Day 50. PDP·스키마·상품 피드의 정보를 맞추기

콘텐츠가 정확해도 PDP 가격, Product 스키마, 상품 피드가 서로 다르면 어느 정보가 최신인지 알 수 없습니다.

실무자가 알아야 할 이론적 배경

상품 데이터 일관성은 PDP·markup·feed를 하나의 시스템으로 봅니다

개념. 상품 데이터 일관성은 상품명, 식별자, 가격, 통화, 재고, variant가 고객 화면과 기계 데이터·판매 feed에서 동일한 상태입니다.

작동 원리. 각 채널이 다른 데이터 원본과 갱신 주기를 쓰면 지연과 mapping 오류가 발생합니다. 필드별 owner와 배포 경로를 알아야 원인을 고칠 수 있어요.

왜 중요한가. 불일치는 잘못된 가격 표시와 재고 오류, 광고·상품 listing 문제로 이어질 수 있습니다. 정합성 자체가 노출이나 판매를 보장하지는 않습니다.

오늘의 실무 해석. 대표 SKU와 variant 하나를 PDP·Product/Offer·Merchant feed에서 대조하고 차이마다 원본·owner·갱신 주기를 적습니다.

이 설명의 근거: Google Merchant listing 가이드 · 정본 근거 ID: D-03 · D-04

실제 사례에서는 어떻게 보였을까요?

Shopify · AI referral과 주문을 함께 봤어요

수치가 공개된 사례. Shopify가 2026년 1분기 자사 플랫폼에서 식별된 AI 챗봇 유입과 주문 행동을 분석했습니다.

공개된 관찰. AI 챗봇 유입 세션과 주문이 전년 대비 증가했고, 상품 상세에서 시작한 세션의 전환율과 객단가가 오가닉 검색보다 높았다고 발표했습니다.

그대로 일반화하면 안 되는 이유. Shopify 자체 데이터이며 Google AI Overviews 같은 일부 경로는 오가닉으로 분류될 수 있다고 직접 명시했습니다. referral은 AI 접점 전체가 아닙니다.

출처: Shopify Enterprise · AI Search Insights · 자료 성격: 🔴 플랫폼 자체 데이터

카페24 · AI 유입 고객은 상세페이지로 바로 들어왔어요

수치가 공개된 사례. 카페24 기반 D2C 쇼핑몰의 2026년 2분기 AI 경유 방문과 구매 행동을 집계한 국내 커머스 자료입니다.

공개된 관찰. AI 경유 방문은 전년 동기 대비 72% 증가했고, 57.4%는 메인을 거치지 않고 상세페이지로 직접 진입했습니다. 공개 자료상 구매 전환율은 0.50%에서 0.85%로 관찰됐습니다.

그대로 일반화하면 안 되는 이유. 카페24 플랫폼 집계이며 브랜드 구성, 귀속 방식, 동시 변수를 통제한 실험이 아닙니다. 우리 브랜드의 예상 성장률로 사용할 수 없습니다.

출처: 전자신문 · 카페24 AI 쇼핑몰 유입 분석 · 자료 성격: 🔵 플랫폼 1차 데이터·언론 보도

오늘 이 사례에서 가져갈 판단 기준. 상품 데이터 정합성을 AI 추천 팁이 아니라 가격·재고·전환 오류를 줄이는 운영 기반으로 봅니다.

오늘의 근거를 2분만 같이 볼게요

근거 한 줄. PDP, Product·Offer, Merchant feed의 상품명·가격·통화·재고·variant가 같아야 합니다.

여기까지가 근거예요. 데이터 일치가 상품 노출·판매 적격성·AI 추천을 보장하지는 않습니다.

글로벌 사례	국내 사례
Shopify — PDP·JSON-LD·feed의 variant 대조	카페24 — 상품 화면·관리자·연동 feed의 값 대조

오늘 우리 사이트에 적용할 한 가지. 대표 SKU 하나를 세 원본에서 대조하고 불일치 owner를 지정합니다.

