Mempercepat Copywriting Gaya Outfit dan Analisis Ulasan Toko Fashion Online dengan Claude Code

Jumat sore, atasan bilang 50 model baju baru harus tayang halaman produknya hari Senin.

Foto sudah selesai. Ukuran sudah diambil. Tapi untuk tiap model, saya diminta menulis tiga versi “teks padu-padan outfit”, lalu menambahkan poin penjualan dari ulasan lama yang laris. 50 model dikali 3 versi sama dengan 150 teks. Belum lagi, saya harus membaca keluhan soal ukuran dan bahan, lalu memasukkannya ke deskripsi produk.

Saat itu, dengan 20 tab ulasan terbuka untuk disalin-tempel, jam 11 malam saya bergumam, “Hari ini tidak mungkin selesai.” Pekerjaan konten di toko fashion online selalu macet di tahap teks, setelah foto dan ukuran beres.

Yang menyelamatkan saya saat itu adalah Claude Code. Saya serahkan draf teks dan penyortiran ulasan ke AI, lalu saya pindah ke peran “memperbaiki kalimat yang bukan gaya brand kami”. Hasilnya, 150 teks jadi dalam satu malam. Hari ini saya bagikan alurnya dalam bentuk yang bisa langsung Anda tempel.

Poin penting

Teks padu-padan outfit langsung jadi draf kalau Anda memberi AI tiga hal: model, momen pemakaian, dan kesan ukuran. Manusia cukup memperbaiki gaya bahasa dan nada brand
Analisis ulasan jangan berhenti di “hitung bintang”. Beri tag pada tiga sumbu: kesan ukuran, bahan, dan pengiriman, lalu ubah jadi perbaikan produk
Yang diserahkan ke AI adalah draf, klasifikasi, dan rangkuman. Keputusan diskon, teks stok, dan klaim berlebihan wajib dihentikan manusia
Cukup beri nama produk atau kode model. Nama dan email pelanggan jangan pernah dikirim ke AI, itu aturan baku data pribadi
Untuk 50 model, kerja manual 4 jam menyusut jadi sekitar 30 menit. ROI-nya masuk akal bahkan dihitung per jam

Pekerjaan konten toko fashion online, di mana macetnya

Saya perjelas siapa pembacanya. Artikel ini ditujukan untuk orang yang membuat halaman produk di toko fashion online. Anda mengurus pemotretan, pengukuran, dan naskah, lalu setelah tayang Anda memantau ulasan untuk perbaikan. Sering kali satu orang memegang beberapa brand sekaligus.

Alur kerjanya kira-kira seperti ini.

Memotret dan mengukur produk baru yang datang
Memasukkan nama produk, bahan, dan tabel ukuran
Menulis teks padu-padan outfit dan saran cara memakai
Menayangkan, lalu membaca tren saat ulasan menumpuk
Memasukkan keluhan ukuran dan bahan ke deskripsi produk berikutnya atau ke keputusan pembelian stok

Pengulangan kerja muncul di langkah 3 dan 5. Satu teks butuh 15 menit, kalau ada 50 model habis sehari penuh. Analisis ulasan sering berhenti di “kok banyak bintang 3 ya”, tanpa menjelaskan kenapa, lalu stok baru sudah datang lagi. Akibatnya, keluhan ukuran yang sama terulang selama setengah tahun. Ini keletihan diam-diam dalam mengelola toko fashion online.

Kalau Anda baru pertama kali memakai Claude Code, atur dulu lingkungannya lewat Panduan memulai Claude Code, supaya langkah selanjutnya bisa langsung jalan.

Use case 1: Membuat draf teks outfit 3 versi per model

Yang paling cepat terasa manfaatnya adalah produksi teks massal. Beri kode model, kategori, bahan, dan momen pemakaian, maka keluar tiga draf dengan nada berbeda. Tugas manusia tinggal memilih dan menyetel gaya bahasanya.

Saya pisahkan area AI dan area keputusan manusia dalam tabel.

