Product Schema là gì? Hướng dẫn thêm cho shop online Việt Nam

Product schema là đoạn mã JSON-LD mô tả sản phẩm — tên, giá, tình trạng kho, đánh giá — bằng định dạng chuẩn mà Google và các AI như ChatGPT đọc được chính xác tuyệt đối. Khi khách hỏi AI "nên mua sản phẩm X loại nào", những shop có dữ liệu sản phẩm chuẩn là ứng viên được gợi ý đầu tiên.

Product schema trông như thế nào?

Đây là một Product schema hoàn chỉnh cho ví dụ một chiếc máy xay sinh tố, bạn thay nội dung và dùng được ngay:

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Máy xay sinh tố ABC Pro 1200W",
  "image": "https://shopcuaban.vn/images/may-xay-abc-pro.jpg",
  "description": "Máy xay sinh tố 1200W cối thủy tinh 1.5L, xay đá không cần thêm nước. Bảo hành 24 tháng.",
  "brand": { "@type": "Brand", "name": "ABC" },
  "offers": {
    "@type": "Offer",
    "price": "1290000",
    "priceCurrency": "VND",
    "availability": "https://schema.org/InStock",
    "url": "https://shopcuaban.vn/may-xay-abc-pro"
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.7",
    "reviewCount": "128"
  }
}

Ba khối quan trọng nhất: offers (giá + tồn kho — tín hiệu AI dùng khi so sánh), aggregateRating (độ tin cậy — phải khớp đánh giá thật trên trang), và description viết kiểu trả lời thẳng thay vì văn quảng cáo.

Vì sao shop online cần Product schema ngay bây giờ?

Hành vi mua sắm đang đổi: thay vì gõ tên sản phẩm lên Google rồi so 10 tab, người mua hỏi thẳng AI "máy xay dưới 1,5 triệu loại nào đáng mua" và nhận về 3–5 gợi ý. AI xây các gợi ý đó từ nguồn nó đọc hiểu được và tin được — và Product schema chính là cách bạn đưa dữ liệu sản phẩm vào diện đọc hiểu được.

Điểm đáng chú ý cho shop Việt Nam: phần lớn website bán hàng trong nước hoặc chưa có Product schema, hoặc dùng schema mặc định của theme thiếu trường quan trọng. Ai làm chuẩn trước sẽ chiếm chỗ trong gợi ý của AI trước — đúng logic mình đã phân tích trong bài AEO là gì.

Cách thêm Product schema vào shop của bạn?

Bốn bước, tùy nền tảng bạn đang dùng:

1. Kiểm tra hiện trạng: dán URL trang sản phẩm vào Rich Results Test của Google. Không thấy mục "Product" nghĩa là chưa có gì.
2. Nền tảng có sẵn (Shopify, Haravan, Sapo): theme chuẩn thường tự sinh schema nhưng hay thiếu aggregateRating hoặc để availability sai. Kiểm tra và bổ sung qua cài đặt theme hoặc app schema.
3. Website tự build: chèn thẻ <script type="application/ld+json"> vào template trang sản phẩm, dữ liệu lấy động từ database — giá trong schema phải luôn khớp giá hiển thị.
4. Kiểm tra lại + theo dõi: chạy lại Rich Results Test, rồi mỗi tháng hỏi thử AI các câu mua sắm trong ngách của bạn để đo chuyển biến — cách đo chi tiết mình đã viết trong bài kiểm tra website có được ChatGPT trích dẫn không.

Lỗi thường gặp khi làm Product schema?

Ba lỗi mình thấy nhiều nhất khi audit website bán hàng Việt Nam:

• Giá trong schema lệch giá thật: shop chạy khuyến mãi đổi giá trên trang nhưng schema vẫn giá cũ (vì hardcode). Dữ liệu mâu thuẫn khiến cả Google lẫn AI hạ độ tin cậy.
• availability để mặc định InStock vĩnh viễn: sản phẩm hết hàng mà schema vẫn báo còn — AI gợi ý khách vào rồi thất vọng, tín hiệu xấu tích lũy dần.
• Mô tả sao chép từ nhà cung cấp: hàng trăm shop cùng một đoạn mô tả thì AI không có lý do chọn bạn. Viết lại mô tả theo kiểu trả lời câu hỏi thật của khách ("máy này xay đá được không?") — vừa khác biệt vừa đúng định dạng AI thích.

Product schema có đủ để AI giới thiệu shop bạn không?

Schema là điều kiện cần, chưa phải điều kiện đủ. AI còn nhìn độ uy tín tổng thể của website: nội dung tư vấn xung quanh sản phẩm, FAQ cho từng nhóm hàng (FAQ schema mình đã hướng dẫn ở đây), đánh giá thật, và việc website được nhắc đến ở nguồn khác.

Đó là lý do gói AEO cho E-commerce của mình làm trọn bộ: Product + Offer + AggregateRating schema, viết lại mô tả sản phẩm answer-first, FAQ theo nhóm hàng, và theo dõi hàng tháng xem AI đã gợi ý shop bạn trong những câu hỏi mua sắm nào. Muốn biết shop đang ở đâu, bắt đầu bằng công cụ check AEO miễn phí — dán URL trang sản phẩm là có kết quả sau 10 giây.

常见问题