Ein Katalog, den wir untersucht haben, besass starke Produktfotografie und sorgfältig geschriebene Beschreibungen. Eine einfache Anfrage konnte er trotzdem nicht beantworten: Finde die waschbare Variante, die in einen schmalen Raum passt und ohne Spezialspedition geliefert wird. Die Fakten standen in Lieferantendateien, Supportantworten und im Gedächtnis des Teams, aber nicht in den Produktdatensätzen.
Die AI Schicht war nicht das Problem. Der Katalog hatte ihr fast nichts Verlässliches zum Schlussfolgern gegeben.
Empfehlung beginnt mit Eignung
Bevor ein AI System Produkte sortiert, muss es wissen, welche die Anfrage erfüllen. Dafür braucht es Attribute mit eindeutigen Namen und Werten: Material, Masse, Kompatibilität, Pflege, Verfügbarkeit, Lieferbeschränkungen und Beziehungen zwischen Varianten. Ein Absatz kann einiges davon erwähnen, doch Prosa ist ein schlechter Vertrag. Sie ist inkonsistent, schwer zu validieren und leicht veraltet.
Dieselbe Disziplin ist ausserhalb des dialogbasierten Einkaufs wichtig. Googles Dokumentation für Händler verlangt strukturierte Produkt- und Angebotsinformationen zu Identität, Preis und Verfügbarkeit und empfiehlt weitere Eigenschaften, wenn sie existieren. Die offizielle Product Dokumentation zeigt gut, was Maschinen brauchen, um ein Angebot zu verstehen.
Identität ist wertvoller als eine weitere Beschreibung
Ein Produkt braucht eine stabile interne Kennung. Wo die Kategorie es unterstützt, gehören Herstellerreferenzen und globale Kennungen in Datenfelder, nicht in Fliesstext. Varianten brauchen eine Elternbeziehung und eine eigene verkaufbare Identität. Sonst bleibt offen, ob verschiedene Namen denselben Artikel, unterschiedliche Grössen oder Ersatzprodukte anderer Marken bezeichnen.
Hier verlieren Kataloge unbemerkt Empfehlungsqualität. Titel werden für Kampagnen geändert. Lieferantennamen weichen von Shopnamen ab. Farbbezeichnungen wandern zwischen Teams. Das Modell wirkt danach inkonsistent, weil die zugrunde liegenden Entitäten inkonsistent sind.
Es braucht einen kanonischen Datensatz. Kanaltitel, Übersetzungen und Merchandising Texte sind Ansichten dieses Datensatzes. Die Identität muss eine Überarbeitung des Textes überleben.
Leere Felder sind kommerzielle Entscheidungen
Händler lassen Felder oft leer, weil der aktuelle Storefront sie nicht anzeigt. Das ist ein enger Test. Ein unsichtbares Feld kann trotzdem entscheiden, ob Suche, Filter, Feed oder Agent einen Bedarf zuordnen können.
Die teuren Lücken sind selten poetisch:
- Exakte Abmessungen und Einheiten
- Material und Oberfläche
- Kompatibilität und Ausschlüsse
- Bestand und Vorlaufzeit je Variante
- Pflege, Montage und Installation
- Einschränkungen bei Lieferung und Rückgabe
- Beziehungen zu Ersatzteilen und Zubehör
Unbekannte Werte dürfen nicht mit allgemeinem Text gefüllt werden. Unbekannt, nicht anwendbar und noch nicht geprüft sind verschiedene Zustände. Ihre Trennung erlaubt einem Agenten, Unwissen zu melden, statt Sicherheit zu erfinden.
Struktur muss jeden Kanal erreichen
Schema Markup auf der Seite ist nützlich, ersetzt aber keinen soliden Quellkatalog. Google beschreibt in seiner Übersicht zu Product Daten, wie Produktinformationen aus Seitenmarkup, Merchant Center Feeds oder beiden Quellen kommen. Die praktische Lehre reicht weiter: Jeder Kanal sollte aus demselben validierten Datensatz entstehen.
Meldet der Storefront verfügbar und der Feed Nachbestellung, kann AI den Widerspruch nicht reparieren. Aktualität, Verantwortung und Validierung gehören nach oben in die Datenkette.
Den Katalog diese Woche verbessern
Suchanfragen, Supportfragen und Rückgabegründe mit Produktbedingungen werden gesammelt. Daraus entstehen die Attribute, die Kunden tatsächlich verwenden. Anschliessend folgt der Vergleich mit dem Katalogschema. Eine kommerziell wichtige Kategorie reicht für den Anfang.
Erlaubte Werte, Einheiten, Verantwortung und Prüfrhythmus werden festgelegt. An einem Export lässt sich testen, ob eine katalogfremde Person allein mit strukturierten Feldern geeignete Produkte auswählen kann. Danach erhält ein AI System dieselben Fragen, wobei die Belege jeder Antwort geprüft werden.
Der Burggraben besteht nicht aus mehr generierten Beschreibungen. Er besteht aus einem Produktgraphen, der spezifisch, aktuell und intern konsistent bleibt, während sich alle Oberflächen darum verändern.