Tahap	Diserahkan ke AI	Wajib diputuskan manusia
Ide padu-padan	Ya, ajukan 5 kandidat	Cek apakah kombinasinya ada di stok
Draf teks	Ya, 3 versi per momen	Sesuaikan ke gaya dan nada brand
Deskripsi bahan dan perawatan	Sebagian, hanya bahan kasar	Cek agar tidak bentrok dengan label cuci
Klaim “termurah” atau “pasti”	Tidak, jangan dibuat	Hapus demi kepatuhan iklan

Ini prompt siap tempel untuk membuat teks. Sudah disiapkan instruksi menghindari klaim berlebihan, karena ini untuk halaman produk.

Anda adalah copywriter toko fashion online. Untuk produk berikut,
tulis 3 versi teks rekomendasi padu-padan outfit.

# Informasi produk
- Kode model: KN-2026SS-014
- Kategori: rajut oversize
- Bahan: katun 60% akrilik 40%
- Warna: ivory / moka
- Momen pemakaian: kerja, akhir pekan di kafe, belanja dekat rumah

# Ketentuan
- Tiap versi 120-160 karakter, gaya bahasa sopan dan ramah
- Selalu sebutkan satu item padu-padan (bawahan atau aksesori)
- Jangan pakai klaim seperti "termurah", "pasti", atau klaim medis
- Jangan singgung ukuran, fokus ke suasana dan momen

Format keluaran:
Versi 1: teks
Versi 2: teks
Versi 3: teks

Kuncinya adalah memasukkan “jangan pakai klaim” sebagai ketentuan. Iklan fashion mudah tersandung aturan perlindungan konsumen, dan menghapus kalimat seperti “pasti bikin terlihat langsing” belakangan itu melelahkan. Kalau dilarang sejak instruksi awal, revisi jadi lebih sedikit.

Use case 2: Memberi tag ulasan pada 3 sumbu untuk perbaikan produk

Yang kedua adalah analisis ulasan. Kalau cuma menghitung bintang, spreadsheet sudah cukup. Nilainya muncul saat teks bebas Anda pilah ke tiga sumbu yaitu kesan ukuran, bahan/kualitas, dan pengiriman/pengemasan, lalu Anda rumuskan jadi aksi perbaikan.

Ini checklist klasifikasi ulasan. Tinjau ulang keluaran AI dari sudut pandang ini agar tidak ada yang terlewat.

Sebutan ukuran sudah terbagi jadi “kebesaran / kekecilan / pas”
Keluhan bahan terambil dengan kata konkret seperti “tipis / gatal / berbulu”
Soal pengiriman dan kemasan tidak tercampur dengan penilaian produk
Sudah dihitung berapa kali keluhan yang sama muncul
Aksi perbaikan terbagi jadi “pembelian stok berikutnya” atau “revisi deskripsi”

Ini templat prompt untuk memilah ulasan. Minta jawaban dalam bentuk tabel agar mudah direkap.

Berikut teks ulasan sebuah produk. Beri tag tiap ulasan pada 3 sumbu,
lalu di akhir ajukan 3 usulan perbaikan.

# Sumbu
1. Kesan ukuran: kebesaran / kekecilan / pas / tidak disebut
2. Bahan dan kualitas: bagus / keluhan (isi) / tidak disebut
3. Pengiriman dan kemasan: bagus / keluhan (isi) / tidak disebut

# Keluaran
| No | Ukuran | Bahan-kualitas | Pengiriman-kemasan | Ringkasan singkat |
Setelah tabel, tulis "## Usulan perbaikan", pisahkan poin yang
diperbaiki saat pembelian stok dan poin yang bisa diantisipasi di deskripsi.

# Teks ulasan
(tempel di sini satu ulasan per baris)

Triknya adalah meminta “poin yang bisa diantisipasi di deskripsi”. Misalnya kalau ada 5 ulasan “lebih tipis dari dugaan”, sebelum mengganti bahan, cukup tulis di deskripsi “bahan tipis dengan kesan ringan saat dipakai”, maka jarak harapan berkurang. Bintang naik tanpa mengganti stok itu bukan hal langka.

Use case 3: Memeriksa mutu teks secara otomatis dengan skrip

Yang ketiga adalah verifikasi. Kalau 150 teks hanya dicek mata manusia, kelebihan jumlah karakter dan kata terlarang pasti lolos. Tugas itu serahkan ke penjaga gerbang berupa mesin.

