Produktdaten für KI-Shopping: So machst du deinen Shop fit

Dein Produkt passt zur Anfrage, doch auf der Produktseite fehlen entscheidende Angaben: das genaue Maß, die passende Variante oder der Lieferumfang. Solche Lücken erschweren die Kaufentscheidung. Wenn du Produktdaten für KI-Shopping vorbereiten möchtest, solltest du deshalb zuerst klären, welche Informationen dein Shop verlässlich bereitstellt.

Dieser Leitfaden zeigt dir, welche Daten wichtig sind, wie Produktseiten und Feeds zusammenspielen und was du für Google und ChatGPT getrennt prüfen solltest.

Das Wichtigste in Kürze

Gute Produktdaten für KI-Shopping sind eindeutig, vollständig, aktuell und widerspruchsfrei. Sie beschreiben das konkrete Produkt und sein Angebot: Identifikation, Eigenschaften, Variante, Preis, Verfügbarkeit sowie Versand und Rückgabe.

Pflege diese Informationen in einer verlässlichen Datenquelle und übertrage sie passend auf Produktseiten, strukturierte Daten und plattformspezifische Feeds. Beginne mit einem überschaubaren Sortiment und prüfe die Übertragung. Eine technisch korrekte Bereitstellung garantiert keine Aufnahme oder bevorzugte Platzierung in KI-Ergebnissen.

‍

Was bedeutet KI-Shopping für deinen Shop?

KI-Shopping bezeichnet hier die Suche, Beratung und Produktauswahl mithilfe KI-gestützter Systeme. Menschen können ihren Bedarf als Frage beschreiben: „Ich suche einen leichten Tagesrucksack unter 100 Euro mit Platz für einen 15-Zoll-Laptop.“

Für deinen Shop ergibt sich daraus eine konkrete Aufgabe: Die Angaben müssen erkennen lassen, ob ein Produkt diese Anforderungen erfüllt. Ein Titel wie „Rucksack Premium“ beantwortet weder die Frage nach dem Gewicht noch nach dem Laptopfach.

OpenAI beschreibt beim Shopping-Assistenten in ChatGPT eine dialogorientierte Produktrecherche, die Wünsche und Einschränkungen aufgreift. Für deine Datenarbeit ist deshalb entscheidend, relevante Kaufkriterien ausdrücklich zu benennen.

Das ergänzt die Arbeit an SEO und Produktseiten. Wie sich die übergeordnete Optimierung für KI-Antworten einordnen lässt, erklärt unser Beitrag zu Generative Engine Optimization.

‍

Produktseite, strukturierte Daten und Feed: Was unterscheidet sie?

Drei Ebenen solltest du gemeinsam prüfen. Sie erfüllen unterschiedliche Aufgaben und sollten dieselben Produktinformationen korrekt wiedergeben.

Die sichtbare Produktseite erklärt das Angebot

Die Produktseite zeigt deinen Kunden, was sie kaufen können. Dazu gehören verständliche Beschreibungen, ausgewählte Varianten, Bilder, Preise und relevante Bedingungen. Kaufentscheidende Eigenschaften sollten als lesbarer Text verfügbar sein.

Prüfe beispielsweise, ob die Maße nur auf einer Grafik stehen oder auch in den Produktdetails. Eine pflegbare Textangabe erleichtert deinem Team außerdem die Weiterverwendung.

Strukturierte Daten beschreiben die Seite maschinenlesbar

Strukturierte Daten ordnen Informationen nach einem festgelegten Schema. Mit Schema.org-Typen wie Product und Offer können beispielsweise Produkt und Verkaufsangebot beschrieben werden. JSON-LD ist ein verbreitetes Format dafür.

Google erklärt in seiner Einführung zu strukturierten Produktdaten, welche erweiterten Produktdarstellungen dadurch möglich werden. Das Markup muss zum tatsächlichen Seiteninhalt passen.

Der Produktfeed übermittelt einen Katalog

Ein Produktfeed liefert Datensätze an einen bestimmten Empfänger. Welche Felder, Formate und Übertragungswege erforderlich sind, hängt von der Plattform und der Integration ab.

Dein interner Produktdatensatz kann mehreren Kanälen dienen. Die jeweiligen Exporte benötigen jedoch eine passende Feldzuordnung. Prüfe deshalb jede Anbindung anhand ihrer eigenen Spezifikation.

‍

Welche Produktdaten solltest du zuerst verbessern?

Beginne mit Angaben, die ein Produkt eindeutig identifizieren und eine Kaufentscheidung ermöglichen. Die folgenden Datenbereiche sind ein Arbeitsrahmen; verbindliche Pflichtfelder ergeben sich aus dem jeweiligen Kanal.

