LLMO för svenska e-handelsbrands: playbook 2026

Varför e-handels-LLMO skiljer sig från B2B och media

Generell LLMO fokuserar på Article-schema, FAQPage och pillar-innehåll. E-handel har fem unika krav som förändrar stacken: Läs även LLM optimization practice.

1. Produktcentricitet i schema. Där B2B-LLMO använder Article som primär schema-typ, är Product plus Offer primärt för e-handel. Varje produktsida måste ha kompletta Product- och Offer-fält (name, brand, sku, gtin13, price, priceCurrency, availability).
2. Review-schema är känsligt. Self-serving aggregateRating är förbjudet av Google policy 2019 (tightened mars 2026). Reviews måste hämtas från verifierade tredjepartswidgets (Trustpilot, Reco, Prisjakt, Klarna reviews) med Review.author = widget-organisationen. Enterprise som brutit mot detta har fått manuell åtgärd och tappat rich results.
3. SKU- och variant-disambiguation. LLM:er (särskilt ChatGPT shopping) blandar produktvarianter. Adidas Ultraboost 22 svart storlek 42 EU vs Adidas Ultraboost 23 vit storlek 43 EU behöver distinkta produktnamn plus explicit color-, size-, edition-fält.
4. Category-page-optimering. Category-pages är egen disciplin i e-handels-LLMO. LLM:er använder dem för shopping-frågor som "vad ska jag ge bort som julklapp till en 8-årig kille". Kräver tydlig taxonomi, brand-lista, prisintervall, filter-guide, buyer's guide-innehåll ovanför produkt-grid.
5. ChatGPT shopping och Perplexity shopping är nya ytor. Släppta 2026 med separata retrieval-pipelines. Kräver egen mätcykel och egen optimering. Alice Labs mäter dem separat i harvester som dedikerad kategori.

Djupare bakgrund i pillar-artikeln LLMO-optimering för svenska företag: guide 2026.

5 obligatoriska schema-typer: Product, Offer, Review, Brand, ItemList

Sammanfattat

E-handels-LLMO kräver fem schema-typer per produktsida: (1) Product med name, brand, sku, gtin13, category, (2) Offer med price, priceCurrency SEK, availability, priceValidUntil, (3) Review från verifierade tredjepartswidgets (Trustpilot, Reco, Prisjakt) med Review.author = widget-organisationen, (4) Brand med name, url, logo och sameAs-kedja, (5) ItemList på category-pages med per-item stable @id via entityIdFor(sku). Alice Labs schema_audit.py validerar mot dessa fem.

Standard-schema-mall för svensk e-handel-produktsida:

Product-schema-mall (JSON-LD):

{
  "@context": "https://schema.org/",
  "@type": "Product",
  "name": "Vaskrelina Segelbåtsjacka 2026",
  "brand": { "@type": "Brand", "name": "Vaskrelina" },
  "sku": "VSK-JKT-2026-BLU-L",
  "gtin13": "7350012345678",
  "category": "Kläder > Ytterkläder > Segelbåtsjackor",
  "image": "https://cdn.brand.se/products/vsk-jkt-2026.jpg",
  "offers": {
    "@type": "Offer",
    "price": "2 499.00",
    "priceCurrency": "SEK",
    "availability": "https://schema.org/InStock",
    "priceValidUntil": "2026-12-31"
  }
}
          

Alice Labs tools/schema_audit.py --strict validerar deployerad JSON-LD per produktsida. Fångar: @id-drift, saknad gtin13, self-serving aggregateRating, saknad priceValidUntil, tom sameAs. Kritisk kvalitetsgrind för produktions-e-handel.

SKU och produktnamn-disambiguation för varianter

Sammanfattat

LLM:er blandar produktvarianter i shopping-svar utan tydlig SKU- och produktnamn-disambiguation. Standard 2026: distinkt produktnamn per variant (t ex 'Adidas Ultraboost 22 svart 42 EU'), separat sku och gtin13 per variant, explicit color, size, edition-fält i Product-schema, Product.isVariantOf-relation till parent-product när relevant. Alice Labs deploy-mönster: en produktsida per SKU (inte per grupp) för max disambiguation.

