku produktů, ideálně na jednom produktu. Testování je rychlejší a zbytečně se nevyčerpávají tokeny.
5. **Zadali jsme prompt**
Prompt jsme zadávali ručně a snažili se být co nejkonkrétnější:
- jaký je cíl výstupu,
- jak má výsledný popis vypadat,
- jakou má mít strukturu,
- z jakých zdrojů má model čerpat.
[  ](https://www.mergado.cz/sites/default/files/perm/image/screenshot_prompt_gpt-shopping.png)
6. **Pomocí proměnných jsme do promptu zapojili:**
- popisy kategorií,
- popisy značek,
- recenze produktů,
- obecné informace o e‑shopu,
- případně odkazy na Markdown soubory z [Mergado Files](https://store.mergado.com/detail/files/).
**Celé znění použitého promptu najdete tady** 👇
[Kompletní prompt](https://drive.google.com/file/d/1Lmg1vOjrlPILReXCcvyiUXI0LB6QNeJy/view)
7. **Nastavili jsme parametry modelu**
- míru kreativity (*temperature*) jsme ponechali na hodnotě 0,5,
- testovali jsme různé modely (např. GPT‑5, GPT‑5 Mini, GPT‑5 Nano).
👉 Konkrétní model doporučujeme vždy **otestovat – výsledky se mohou lišit podle typu sortimentu**.
8. **Zvolili jsme cílový element**
Výstup jsme zapisovali buď:
- do nového elementu,
- nebo přímo do existujícího elementu (např. pole *Description* v GPT Shopping feedu).
9. **Otestovali jsme ukázkový výstup**
Rozšíření umožňuje vygenerovat **náhled výstupu pro náhodný produkt**, což je velmi užitečné při ladění promptu.
10. **Aplikovali jsme pravidla**
Je potřeba počítat s tím, že pravidla se aplikují dvakrát,
1. poprvé se data odešlou do OpenAI API,
2. podruhé se vrácený výstup zapíše do cílového elementu.
👉 Mezi oběma kroky je vhodné nechat **časovou rezervu**, protože zpracování může trvat i desítky minut v závislosti na množství dat.
### **Kontrola výsledků a další možnosti**
Po vygenerování popisků jsme:
- kontrolovali výsledný obsah u produktů,
- dál ladili samotný prompt,
- ověřovali konzistenci napříč sortimentem.
Stejný přístup je možné použít i pro **optimalizaci produktových názvů**. Zdroje dat už jsou připravené, takže postup je velmi podobný jako u popisků.
## **🏁 Závěr**
V této případové studii jsme ukázali, **jak lze pomocí Mergada systematicky optimalizovat produktové popisky a další data pro GPT Shopping**. Nešlo jen o samotné generování textů, ale především o práci s kontextem a relevancí. Tedy o to, **jaká data jazykovému modelu předáme a v jaké podobě**.
Popsaný postup je sice založený na konkrétním e‑shopu a konkrétním technickém řešení, ale je **dostatečně univerzální**, aby šel aplikovat i na jiné projekty. Klíčové je pochopit logiku:
- vybrat relevantní zdroje obsahu,
- připravit je do strukturované podoby,
- cíleně je využít při práci s jazykovým modelem.
Pokud se rozhodnete tento přístup vyzkoušet i u svého e‑shopu, doporučujeme začít postupně. Testovat na menším vzorku produktů, ladit prompt a až poté řešení škálovat na celý sortiment.
Budeme rádi, když se s námi podělíte o své zkušenosti – jak se vám postup osvědčil, zda přinesl očekávané výsledky a případně jaké další zjednodušení nebo vylepšení jste při práci objevili. Držíme palce. 💪
- [ ChatGPT Shopping ](/tema/chatgpt-shopping)
[  ](/blog/radim-zhor)### [ Radim Zhoř ](/blog/radim-zhor)
- Má několikaleté zkušenosti v oblasti e‑commerce.
- V Mergadu pracuje jako Business Development Specialist.
## Mohlo by vás *zajímat*
[ 
### Jak optimalizace feedu zvýšila výkon Meta Ads bez navýšení rozpočtu
](/blog/optimalizace-feedu-pro-Meta-Ads)
[ 
### Reálný dopad vizuální úpravy produktových obrázků na výkon Meta kampaní
](/blog/vizualy-pro-meta-kampane)
[ 
### Jak jsme s Mergadem převedli e‑shop ze Shoptetu na Shopify: kompletní migrace bez ztráty dat
](/blog/jak-jsme-s-mergadem-prevedli-e-shop-ze-shoptetu-na-shopify-kompletni-migrace-bez-ztraty-dat)
## Ať vám *nic neunikne*
Přihlašte se do našeho newsletteru
Přihlášením souhlasíte, že vaše údaje zpracujeme v souladu s podmínkami o [ochraně osobních údajů](/prohlaseni-o-cookies).
Děkujeme, úspěšně jste se připojili k našemu seznamu odběratelů.
function ml_webform_success_5807248() {
var r = ml_jQuery || jQuery
r('.ml-subscribe-form-5807248 .row-success').show(), r('.ml-subscribe-form-5807248 .row-form').hide()
}