Produktidentifikation und Varianten

Pflege stabile Artikelnummern, die Marke und vorhandene Herstellerkennzeichnungen. Die interne SKU bezeichnet deinen Artikel im eigenen System. Eine GTIN ist eine standardisierte Produktkennzeichnung; eine MPN ist die vom Hersteller vergebene Teilenummer.

Übernimm Kennzeichnungen aus verlässlichen Quellen. Google weist in seiner Produktdatenspezifikation ausdrücklich darauf hin, GTINs und MPNs nicht zu erfinden.

Ordne Varianten sauber zu. Ein blauer Rucksack mit 20 Litern und eine schwarze Ausführung mit 28 Litern benötigen ihre jeweils zutreffenden Angaben. Bild, Preis, Verfügbarkeit und Zielseite müssen zur angebotenen Ausführung passen.

Titel, Beschreibung und konkrete Eigenschaften

Ein guter Produkttitel benennt Marke, Modell, Produkttyp und relevante Variantenmerkmale. In der Beschreibung beantwortest du die Anschlussfragen: Wofür eignet sich das Produkt? Welche Maße hat es? Was gehört zum Lieferumfang?

Pflege wichtige Eigenschaften zusätzlich in eigenen Feldern. „Gewicht: 780 g“ lässt sich leichter prüfen und übertragen als eine verstreute Aussage über ein „angenehm leichtes Tragegefühl“.

Welche Eigenschaften relevant sind, hängt vom Sortiment ab. Bei einem Rucksack können Volumen, Gewicht und Fachmaße entscheidend sein. Bei einem Ersatzteil stehen Kompatibilität, Modellnummer und Einbaumaße im Vordergrund.

Preis, Bestand und Lieferbedingungen

Produktpreis, Währung und Verfügbarkeit sollten für dieselbe Variante übereinstimmen. Prüfe auch, ob ein Aktionspreis im Export noch aktiv ist, obwohl die Aktion im Shop bereits beendet wurde.

Halte Versandkosten und Lieferbedingungen für den jeweiligen Zielmarkt verständlich. Unterscheide zwischen Lagerbestand, Bearbeitungszeit und Transportdauer. Ein vorhandener Artikel ist dadurch noch nicht automatisch am nächsten Tag beim Kunden.

Bilder und nachvollziehbare Aussagen

Verwende Bilder, die das angebotene Produkt und seine Variante korrekt zeigen. Ergänze sinnvolle Detailansichten, etwa vom Laptopfach oder den Anschlüssen eines Geräts.

Formuliere Eigenschaften so, dass du sie belegen kannst. Aus „wasserabweisend“ sollte bei einer Textüberarbeitung nicht „wasserdicht“ werden. Dasselbe gilt für Kompatibilität, Zertifikate und Leistungsangaben.

Fehlende Fakten bleiben eine Rechercheaufgabe. Wenn du KI zur Textbearbeitung nutzt, gib freigegebene Daten vor und kontrolliere, ob die Ausgabe neue Behauptungen ergänzt.

‍

Praxisbeispiel: Aus einem vagen Eintrag wird ein brauchbarer Datensatz

Das folgende Produkt ist vollständig fiktiv. Alle Angaben dienen ausschließlich dazu, die Datenaufbereitung zu erklären.

Der ursprüngliche Eintrag lautet: „Rucksack Urban – hochwertig, geräumig und ideal für jeden Tag.“ Dazu gibt es ein Bild, einen Preis und die Farbwahl. Das klingt verständlich, lässt aber wichtige Fragen offen.

Ein überarbeiteter Datensatz könnte so aussehen:

• Produkt: Beispielmarke Urban 20 Tagesrucksack, blau.
• Interne Artikelnummer: URB20-BL.
• Eigenschaften: 20 Liter Volumen, 780 g Gewicht, Außenmaße 45 × 30 × 15 cm.
• Laptopfach: Innenmaße 36 × 25 × 2 cm; Eignung anhand der tatsächlichen Gerätemaße prüfen.
• Material und Pflege: Polyester, wasserabweisendes Außenmaterial, Reinigung mit feuchtem Tuch.
• Lieferumfang: ein Rucksack; abgebildetes Notebook und Zubehör nicht enthalten.
• Beispielangebot: 79,90 Euro, auf Lager; Versand nach Deutschland für 4,90 Euro, Lieferzeit drei bis fünf Werktage.

Die Beschreibung könnte daraus ableiten: „Der Urban 20 bietet 20 Liter Stauraum und ein separates Laptopfach. Vergleiche vor dem Kauf die Maße deines Geräts mit den Innenmaßen des Fachs.“

Die Formulierung „für jedes 15-Zoll-Notebook“ wäre durch diese Daten nicht gedeckt. Auch eine GTIN ergänzen wir in diesem Beispiel nicht künstlich.

