Anbieter zum Thema

Akeneo GmbH

FIS Informationssysteme und Consulting GmbH

Arvato Systems GmbH

Descartes Systems (Germany) GmbH

Welche Datenlücken konkret über Sichtbarkeit entscheiden

Die Schwachstellen in Produktdatensätzen sind in der Praxis häufig verblüffend banal: Schuhgrößen in unterschiedlichen Normsystemen ohne Konvertierungsangabe oder widersprüchliche Beschreibungen zwischen Onlineshop, Marktplatz und Produktdatenblatt. Hinzu kommen fehlende Anwendungsfall-Attribute sowie veraltete Daten, die zwar im System vorhanden sind, aber nicht mehr den Anforderungen aktueller Kanäle entsprechen.

Beim französischen Outdoor-Händler Snowleader wird die Herausforderung greifbar. Das Unternehmen verwaltet mehr als 450.000 Artikelnummern aus über 400 Marken. Zweimal jährlich müssen bis zu 17.000 neue SKUs in den Katalog integriert werden – inklusive strukturierter Attribute, vollständiger Beschreibungen und konsistenter Produktinformationen. Fehlen diese Informationen oder sind sie uneinheitlich gepflegt, wird es für KI-Systeme deutlich schwieriger, Produkte korrekt einzuordnen, mit Alternativen zu vergleichen und in Empfehlungen einzubeziehen.

Warum gerade professionell aufgestellte Händler betroffen sind

Die Herausforderung liegt selten im einzelnen Produkt, sondern in der Skalierung. Wer seit Jahren im Commerce aktiv ist, hat Produktdaten oft aus unterschiedlichen Quellen zusammengeführt: Lieferanten-Datenblätter, interne ERP-Systeme, historische Katalogdaten oder kanalspezifische Anpassungen. Was über Jahre gewachsen ist, folgt häufig keiner einheitlichen Datenstruktur – und bleibt im Tagesgeschäft oft unbemerkt.

Asambeauty, ein deutscher Kosmetik-Hersteller mit über 1.000 Produkten im Portfolio, verwaltete Produktinformationen beispielsweise lange über Word-Dokumente, Excel-Tabellen und E-Mail-basierte Workflows. Jede Abteilung arbeitete mit ihrer eigenen Version der Wahrheit. Für menschliche Käufer waren die Unterschiede kaum sichtbar, die Produktbeschreibungen wirkten stimmig. Für KI-Systeme, die auf konsistente und strukturiert vergleichbare Informationen angewiesen sind, wären solche Datenlücken jedoch ein klarer Nachteil.

Genau darin liegt das Risiko für viele heute professionell aufgestellte Unternehmen: Ihre Produktdaten funktionieren für den menschlichen Blick. Für den algorithmischen Blick enthalten sie Lücken, die oft erst sichtbar werden, wenn Empfehlungen ausbleiben – und damit potenzielle Umsätze, die sich kaum einer konkreten Ursache zuordnen lassen.

ChatGPT & Co.

KI-Kaufberatung: Mit diesem Fahrplan bleiben Händler sichtbar

Produktdaten: Markenführung ist nicht genug

Im klassischen E-Commerce mussten Nutzer ihre Kaufabsicht meist in Keywords übersetzen. Moderne KI-Systeme ermöglichen es dagegen, Anforderungen in natürlicher Sprache zu formulieren und passende Produkte direkt empfehlen zu lassen. Mit Agentic Commerce entsteht darüber hinaus ein Modell, in dem KI-Agenten künftig auch Teile des Kaufprozesses übernehmen können.

Wer heute von KI-Systemen nicht gefunden, verstanden oder berücksichtigt wird, wird auch in solchen agentischen Commerce-Modellen kaum eine Rolle spielen. Denn unabhängig davon, welche Technologie oder welcher Standard sich durchsetzt, bleibt eine Voraussetzung gleich: Produkte müssen für Maschinen verständlich und vergleichbar sein.

Die Frage, die sich Handelsunternehmen heute stellen müssen, lautet daher: Kann ein KI-Agent mein Produkt verstehen, einordnen und mit relevanten Alternativen vergleichen? Wo die Antwort auch nur für Teile des Sortiments „Nein“ lautet, entstehen Sichtbarkeitslücken, die oft lange unbemerkt bleiben.