Skrip di bawah membaca JSON berisi teks yang dihasilkan, lalu mengecek jumlah karakter dan kata terlarang secara otomatis. Cukup ada Node.js maka langsung jalan. Klaim berlebihan yang rawan jadi ranjau di fashion sudah saya susun di NG_WORDS, jadi tambahkan sesuai aturan bahasa brand Anda.

import { readFile } from "node:fs/promises";

// Target cek: JSON berisi array [{ id, text } ...]
const items = JSON.parse(await readFile("./proposals.json", "utf8"));

const NG_WORDS = ["termurah", "pasti", "dijamin langsing", "medis", "No.1", "nomor satu"];
const MIN = 120;
const MAX = 160;

let ng = 0;
for (const item of items) {
  const len = [...item.text].length; // hitung tiap karakter satu per satu
  const hits = NG_WORDS.filter((w) => item.text.includes(w));
  const problems = [];
  if (len < MIN || len > MAX) problems.push(`jumlah karakter ${len} (target ${MIN}-${MAX})`);
  if (hits.length) problems.push(`kata terlarang: ${hits.join(", ")}`);

  if (problems.length) {
    ng++;
    console.log(`NG ${item.id}: ${problems.join(" / ")}`);
  }
}

console.log(`\nDari total ${items.length} teks, ${ng} teks perlu diperbaiki`);
process.exit(ng === 0 ? 0 : 1);

Bentuk proposals.json seperti ini. Kalau saat membuat teks Anda minta keluaran dalam bentuk ini, penggabungannya jadi mudah.

[
  { "id": "KN-2026SS-014-A", "text": "Rajut oversize berkesan lembut. ..." },
  { "id": "KN-2026SS-014-B", "text": "Satu potong rapi yang cocok untuk kerja. ..." }
]

Dengan menjalankan skrip ini sekali sebelum tayang, kata terlarang dan jumlah karakter yang melenceng terhenti sebelum publikasi. Kalau aturan seperti ini Anda tulis di CLAUDE.md, AI akan menangkapnya tiap kali, jadi baca juga Cara menulis CLAUDE.md agar operasionalnya stabil. Bagi yang ingin mempertajam prompt satu tingkat lagi, Teknik prompt engineering lanjutan bisa jadi rujukan.

Apa yang berubah sebelum dan sesudah penerapan

Dilihat dari angka, efeknya jelas. Ini perkiraan kasar dari pengalaman saya, anggap saja sebagai patokan.

Pekerjaan	Sebelum	Sesudah
Teks 50 model x 3 versi	sekitar 4 jam (sebagian dari 15 menit per teks)	sekitar 30 menit (draf + setel gaya bahasa)
Memahami tren 100 ulasan	sekitar 2 jam	sekitar 20 menit
Cek karakter dan kata terlarang pra-tayang	manual, ada yang lolos	otomatis lewat skrip, nol kelolosan

Secara kasar, teks dan ulasan menghemat sekitar 10 jam per bulan. Dihitung dengan upah Rp50.000 per jam pun setara Rp500.000 sebulan. Waktu yang hemat bisa dialihkan ke arahan pemotretan dan keputusan pembelian stok, dan itu lebih berharga dari sekadar angka.

Area yang diserahkan ke AI, dan garis yang wajib dihentikan manusia

Karena praktis, kalau semua diserahkan, di toko fashion online bisa terjadi kecelakaan. Saya pertegas garisnya.

Yang boleh diserahkan adalah draf, klasifikasi, rangkuman, dan cek format. Draf kasar teks, pemberian tag ulasan, dan daftar kandidat perbaikan. Di sini AI cepat.

Yang wajib dihentikan manusia adalah berikut.

Keputusan akhir teks diskon dan obral (langsung menyangkut harga pokok dan laba)
Klaim “pasti” atau “termurah” dan klaim khasiat (risiko aturan iklan dan obat)
Catatan jumlah stok dan waktu kedatangan (salah tulis berujung klaim kehabisan)
Ungkapan yang menyangkut dunia brand (gaya bahasa kaku bikin orang kabur)

Kalau garis ini ingin Anda bagikan ke tim yang bukan teknis, minta mereka membaca Pengantar Claude Code untuk non-engineer, supaya semua punya rasa yang sama soal pekerjaan mana yang boleh diserahkan.