Prüfe anschließend die gesamte Strecke: Zeigt der Feed den blauen Rucksack, führt der Link zur richtigen Auswahl und nennt das Markup denselben Preis? Der Datensatz ist erst dann konsistent, wenn die Ausspielungen zusammenpassen.

‍

Wie bereitest du Produktdaten für Google vor?

Google empfiehlt, Produktdaten über strukturierte Daten und das Merchant Center bereitzustellen. Beide Wege solltest du aufeinander abstimmen.

Prüfe zunächst, ob wichtige Produktseiten erreichbar und für die gewünschte Suchdarstellung indexierbar sind. Kontrolliere anschließend das Product- und Offer-Markup mit Googles Rich Results Test sowie die entsprechenden Berichte in der Search Console.

Bei Varianten hilft dir die Dokumentation zu ProductGroup und Product, die Beziehung zwischen übergeordnetem Produkt und einzelnen Ausführungen korrekt abzubilden.

Kontrolliere außerdem die Verarbeitung deiner Datenquelle im Merchant Center: Welche Artikel wurden angenommen? Welche haben Probleme? Stimmen Preis und Bestand mit der Zielseite überein?

Für AI Overviews und AI Mode nennt Google keine zusätzlichen technischen Anforderungen und kein spezielles KI-Markup. Bestehende SEO-Grundlagen gelten weiter. Das ist von den Anforderungen einzelner Shopping-Darstellungen zu unterscheiden.

Für deinen Arbeitsplan bedeutet das: Behebe zuerst konkrete Daten- und Zugriffsprobleme. Dokumentiere dann, welche Darstellungen und Programme du tatsächlich bedienen möchtest.

‍

Was musst du für ChatGPT Shopping getrennt prüfen?

OpenAI erläutert bei der Auswahl von Shopping-Ergebnissen, dass unter anderem strukturierte Metadaten von Anbietern und weitere Inhalte berücksichtigt werden. Eine eigene Feed-Anbindung ist deshalb getrennt von der allgemeinen Auffindbarkeit deiner Website zu betrachten.

Wenn du Produktdaten direkt bereitstellen möchtest, prüfe die Händlerinformationen von OpenAI. Kläre den verfügbaren Zugang, unterstützte Zielmärkte und den passenden Integrationsweg. Die Vorbereitung eines Feeds bedeutet noch keine Freischaltung.

Die OpenAI-Referenz für Produktfeeds unterscheidet Produktdaten für die Suche von zusätzlichen Anforderungen für Anzeigen und Checkout. Bei der geprüften Dateispezifikation wird ein Datensatz pro kaufbarem Artikel beziehungsweise pro Variante vorgesehen.

Lass dein Team deshalb drei Fragen beantworten: Welcher Integrationsweg ist für uns verfügbar? Welche aktuelle Spezifikation gilt dafür? Wie prüfen wir, ob die gelieferten Daten verarbeitet wurden?

Für unseren Beispielrucksack bleibt die fachliche Grundlage dieselbe. Feldnamen, zulässige Werte und Übertragung werden an die bestätigte Integration angepasst. Einen Google-Feed solltest du erst nach dieser Prüfung als Ausgangspunkt verwenden.

‍

So setzt dein Team die Vorbereitung in sechs Schritten um

Du brauchst einen Arbeitsablauf, der Datenlücken sichtbar macht und ihre Behebung überprüfbar organisiert. Für einen ersten Durchlauf eignet sich folgendes Vorgehen:

1. Wähle einen Pilotbereich. Starte beispielsweise mit 20 bis 50 relevanten Produkten. Berücksichtige Varianten, Bestseller und Artikel mit häufigen Kundenfragen. Diese Größenordnung ist ein Arbeitsvorschlag.
2. Bestimme die führenden Datenquellen. Halte fest, wo Eigenschaften, Preise, Bestände und Bilder gepflegt werden. Benenne pro Bereich eine verantwortliche Person.
3. Definiere die erforderlichen Angaben. Verbinde die Plattformanforderungen mit den Kaufkriterien deiner Kunden. Lege einheitliche Einheiten, Schreibweisen und zulässige Werte fest.
4. Bereinige die Datensätze. Ergänze verifizierte Fakten, korrigiere Variantenbeziehungen und entferne widersprüchliche Aussagen. Führe unbekannte Werte als offene Aufgaben.
5. Prüfe die Übertragung. Vergleiche Produktseite, Markup und jeden relevanten Export. Teste auch Änderungen an Preis, Bestand und Varianten.
6. Organisiere die laufende Pflege. Vereinbare passende Aktualisierungsintervalle und einen Umgang mit Fehlermeldungen. Wiederhole die Stichprobe nach Änderungen an Templates, Schnittstellen oder Datenquellen.