Variant-hantering är underskattad LLMO-utmaning för svensk e-handel. Vanligt problem: "Har Boozt Adidas Ultraboost 22 svart 42?" ChatGPT svarar "Ja, Boozt har Adidas Ultraboost 23 i vit 43", felaktig product-match. Orsak: LLM:et blandar varianter när sku/gtin13/variant-fält är otydliga.

Alice Labs standard-mönster 2026:

1. Distinkt produktnamn per variant. "Adidas Ultraboost 22 svart 42 EU" inte bara "Adidas Ultraboost". LLM:er använder produktnamnet som primär disambiguation-signal.
2. Separat sku per variant. Varje SKU-variant har egen sku-fält i Product-schema. Format: {brand}-{model}-{color}-{size}.
3. gtin13 per variant. GS1-standard 13-siffrig streckkod. LLM:er använder för cross-store product-matching. Missing gtin13: LLM:et kan blanda butiker.
4. Explicit color, size, edition-fält. Använd Product.color, Product.size, Product.material. För edition (Special Edition, Limited): Product. hasVariant eller separat productID.
5. Product.isVariantOf-relation. När flera SKU tillhör samma parent-product: emit isVariantOf med parent-URL. Möjliggör LLM att förstå variant-hierarki.
6. En produktsida per SKU. Alice Labs standard: separat URL per SKU-variant. Alternativ: en URL med variant-selector (mindre LLMO-optimalt, LLM:er indexerar bara primärvarianten).

Antipattern. Delade produktsidor med JavaScript-baserad variant- switcher utan URL-ändring. LLM:er ser bara initialt state (första variant). Andra varianter är osynliga.

Category-page-optimering för shopping-queries

Sammanfattat

Category-pages är egen LLMO-disciplin för e-handel. LLM:er använder dem för shopping-frågor som 'vad ska jag ge bort som julklapp till en 8-årig kille'. Krav 2026: (1) tydlig taxonomi (breadcrumb, filter, sub-categories), (2) brand-lista med link till varje brand, (3) prisintervall med visualisering, (4) buyer's guide-innehåll ovanför produkt-grid, (5) ItemList-schema med per-item stable @id via entityIdFor(sku). Alice Labs harvester Q2 2026: category-pages med buyer's guide får 3-4x citation-rate mot bara produkt-grid.

Alice Labs standard category-page-mall för svenska nischbrands:

1. Breadcrumb-navigation. Home > Sport > Segling > Segelbåtsjackor. BreadcrumbList-schema.
2. Category-titel och buyer's guide ovanför grid. 300-500 ord som besvarar "vad ska jag tänka på när jag köper segelbåtsjacka". Kritiskt för shopping-query-citation. Utan detta: LLM:et citerar konkurrenter som har buyer's guide.
3. Filter- och sub-category-nav. Tydliga filter (storlek, pris, färg, brand) med URL-parametrar. Sub-categories som distinkta URL:er, inte bara query-strings.
4. Brand-lista. Alla brands i kategorin med link till respektive brand-page. Byggen entity graph-relations.
5. Prisintervall. Visualisering av prisspann (från/till). Hjälper LLM:er svara på "budget-jackor upp till 1 500 SEK".
6. ItemList-schema. Alla produkter i category som ItemList med per-item stable @id via entityIdFor(sku). Möjliggör cross-page product-tracking för LLM:er.
7. Related categories. Länkar till relaterade categories (t ex från "segelbåtsjackor" till "livvästar" och "seglings-handskar").

Alice Labs harvester-data Q2 2026. Svenska nischbrands med fullständig category-page (breadcrumb + buyer's guide + filter + brand-lista + ItemList): 3-4x citation-rate mot bara produkt-grid i Perplexity shopping-queries. Alice Labs standardrekommendation: 300-500 ord buyer's guide per category är minimum-investering för seriös e-handels-LLMO.

ChatGPT shopping och Perplexity shopping: nya ytor 2026

Sammanfattat

ChatGPT shopping (feature 2026) och Perplexity shopping är nya shopping-ytor med separata retrieval-pipelines. ChatGPT shopping använder Bing-index plus egen retrieval (Bing-inklusion prereq). Perplexity shopping använder egen Sonar-crawler med Publisher Program-signal. Google Shopping via AI Overviews använder Google Merchant Center-feed (kräver produktdata-feed setup). Alice Labs mäter dessa tre ytor separat i harvester med dedikerade shopping-prompts.