출처: Google Merchant listing 가이드 · 정본 근거 ID: D-03 · D-04

대표 상품 다섯 개를 나란히 볼게요

PDP 화면, Product/Offer 구조화 데이터, Google Merchant Center 또는 사용 중인 상품 피드, 카테고리 카드의 상품명·가격·재고·URL을 비교합니다.

Google Product 구조화 데이터 안내처럼 구조화 데이터는 화면에 보이는 최신 정보와 일치해야 해요. 피드 역시 실제 랜딩 페이지와 달라지면 진단 오류가 생길 수 있습니다.

오늘 실제로 만들 것

필드	PDP	스키마	피드	카테고리	수정 담당
상품명·가격·재고·URL

대표 상품 5개를 채우고 불일치 값을 수정하거나 요청서로 넘깁니다. 품절·할인가·옵션 상품처럼 변동이 잦은 항목은 갱신 주체와 주기를 함께 기록해요.

화면과 기계용 데이터가 어긋나는 사례를 볼게요

Google Product 구조화 데이터 안내는 상품 화면의 정보와 구조화 데이터가 맞아야 한다고 설명합니다. 오늘은 스키마만 검사하지 않고 고객 화면, HTML 데이터, 상품 피드, 카테고리 카드가 같은 상품을 같은 상태로 설명하는지 봅니다.

정합성 표를 실제 값으로 채우는 예시

필드	PDP 화면	Product/Offer	상품 피드	판정·조치
상품명	수분 장벽 크림 80ml	수분장벽크림	수분 장벽 크림	스키마 띄어쓰기 정리
가격	24,000원	18,000원	24,000원	스키마 캐시·할인 종료 확인
재고	품절	InStock	out_of_stock	스키마 재고 갱신 수정
URL	/products/barrier-cream	같은 URL	추적 파라미터 URL	피드 canonical URL로 통일

가격 불일치는 고객 신뢰와 광고 승인에 직접 영향을 줄 수 있으니 가장 먼저 고칩니다. 변형 상품은 옵션별 가격·재고가 어디서 생성되는지, 품절과 재입고 때 누가 갱신하는지까지 적어요.

페이지 소스나 Rich Results Test만 보지 말고 고객 화면의 최종 가격·재고를 함께 확인합니다. 캐시가 남을 수 있으므로 수정 시각과 다시 확인할 시각도 원장에 기록합니다.

오늘 만든 결과를 실제로 측정해볼까요?

오늘 확인할 질문. PDP·Product/Offer·feed의 상품 값이 같은가요?

기본 측정 경로	유료 도구가 있다면
공개 PDP + Rich Results Test/Merchant Center 진단 + 상품 feed	Ahrefs/Semrush Site Audit structured data issue 보조 확인

1. 대표 SKU 다섯 개의 상품명·가격·통화·재고·variant를 수집합니다.
2. 화면, JSON-LD, Merchant feed 값을 세 열로 대조합니다.
3. 불일치마다 source system, owner, 갱신 주기를 적습니다.

측정표에 남길 값. SKU별 PDP·markup·feed 값, mismatch, source, owner, 수정일

이 값으로 내릴 다음 결정. 구매에 직접 영향을 주는 가격·재고 충돌부터 고치고 수정 후 세 원본을 재검수합니다.

측정 한계. 데이터 일치는 상품 노출·AI 추천·판매를 보장하지 않습니다. 오류 위험을 줄이는 완료 조건입니다.

도구 근거: Google Merchant listing structured data

오늘 우리 브랜드에 남는 것

대표 상품 5개 × 핵심 필드 정합성 표 · 수정 요청

내일은 이런 게 궁금해질 거예요

개별 상품은 맞췄어요. 내일은 검색 수요를 받지만 설명이 비어 있는 카테고리 페이지를 고객 질문형 랜딩으로 바꿉니다.