Für den Pilotbereich reicht eine übersichtliche Prüfliste. Ein zusätzliches Product Information Management System, kurz PIM, solltest du anhand von Sortimentsumfang, Kanalanzahl, Pflegeaufwand und bestehenden Systemen bewerten.

Aus Team-Perspektive zählt besonders, ob die Datenarbeit dauerhaft funktioniert: Wer bestätigt eine neue Eigenschaft? Wer reagiert auf abgelehnte Datensätze? Wer kontrolliert die Korrektur?

‍

Woran erkennst du Fortschritte?

Trenne Datenqualität, Verarbeitung und Geschäftsergebnisse. So kannst du Verbesserungen beurteilen, ohne jede Veränderung der Sichtbarkeit auf eine einzelne Maßnahme zurückzuführen.

Bei der Datenqualität misst du beispielsweise den Anteil vollständig gepflegter Pilotartikel, die Zahl widersprüchlicher Preisangaben und die Zeit bis zur Übertragung einer Bestandsänderung.

Bei der Verarbeitung prüfst du Fehlermeldungen, angenommene Datensätze und die erreichbaren Zielseiten. Ergänzend kannst du mit dokumentierten Kundenfragen beobachten, welche Produkte und Informationen ein KI-System ausgibt.

Einzelne Antworten schwanken und liefern keinen verlässlichen Rankingnachweis. Für wiederholbare Beobachtungen brauchst du einen festen Fragenkatalog und getrennte Auswertungen pro System. Einen passenden Arbeitsrahmen findest du im Beitrag KI-Sichtbarkeit messen.

Geschäftsergebnisse bewertest du über erkennbare Besuche, Käufe und Umsatz, soweit deine Messung diese zuordnen kann. Ein höherer Umsatz allein belegt noch keinen ursächlichen Effekt der Produktdatenpflege.

‍

FAQ zu Produktdaten für KI-Shopping

Welche Produktdaten sind für KI-Shopping besonders wichtig?

Besonders wichtig sind eindeutige Produktkennzeichnungen, konkrete Eigenschaften, korrekt zugeordnete Varianten, passende Bilder sowie aktuelle Angebotsdaten. Welche Felder verbindlich sind, bestimmt die jeweilige Plattform und Integration.

Reicht ein Google-Shopping-Feed für ChatGPT aus?

Ein Google-Shopping-Feed ist keine pauschal bestätigte ChatGPT-Anbindung. Er kann als Datenbasis dienen. Prüfe vor der Verwendung Zugang, unterstütztes Format, Feldzuordnung und Anforderungen des konkreten Integrationswegs.

Brauche ich spezielle strukturierte Daten für KI-Suchen?

Für Googles AI Overviews und AI Mode ist laut Google kein spezielles KI-Schema erforderlich. Produkt-Markup und Feed-Spezifikationen erfüllen eigene Aufgaben. Übertrage diese Aussage deshalb nicht ungeprüft auf andere Anbieter.

Kann KI fehlende Produktattribute ergänzen?

KI kann vorhandene Informationen strukturieren und Formulierungen vorschlagen. Fehlende Fakten wie Material, Maße oder Kompatibilität musst du anhand verlässlicher Quellen bestätigen. Vermutete Eigenschaften gehören nicht in veröffentlichte Produktdaten.

Muss ich sofort mein gesamtes Sortiment überarbeiten?

Du kannst mit einem abgegrenzten Pilotbereich beginnen. Prüfe dort Datenmodell, Zuständigkeiten und Übertragung. Übertrage den erprobten Ablauf anschließend auf weitere Kategorien und berücksichtige dabei deren eigene Kaufkriterien.

Garantieren vollständige Produktdaten eine Empfehlung?

Vollständige Produktdaten garantieren keine Empfehlung oder bestimmte Platzierung. Sie schaffen eine bessere Informationsgrundlage. Auswahl, Verarbeitung und Darstellung hängen zusätzlich vom jeweiligen System und der konkreten Anfrage ab.

‍

Fazit: Beginne mit einem überprüfbaren Produktdatensatz

Wenn du deinen Shop auf KI-Shopping vorbereiten möchtest, starte mit einem konkreten Produkt: Sind seine Eigenschaften nachvollziehbar? Stimmen Variante und Angebot? Werden Änderungen richtig übertragen?

Verbessere anschließend den Ablauf für einen Pilotbereich und erweitere ihn schrittweise. So entsteht eine Datenbasis, die dein Team pflegen und für unterschiedliche Kanäle aufbereiten kann.

Wenn du diese Aufgaben gemeinsam mit deinem Team angehen möchtest, bietet das E-Commerce-Seminar für dein Team einen Rahmen für die Analyse und Weiterentwicklung deines Shops. Den konkreten Schwerpunkt stimmen wir auf eure Ausgangslage ab.