Tre shopping-ytor 2026 med separata retrieval-mekanismer:

Optimerings-checklista per yta:

1. ChatGPT shopping. Verifiera Bing-inklusion för alla produktsidor via Bing Webmaster Tools. Skicka SubmitUrlBatch efter varje produkt-launch. Product-schema med kompletta fält (särskilt gtin13). Kort URL (undvik query-strings). Category-taxonomy tydligt indikerad i breadcrumb och schema.
2. Perplexity shopping. Ansök till Perplexity Publisher Program. Product-schema plus category-page buyer's guide plus ItemList-schema är kärna. Perplexity värderar innehåll-djup (buyer's guide) högre än de flesta LLM:er.
3. Google Shopping via AI Overviews. Google Merchant Center-feed är prereq. Produktdata (title, description, price, availability, gtin, brand, category) måste vara komplett. Feed-uppdatering minst dagligen. Product-schema på webbsida bör matcha Merchant Center-data (annars flaggning).

Alice Labs harvester-standard. 20 prompts per shopping-yta per månad. Exempel-prompts: "vilken är bästa segelbåtsjacka för svensk sommar under 2 000 SEK", "var kan jag köpa Adidas Ultraboost 22 svart storlek 42 i Sverige", "jämför Boozt och Zalando för dam-jackor 2026". Trend-analys per yta driver prioritering.

Konkurrens: Amazon SE, Zalando, Boozt, Bogha och strategi för nischbrands

Sammanfattat

Fyra dominerande e-handels-konkurrenter för svenska produkt-queries: Amazon SE (bred kategori-täckning, extremt djup Product-schema), Zalando (fashion + shoes), Boozt (fashion + beauty + home i Norden), Bogha (curated fashion + design). Svenska nischbrands vinner INTE på generella queries mot dessa. Vinnande strategi: specifika queries som geo-specifik ('för svensk vinter', 'made in Sweden'), use-case-specifik ('för segelbåt', 'för hemma-yoga'), värdedriven ('hållbart producerad', 'begagnad premium').

Alice Labs harvester-data Q2 2026: Amazon SE, Zalando, Boozt och Bogha citeras i 60-75 procent av svenska generella shopping-queries. Svenska nischbrands citeras bara i 3-8 procent av samma queries. Slaget om generella queries är förlorat. Vinnande strategi: specifika queries.

Tre kategorier av vinnande queries för svenska nischbrands:

1. Geo-specifika queries. "för svensk vinter", "för Stockholms regnväder", "made in Sweden", "svenskodlad ull". Alice Labs harvester: svenska nischbrands citeras i 15-25 procent av geo-specifika queries.
2. Use-case-specifika queries. "för segelbåt", "för hemma-yoga", "för barnvagn-vandring", "för kontorsjobb utomhus vintertid". Svenska specialister slår generalister på dessa.
3. Värdedrivna queries. "hållbart producerad", "begagnad premium", "livstidsgaranti", "svensk arbetsrätt". Svenska brands med tydlig värde-signal slår Amazon på dessa.

Konkurrent-benchmark 2026.

Alice Labs standard-rekommendation för svenska nischbrands.Fokusera 80 procent av content-investering på specifika queries (geo, use-case, värde). Bygg buyer's guides som verkligen hjälper (300-800 ord per category). Använd svenska källor (Konsumentverket, Naturvårdsverket, Trafikverket beroende på nisch). Bygg entity graph med sameAs till Trustpilot SE, Reco, Prisjakt.

Integration med svenska e-handelsplattformar: Shopify, Centra, Litium, Norce

Sammanfattat

Alice Labs har deploy:at LLMO-stack på fyra svenska e-handelsplattformar: (1) Shopify (mest transparent JSON-LD via metafields plus theme.liquid, snabbast setup), (2) Centra (headless, mest kontroll via GraphQL, kräver custom frontend), (3) Litium (native schema-generator, EU-baserat, populärt inom svensk mid-market), (4) Norce (composable via headless, kräver frontend-team). Varje plattform har egen best-practice för Product-schema, IndexNow-integration och sitemap-generering.

