Webshops og strukturerede data (JSON-LD)
Moderne e-handel handles ikke kun af mennesker gennem visuelle skærme. Webshops tilgås i stigende grad af hjælpeteknologier, crawlere og AI-baserede købsagenter.
Her beskrives metoden for vurdering af e-handelsspecifikke flader, kontrol af det maskinlæsbare lag samt snitfladen mellem tema-kode og platformskerne.
De samme fejl, set fra to sider
Hos TRAQ anskuer vi tilgængelighed og maskinlæsbarhed som to sider af den samme tekniske virkelighed:
En skærmlæser er en maskine, der tolker HTML-træets opmærkning, navne, roller og attributter for at gøre dem forståelige for et menneske. En søgemodel eller AI-købsagent læser præcis den samme struktur for at forstå priser, lagerstatus og produktvarianter.
De fejl i semantik, skjult data og utilgængelige interaktioner, der blokerer en bruger med en funktionsnedsættelse, er ofte de selvsamme fejl, som får automatiserede agenter til at misforstå jeres varesortiment.
Kontrol af det maskinlæsbare lag
Ud over den visuelle brugerflade inspicerer TRAQ systematisk sitets maskinlæsbare endpoints:
- Strukturerede data (JSON-LD): Vurdering af skemaer for
Product,Offer,BreadcrumbListogOrganization. Vi kontrollerer, at de obligatoriske felter findes, og at dataene er syntaktisk korrekte. - Åbne platformsendpoints: På platforme som Shopify undersøges det offentlige produktkatalog (
/products.json), idet dette endpoint ofte danner grundlag for eksterne opslag. - Crawl- og adgangsfiler:
/robots.txtog/sitemap.xmlgennemgås for at verificere, at relevante produkt- og informationssider er indekserbare, og om sitet utilsigtet blokerer legitime værktøjer.
Konsistens mellem fladerne
Et særligt fokusområde er datakonsistens på tværs af de forskellige datalag.
Vi tester for uoverensstemmelser i købskritiske data:
- Stemmer den visuelt viste pris på produktsiden overens med prisen i JSON-LD?
- Stemmer den viste lagerstatus overens med API-endpointets data?
- Afspejles eventuelle mængderabatter eller variantmerpriser korrekt i det bagvedliggende maskinlag?
Uoverensstemmelser mellem det visuelle lag og maskinlaget forvirrer skærmlæsere og fører til fejlagtige konklusioner hos eksterne købssystemer.
Ansvarsfordeling: Platform vs. tema
Ved e-handelsplatforme som Shopify, WooCommerce, Magento eller Centra er kildekoden opdelt i flere ansvarsområder:
| Ansvarsområde | Hvad det dækker | TRAQs tilgang til rettelsesspecifikation |
|---|---|---|
| Købmandens indhold | Billeders alt-tekster, overskrifter, produkttekster og PDF-manualer | Rettelsen specificeres direkte til redaktøren med klare retningslinjer |
| Temaets kildekode | HTML-, CSS- og Liquid/PHP-skabeloner, navigation og menustruktur | Rettelsen specificeres som præcise kodediffs til webudvikleren |
| Tredjeparts-apps | Anmeldelsesmoduler, popups, cookiebannere og loyalitetsprogrammer | Specificeres som app-konfiguration eller anbefaling om udskiftning |
| Platformens kerne | Shopifys lukkede betalingsarkitektur eller standard checkout-motor | Afgrænses teknisk mod platformens VPAT (Accessibility Conformance Report) |
Når en tilgængelighedsfejl skyldes en begrænsning i selve platformen eller en ekstern app, mærkes fejlen tydeligt i rapporten med sin oprindelse (owner_type), så udviklingstimer ikke spildes på at forsøge at ændre utilgængelig kernekode.