Tối ưu listing cho Alexa for Shopping (Rufus): checklist kỹ thuật cho seller (Phần 2)

Góc nhìn seller: Đây là phần 2 trong series về Alexa for Shopping. Đọc phần 1 tại đây Phần 1 — Alexa for Shopping vs OpenAI.

Nguồn ảnh: Amazon News — Rufus AI shopping assistant

Hành vi mới, metrics mới

Phần 1 Amazon cho thấy khách hàng đang chuyển dịch từ mua hàng qua thanh tìm kiếm sang mua hàng bằng câu nói. Vậy với seller, hệ quả cụ thể là gì?

1. Các cách tối ưu hiển thị, tăng organic rank kiểu cũ không còn phù hợp.

   • Như khi internet phát triển, chuyển dịch từ bảng quảng cáo sang tối ưu hiển thị tìm kiếm
   • Hay khi thuật toán Panda của Google thay đổi việc keyword stuffing không còn giá trị

2. Chiến lược sản phẩm thay đổi

   • Một use case trong ngành POD là từ sản phẩm chung chung -> sản phẩm ngách hẹp -> sản phẩm cho khách tự personalization

Vì vậy, việc hiểu thuật toán và cách các nền tảng lựa chọn thúc đẩy metrics gì. Là một trong những viên gạch đầu tiên để chúng ta đi đầu trong sự thay đổi.

=> Hiểu thuật toán trước, rồi mới sửa nội dung.

Ba lớp thuật toán seller cần biết

Amazon không chạy một thuật toán duy nhất. Theo các chia sẻ trên Amazon Science, stack gồm 3 lớp:

Buyer query ("Best running shoes for flat feet marathon?"
    │
    ├─ Từ khóa ("running shoes") ──────► A9/A10 ──► Danh sách sản phẩm ban đầu
    │
    └─ Ngôn ngữ tự nhiên ("best running shoes for flat feet marathon?")
            │
            ▼
        Xác định tuyến phù hợp
            │
            ▼
        COSMO (ý định mua / sơ đồ tính hợp lý )
            │
            ▼
        Alexa for Shopping / Rufus (RAG + LLM)
            │
            ▼
        Câu trả lời + carousel 2–5 ASIN khớp nhất

Sản phẩm phải xuất hiện trong nhóm A9/A10 trước. AI không hiển thị ASIN mà thuật toán cổ điển không hiển thị. Chuyển đổi và tốc độ tăng trưởng vẫn là khởi điểm.

Nguồn: Amazon Science — Rufus technology · COSMO SIGMOD 2024

Nguồn ảnh: Amazon Science — The technology behind Rufus (“A sample interaction with Rufus”)

COSMO: vì sao nhồi keyword làm chuyển đổi tệ hơn?

COSMO (Common Sense Knowledge Generation and Serving) giúp Amazon hiểu vì sao người mua muốn một sản phẩm, không chỉ sản phẩm là gì.

Ví dụ từ Amazon Science:

Query: “giày cho phụ nữ mang thai”
COSMO sẽ khớp với: giày trống trơn trượt (không cần trùng với query)

COSMO xây dựng sơ đồ: phụ nữ mang thai → cần sự ổn định → giày trống trơn trượt.

Nguồn ảnh: Amazon Science — Building commonsense knowledge graphs (“Mining implicit commonsense knowledge from customer behavior”)

Sơ đồ được xây từ cặp query → purchase, co-purchase từ lịch sử mua hàng, rồi dùng LLM tạo ra giả thuyết, người sẽ kiểm tra lại, bộ lọc sẽ loại bỏ nhiễu.

Nguồn ảnh: Amazon Science — COSMO framework (“The COSMO framework”)

Tối ưu listing nên mô tả trường hợp sử dụng, tập khách hàng, lưu ý khi sử dụng. Listing chỉ nhồi keyword, thiếu tín hiệu về ý định mua hàng, sẽ khó khớp với query dạng ngôn ngữ tự nhiên hơn.

Rufus đọc listing như thế nào?

Trước khi generate câu trả lời, hệ thống lấy chứng cứ từ nhiều nguồn:

Nguồn nào sẽ phụ thuộc tùy loại câu hỏi của khách hàng (Amazon Science).

Nguồn ảnh: AWS ML Blog — Rufus on Bedrock (chiến lược multi-model theo độ phức tạp câu hỏi)

Rufus lấy sản phẩm từ “nguồn mà nó biết sẽ đáng tin cậy”: reviews, catalogue, Q&A, rồi mới generate câu trả lời. ASIN không giúp trích dẫn được chứng cứ thì sẽ khó hiển thị.

Q&A trống hoặc review mỏng là điểm yếu trong RAG. Đối thủ có chứng cứ sẽ chiếm vị trí trong hiển thị Rufus dù thứ hạng keyword của bạn cao hơn.

Checklist tối ưu: 6 bước

Mỗi bước dưới đây bám theo tài liệu Amazon công khai.

1. Chốt A9/A10 trước

Trước khi nghĩ tới Rufus:

• ASIN indexed, không bị mất hiển thị
• Tỉ lệ chuyển đổi và tốc độ tăng trưởng tốt
• Backend search terms đầy đủ

Vì sao: Rufus được huấn luyện trên “toàn bộ danh mục sản phẩm của Amazon” và được thu thập chứng cứ từ danh mục sản phẩm trước khi trả lời (Amazon Science — Rufus). ASIN không nằm trong danh mục sản phẩm thì RAG không có gì để hiển thị cả.