Per-plattform best-practice för svenska e-handelsbrands:

1. Shopify. Mest transparent JSON-LD-generering via theme.liquid plus metafields. Alice Labs standard: custom theme med JSON-LD-injection per produkt via Liquid-templates. Metafields för Review-widget-integration (Trustpilot, Reco). App: Judge.me eller Yotpo för Review-schema (verifierade widgets). Sitemap auto-generereras. IndexNow via app eller custom Serverless function.
2. Centra. Headless-plattform med GraphQL-API. Mest kontroll av alla fyra: JSON-LD genereras server-side i eget Next.js- eller Remix-frontend. Alice Labs mönster: schema-generator som helper-modul, mockat mot Centra- GraphQL-response. IndexNow via API-route.
3. Litium. Native schema-generator inbyggd. Alice Labs mönster: utnyttja Litium schema-plugin plus custom fältgeneratorer för gtin13, priceValidUntil och Brand.sameAs. EU-baserat (Göteborg), populärt inom svensk mid-market.
4. Norce (tidigare Jetshop plus Nordic Web Team). Composable plattform, kräver frontend-team. Alice Labs mönster: schema-generator som del av frontend-boilerplate (Next.js typiskt). GraphQL-integration mot Norce backend för produktdata.

Plattformsval-heuristik. Shopify för snabb time-to-market och SMB. Centra för enterprise som vill kontroll och headless-flexibilitet. Litium för svensk mid-market som vill EU-baserad platform med native features. Norce för composable-first team som är beredda att bygga eget frontend.

Universellt krav över alla fyra. Bing Webmaster API-integration (Alice Labs tools/bing_webmaster.py), IndexNow-push vid produkt- uppdatering, schema-audit i CI via tools/schema_audit.py --strict.

Ytterligare plattforms-överväganden i sibling Perplexity-optimering för svenska brands och Hur svenska brands hittas i ChatGPT.

Mätning per produktkategori: 4 KPI:er per category

Sammanfattat

E-handels-LLMO-mätning per produktkategori kräver fyra KPI:er: (1) category-citation-rate (procent shopping-queries där category-sidan citeras), (2) product-citation-rate (procent product-queries där enskild produkt citeras), (3) brand-mention-rate (procent generella queries där brand-name nämns), (4) buyer-guide-usage (procent LLM-svar där buyer's guide-content från er sida används som direkt citation-källa). Alice Labs harvester har dedikerad e-handels-portfölj med 40-60 shopping-prompts per baseline.

Alice Labs e-handels-KPI-set 2026:

• Category-citation-rate. Andel shopping-queries där er category- sida citeras. Exempel-queries: "bästa segelbåtsjackor", "julklapp 8-årig kille". Baseline för svenska nischbrands: 5-15 procent. Bäst-i-klass med fullständig category-optimering: 25-40 procent.
• Product-citation-rate. Andel product-queries där enskild produkt citeras. Exempel-queries: "har Boozt Adidas Ultraboost 22 svart", "pris Zalando Nike Air Max". Kräver perfekt Product-schema plus gtin13. Baseline: 2-8 procent.
• Brand-mention-rate. Andel generella queries där brand-name nämns. Exempel-queries: "hållbara svenska outdoor-brands", "vad är populärt inom svensk skandinavisk design". Bygger på brand-schema plus entity graph. Baseline: 1-5 procent.
• Buyer-guide-usage. Andel LLM-svar där buyer's guide-content från er sida används som direkt citation-källa. Mäter innehålls-djup. Kritiskt KPI för Perplexity. Baseline med fullständig category-buyer's guide: 10-25 procent.

Portfölj-design för e-handel. 40-60 shopping-prompts per baseline, uppdelat: 40 procent category-queries, 30 procent product-queries, 20 procent brand-queries, 10 procent comparison-queries. Alla shopping-prompts geo-taggade SE eller NORDIC (globala shopping-queries är förlorade mot Amazon och Zalando). Kör veckovis, mät delta per category månadsvis.