Catatan data pribadi dan keamanan

Bagian ini tidak boleh asal. Dalam analisis ulasan, kadang ada nama pembeli, nomor pesanan, atau sebagian alamat yang ikut di teks. Menempelkan itu apa adanya ke AI harus dihindari.

Aturan praktisnya sederhana.

Yang dikirim ke AI hanya nama produk, kode model, kategori, bahan, dan teks ulasan yang sudah publik
Nama, email, telepon, nomor pesanan, dan alamat pelanggan disamarkan dulu sebelum dikirim
Kalau ada nama orang di teks ulasan, ganti dulu sebelum ditempel
Harga pokok rahasia dan nama pemasok jangan dimasukkan

Untuk nama orang di ulasan, banyak yang bisa dicegah hanya dengan fitur ganti di editor untuk menyamarkan nama yang berakhiran sebutan seperti “Bapak” atau “Ibu”. Kelihatannya merepotkan, tapi kalau langkah ini dilewat, kepercayaan bisa hilang dalam sekejap, jadi wajib dilakukan.

Pertanyaan umum

T. Teks yang dihasilkan ungkapannya mirip semua. J. Tegaskan di prompt: “3 versi pakai nada berbeda (rapi / kasual / santai)”. Kalau hanya momennya yang diganti, kosakatanya tetap mirip, jadi tambahkan sumbu nada agar lebih beragam.

T. Ulasannya ratusan, tidak muat ditempel semua. J. Jangan masukkan sekaligus. Pisahkan tiap 50 ulasan dan jalankan prompt yang sama, lalu di akhir gabungkan hanya tabel rekapnya. Makin banyak jumlahnya, makin berharga merekapnya lewat skrip verifikasi di Use case 3.

T. Mengetik nada brand tiap kali itu merepotkan. J. Kalau gaya bahasa, kata terlarang, dan ungkapan favorit brand Anda rangkum di CLAUDE.md, instruksi berulang jadi tidak perlu. Kelebihannya juga bisa dibagi ke tim.

T. Apakah teks yang keluar boleh langsung ditayangkan? J. Perlakukan sebagai draf. Gaya bahasa, nada brand, dan cek klaim berlebihan tetap harus lewat manusia. Skrip di Use case 3 adalah pembantu, bukan penentu akhir.

Hasil saat saya benar-benar mencobanya

“50 model tayang Senin” di awal tadi benar-benar saya kerjakan dengan alur ini.

Teks saya buat dengan memberi kode model, bahan, dan momen, lalu menghasilkan 3 versi tiap model. 150 draf keluar dalam sekitar 20 menit, dan yang saya kerjakan hanya menyeragamkan gaya bahasa dan menghapus klaim “pasti paling cocok” yang menyelip di 2 teks. Setelah dilewatkan skrip verifikasi, ada 7 teks kelebihan karakter dan 2 teks dengan kata terlarang. Bisa menangkapnya sebelum tayang itu sangat berarti.

Dalam analisis ulasan, ketahuan bahwa alasan bintang 3 terpusat pada “ukuran kebesaran”, jadi saya tulis lebih dulu di deskripsi “potongan dibuat agak longgar”. Menyadari ada langkah yang bisa diambil tanpa menunggu stok baru itu hasil yang berharga.

Pada akhirnya, yang paling berdampak adalah memisahkan sejak awal pekerjaan yang diserahkan ke AI dan pekerjaan yang saya hentikan sendiri. Draf untuk AI, keputusan akhir soal nada, klaim, dan ukuran untuk manusia. Sejak menarik garis ini, frekuensi saya bergumam “tidak mungkin” jam 11 malam berkurang. Kalau ingin menyiapkan alur yang sama untuk tim, pelatihan dan konsultasi bisa membantu merancang aturan operasionalnya sekaligus. Untuk mempercepat kerja harian, tips produktivitas Claude Code juga layak dibaca.

Soal dasar aturan iklan, ada baiknya membaca panduan resmi dari Otoritas Jasa Keuangan dan badan perlindungan konsumen, misalnya laman Komisi Perdagangan Federal tentang iklan, supaya Anda bisa menjelaskan batas klaim dengan kata-kata sendiri.