2. Viết copy theo use-case

Tránh marketing chung chung. Amazon Science minh họa COSMO cần hiểu ý định mua hàng, không chỉ keyword:

Query: “giày cho mẹ bầu” → COSMO sẽ khớp với: giày trống trơn trượt (COSMO blog)

Nên viết bullet mô tả tập khách hàng + điểm mạnh + use case cụ thể, ví dụ:

“Giày da công sở đen cho nữ, giữ ấm tốt. Đế giày có lớp chống trơn trượt, hiệu quả kể cả trong trời tuyết. Phù hợp cho vùng nhiều mưa và mẹ bầu”

COSMO xây dựng sơ đồ quan hệ như used_for_audience, used_for_function, capable_of từ hành vi mua thật (SIGMOD 2024 paper).

3. Điền đủ thuộc tính trên sản phẩm

Material, dimensions, weight, capacity, use case, audience, occasion, compatibility, certifications.

Vì sao: COSMO đánh giá độ liên quan bằng query–product pairs trong Shopping Queries Dataset. Nội dung sản phẩm và thuộc tính là đầu vào cho model xây dựng sơ đồ (COSMO blog). Thuộc tính để trống thì ít dữ liệu đầu vào cho COSMO xây dựng sơ đồ.

4. Mỗi bullet trả lời một câu buyer có thể hỏi

Amazon mô tả hai kiểu câu hỏi Rufus xử lý khác nhau:

• Kiểm tra thông tin: “Đôi giày này có chống nước không?”
• Hỏi gợi ý: “Đưa cho tôi một vài lựa chọn giày phù hợp cho giày chạy marathon”

(AWS ML Blog — Rufus on Bedrock)

Nguồn ảnh: AWS ML Blog — Rufus on Bedrock

5. Reviews và Q&A

Amazon liệt kê rõ reviews và Q&A từ cộng đồng là nguồn dữ liệu huấn luyện và nguồn cho RAG (Amazon Science — Rufus):

“customer reviews and information from community Q&A posts”

• Xin review sau khi giao hàng (theo chính sách review của Amazon)
• Trả lời Q&A có fact cụ thể. Q&A trống là điểm yếu trong RAG
• Amazon dùng phản hồi từ khách để cải thiện câu trả lời theo thời gian (cùng bài Amazon Science)

A+ vẫn đáng làm: chart so sánh, caption use-case rõ giúp Rufus trích dẫn fact khi buyer hỏi kiểu so sánh (bước 4).

6. Audit Rufus bằng tay

Amazon chưa có hướng dẫn Seller University riêng cho Rufus (tính đến 6/2026). Cách gần thực tế nhất hiện tại:

1. Mở app Amazon Shopping, vào ngành hàng của bạn
2. Hỏi 5–10 câu dạng hội thoại liên quan ASIN (mỗi câu thuộc kiểu kiểm tra thông tin hoặc hỏi gợi ý, như bước 4)
3. Ghi ASIN có xuất hiện không, AI trích dẫn chứng cứ gì (review, spec, Q&A)
4. Sửa listing, hỏi lại

Khung audit này là quy trình PegasusLab đề xuất, không phải hướng dẫn chính thức từ Amazon. Amazon khuyến khích khách phản hồi trực tiếp trên Rufus để model học (Amazon Science).

Ví dụ end-to-end

Buyer hỏi Alexa for Shopping:

“Microphone nào tốt để làm podcast dưới $200?”

Listing cần bullets nói rõ “podcast”, “cardioid pattern”, “USB plug-and-play”. Amazon ví dụ câu gợi ý dạng “giày phù hợp chạy marathon” cần cả ý định lẫn spec cụ thể (AWS ML Blog).

ASIN có thể rank keyword tốt nhưng Rufus không hiển thị nếu RAG không lấy được chứng cứ từ danh mục, review hoặc Q&A (Amazon Science).

Nguồn ảnh: AWS ML Blog — Rufus on Bedrock (conversational reordering)

Những việc không nên làm

A9 vs Alexa for Shopping

Ba câu hỏi hệ thống tự hỏi (đọc từ docs công khai):

• A9: listing này có index và rank được không?
• COSMO: ý định buyer khớp sản phẩm nào?
• Alexa for Shopping: với ý định và chứng cứ hiện có, gợi ý gì và chứng minh được không?

Roadmap 30 ngày

Khung thực hành PegasusLab. Mỗi tuần gắn với checklist có nguồn Amazon ở trên.

Kết bài

Alexa for Shopping không thay A9. Nó thêm lớp hội thoại mà listing thiếu chứng cứ sẽ khó được Rufus trích dẫn (Amazon Science). AWS ghi nhận khách dùng Rufus cao 60% khả năng hoàn tất mua (AWS ML Blog).

=> Bắt đầu từ audit 10 câu hỏi hội thoại (bước 6). ASIN không xuất hiện dù rank keyword ổn thì ưu tiên bullets + Q&A trước khi tăng PPC.

Cần nhắc lại bối cảnh platform và hành vi buyer mới thì quay Phần 1.

Nguồn: Rufus technology (Amazon Science) · Rufus on Bedrock (AWS) · COSMO blog (Amazon Science) · COSMO paper (SIGMOD 2024) · Alexa for Shopping launch · Amazon review policy (Seller Central)

Liên quan: Amazon vs Shopify AI agents · Benchmark 4 AI agents cho E-commerce